Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten
Auf den weltweiten Märkten agieren eine Vielzahl von Teilnehmern wie Banken, Investorengemeinschaften, andere Unternehmen und noch viele mehr. Allein über die Deutsche Börse Group sind über 285000 Wertpapiere handelbar, davon über 10000 Aktien. Die Semantik hinter den Vorgängen ist sehr komplex und...
Main Author: | |
---|---|
Other Authors: | |
Format: | Dissertation |
Language: | deu |
Published: |
Universitätsbibliothek Chemnitz
2008
|
Subjects: | |
Online Access: | http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200800362 http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200800362 http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/data/Diplomarbeit.pdf http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/20080036.txt |
id |
ndltd-DRESDEN-oai-qucosa.de-bsz-ch1-200800362 |
---|---|
record_format |
oai_dc |
spelling |
ndltd-DRESDEN-oai-qucosa.de-bsz-ch1-2008003622013-01-07T19:57:21Z Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten Hentsch, Karsten ddc:004 Aktie Aktienmarkt Börse Börsenhandel Cluster-Analyse Markttechnische Analyse Zeitreihenanalyse Auf den weltweiten Märkten agieren eine Vielzahl von Teilnehmern wie Banken, Investorengemeinschaften, andere Unternehmen und noch viele mehr. Allein über die Deutsche Börse Group sind über 285000 Wertpapiere handelbar, davon über 10000 Aktien. Die Semantik hinter den Vorgängen ist sehr komplex und für Laien kaum nachzuvollziehen. Sogar erfahrenen Teilnehmern kann sich diese der Verständnis entziehen, wie die Folgen der Krise am Hypothekenmarkt der USA zeigen. Selbst wenn das System vollständig verstanden wäre, ist das schier unüberblickbare Geflecht der Märkte für einen Menschen zu groß, um in vernünftiger Zeit Entscheidungen treffen zu können. Die Menge an verfügbaren Daten ist so riesig, dass es einem Menschen unmöglich ist, diese zu bewältigen. Eine computergestützte Analyse kann an dieser Stelle helfen, da sie große Datenmengen in kurzer Zeit verarbeiten kann. Damit kann sie die Informationen bereitstellen, die man zur Entscheidungsunterstützung benötigt. Im Rahmen dieser Diplomarbeit soll gezeigt werden, dass sich mit Hilfe einfacher statistischer Kriterien, welche auf historischen Daten basieren, Aktien so in Cluster einteilen lassen, dass man durch Investition in einen dieser Cluster einen Vorteil gewinnt. Aufbauend auf den Ergebnisse der Studienarbeit sollen die Verfahren an Hand eines Trainingszeitraums weiterentwickelt werden. Zusätzlich muss der Prototyp weiterentwickelt werden, um seiner Aufgabe, der Bereitstellung von Informationen zur Entscheidungsunterstützung, gerecht zu werden. Die fertige Komponente soll sich alleine und als Plugin für WEBIS nutzen lassen, einem webbasierten Informationssystem, welches seine Daten direkt aus dem Internet beziehen kann. Universitätsbibliothek Chemnitz TU Chemnitz, Fakultät für Informatik 2008-04-04 doc-type:masterThesis application/pdf text/plain application/zip http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200800362 urn:nbn:de:bsz:ch1-200800362 http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/data/Diplomarbeit.pdf http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/20080036.txt deu |
collection |
NDLTD |
language |
deu |
format |
Dissertation |
sources |
NDLTD |
topic |
ddc:004 Aktie Aktienmarkt Börse Börsenhandel Cluster-Analyse Markttechnische Analyse Zeitreihenanalyse |
spellingShingle |
ddc:004 Aktie Aktienmarkt Börse Börsenhandel Cluster-Analyse Markttechnische Analyse Zeitreihenanalyse Hentsch, Karsten Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
description |
Auf den weltweiten Märkten agieren eine Vielzahl von Teilnehmern wie Banken, Investorengemeinschaften,
andere Unternehmen und noch viele mehr. Allein über die Deutsche
Börse Group sind über 285000 Wertpapiere handelbar, davon über 10000 Aktien. Die
Semantik hinter den Vorgängen ist sehr komplex und für Laien kaum nachzuvollziehen. Sogar
erfahrenen Teilnehmern kann sich diese der Verständnis entziehen, wie die Folgen der
Krise am Hypothekenmarkt der USA zeigen. Selbst wenn das System vollständig verstanden
wäre, ist das schier unüberblickbare Geflecht der Märkte für einen Menschen zu groß, um in
vernünftiger Zeit Entscheidungen treffen zu können. Die Menge an verfügbaren Daten ist so
riesig, dass es einem Menschen unmöglich ist, diese zu bewältigen. Eine computergestützte
Analyse kann an dieser Stelle helfen, da sie große Datenmengen in kurzer Zeit verarbeiten
kann. Damit kann sie die Informationen bereitstellen, die man zur Entscheidungsunterstützung
benötigt.
Im Rahmen dieser Diplomarbeit soll gezeigt werden, dass sich mit Hilfe einfacher statistischer
Kriterien, welche auf historischen Daten basieren, Aktien so in Cluster einteilen lassen,
dass man durch Investition in einen dieser Cluster einen Vorteil gewinnt. Aufbauend
auf den Ergebnisse der Studienarbeit sollen die Verfahren an Hand eines Trainingszeitraums
weiterentwickelt werden. Zusätzlich muss der Prototyp weiterentwickelt werden, um seiner
Aufgabe, der Bereitstellung von Informationen zur Entscheidungsunterstützung, gerecht zu
werden. Die fertige Komponente soll sich alleine und als Plugin für WEBIS nutzen lassen,
einem webbasierten Informationssystem, welches seine Daten direkt aus dem Internet beziehen
kann. |
author2 |
TU Chemnitz, Fakultät für Informatik |
author_facet |
TU Chemnitz, Fakultät für Informatik Hentsch, Karsten |
author |
Hentsch, Karsten |
author_sort |
Hentsch, Karsten |
title |
Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
title_short |
Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
title_full |
Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
title_fullStr |
Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
title_full_unstemmed |
Trendvorhersage bei ökonomischen Zeitreihen mit Hilfe der Clusterung nach verschiedenen statistischen Kriterien basierend auf historischen Daten |
title_sort |
trendvorhersage bei ökonomischen zeitreihen mit hilfe der clusterung nach verschiedenen statistischen kriterien basierend auf historischen daten |
publisher |
Universitätsbibliothek Chemnitz |
publishDate |
2008 |
url |
http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200800362 http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200800362 http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/data/Diplomarbeit.pdf http://www.qucosa.de/fileadmin/data/qucosa/documents/5559/20080036.txt |
work_keys_str_mv |
AT hentschkarsten trendvorhersagebeiokonomischenzeitreihenmithilfederclusterungnachverschiedenenstatistischenkriterienbasierendaufhistorischendaten |
_version_ |
1716471971305226240 |