Neuronale Netze in der Finanzanalyse. Eine empirische Untersuchung anhand von Finanznachrichten

Diplomarbeit aus dem Jahr 2023 im Fachbereich BWL - Investition und Finanzierung, Note: 1,7, Ernst-Moritz-Arndt-Universität Greifswald, Sprache: Deutsch, Abstract: Die rasante Entwicklung der künstlichen Intelligenz hat einen revolutionären Einfluss auf verschiedene Aspekte unseres Lebens und unserer Gesellschaft. Seit der Einführung von ChatGPT durch die Firma OpenAI am 30. November 2022 hat sich die Landschaft des Informationsaustauschs und der Entscheidungsfindung grundlegend verändert. Diese Veränderungen sind besonders in der Finanzwelt spürbar, wo Investoren und Anleger stets bestrebt sind, innovative Wege zu finden, um Wertentwicklungen präziser vorherzusagen und fundierte Entscheidungen in Echtzeit zu treffen. Die Integration von künstlicher Intelligenz, insbesondere von neuronalen Netzen, in die Finanzanalyse ist ein Thema von wachsender Bedeutung und eröffnet neue Perspektiven für die Analyse und Bewertung von Finanzmärkten. Die vorliegende Arbeit widmet sich daher einer umfassenden Untersuchung des Einsatzes von neuronalen Netzen in der Finanzanalyse, mit dem Ziel, sowohl ihre Legitimität und Integration in die Finanzmarkttheorie zu bewerten als auch ihre Leistungsfähigkeit in der Praxis zu prüfen. Um das Thema in den betriebswirtschaftlichen Kontext einzuordnen, wird mit einer eingehenden Betrachtung der Grundlagen der Finanzmarkttheorie begonnen. Dabei wird besonderes Augenmerk auf die Entwicklung von der Hypothese effizienter Märkte hin zu den Überlegungen der Behavioral Finance gelegt, die traditionelle Annahmen über die Rationalität von Marktteilnehmern in Frage stellt. Im weiteren Verlauf der Arbeit wird der Sentimentanalyse von Finanzartikeln und den Möglichkeiten, die künstliche Intelligenz bietet, um ein tieferes Verständnis für das Verhalten der Finanzmärkte zu entwickeln, Aufmerksamkeit geschenkt. Insbesondere wird die Anwendung von neuronalen Netzen in der Sentimentanalyse betrachtet und mit klassischen Machine Learning-Ansätzen verglichen. Durch empirische Untersuchungen wird die Fähigkeit neuronaler Netze zur Sentimentanalyse von Finanznachrichten analysiert und die Ergebnisse in den Kontext der theoretischen Grundlagen gesetzt. Dabei werden sowohl Vor- und Nachteile dieses Ansatzes im Themenfeld der Finanzmärkte beleuchtet als auch mögliche Weiterentwicklungen oder Verbesserungen diskutiert. In der Zusammenfassung und im Ausblick werden schließlich wichtige Erkenntnisse zusammengefasst und Implikationen für zukünftige Forschung und Praxis aufgezeigt.