© unsplash/@markuswinkler

© unsplash/@markuswinkler
Banken & Versicherungen

Aktienhandel basierend auf Stimmungs­analyse

Hintergrund

Die Aktienkurse börsennotierter Unternehmen werden von Bankanalysten beeinflusst, die die Finanzkennzahlen und die Investor-Relations-Kommunikation eines Unternehmens bewerten. Analysten und Journalisten veröffentlichen ständig Artikel und Berichte, um die Leistung des Unternehmens auf dem Markt zu bewerten und mit der Konkurrenz zu vergleichen. Nach dem vierteljährlichen Gewinnbericht bewerten Analysten und Journalisten, ob der Aktienkurs des Unternehmens noch angemessen ist oder ob er unter- oder überbewertet ist und ob das Unternehmen die Markterwartungen erfüllt hat.

Herausforderungen

Wenn Unternehmen Ad-hoc-Mitteilungen oder Jahresabschlüsse veröffentlichen, untersuchen (potenzielle) Investoren Artikel und Analystenberichte, um festzustellen, ob eine Arbitragemöglichkeit besteht, d.h. ob die Aktie unter- oder überbewertet ist. Scheinbare Arbitragemöglichkeiten verschwinden jedoch schnell, da professionelle Aktienhändler innerhalb kurzer Zeit reagieren, um Gewinne zu erzielen. Es ist daher von entscheidender Bedeutung, die Auswirkungen von Nachrichten auf die Aktienkurse innerhalb von Sekunden oder sogar noch weniger zu bewerten, um aus Arbitragemöglichkeiten Kapital zu schlagen.

Lösungsansatz

Die Stimmungsanalyse ist eine Machine Learning Technik, mit der Texte in verschiedene Klassen von Stimmungen eingeteilt werden, die der Autor beim Schreiben des Textes mit sich trug. Die einfachste Form ist eine Einteilung in "positiv", "negativ" oder "neutral". Ausgefeiltere Algorithmen klassifizieren den emotionalen Zustand (z.B. "wütend") oder das Ausmaß der Empfindung (z.B. auf einer Skala von 1 bis 5). Zu den für die Stimmungsanalyse verwendeten Algorithmen gehören Naive Bayes Regression, Support Vector Machine (SVM) oder tiefe neuronale Netze für anspruchsvollere Aufgaben.

Passende Case Studies

Natural Language Processing

Rechtliche Überprüfung von Mietverträgen

Mit Hilfe verschiedener Methoden aus dem Bereich NLP entdeckt diese Software Fehler in Verträgen.
Unsere Lösung

Diese Webinare könnten Sie interessieren

Semantische Suche und Verstehen von natürlichem Text mit Neuronalen Netzen: BERT

In diesem Webinar erhalten Sie eine Einführung in die Anwendung von BERT für die semantische Suche anhand einer realen Fallstudie: Jedes Jahr interagieren Millionen von Bürgern mit Behörden und werden regelmäßig von der dort verwendeten Fachsprache überwältigt. Wir haben das BERT erfolgreich eingesetzt, um mit Hilfe von umgangssprachlichen Abfragen aus Regierungsdokumenten die richtige Antwort zu liefern - ohne dabei Fachbegriffe in den Abfragen verwenden zu müssen.

Konrad Schultka

Machine Learning Scientist

Jona Welsch

Machine Learning Scientist

Rekurrente neuronale Netze: Wie Computer lesen lernen

Das Webinar gibt eine Einführung in die Funktionsweise von RNNs und veranschaulicht deren Einsatz an einem Beispielprojekt aus dem Bereich der Legal Tech

Fabian Gringel

Machine Learning Scientist