Stockpulse
Forschungsschwerpunkt
Kursbeeinflussende Stimmungen und Trends für den Aktienmarkt sind zunehmend Gegenstand von Social Media – und sind damit messbar geworden. Ziel des Forschungsschwerpunktes ist die Analyse und der Nachweis eines Zusammenhangs der Kommunikation in Social Media und der Entwicklung von Aktienkursen. Modellhafte Erkenntnisse sollen insbesondere für die Vorhersage von Aktienkursen genutzt werden. Der Forschungsschwerpunkt ist ein Beispiel für das relativ neue Gebiet „Social Forecasting“.
Unsere Vorgehensweise
Wir durchforsten mittels sogenannter Web-Crawler das Internet weltweit nach Nachrichten, Tweets, Forenbeiträgen, Kommentaren und Meinungen der Marktteilnehmer. Dabei spielen die automatische Analyse von Texten und Kommunikation hinsichtlich ihrer positiven oder negativen Stimmung (Sentiment Analyse) sowie Data-Mining Technologien eine große Rolle.
Erfassung der Börsenstimmung
Ein zentraler Bestandteil des Forschungsschwerpunktes ist die Sentiment Analyse. Mittels einer speziell für den Finanzmarkt angepassten und automatischen Textanalyse erkennen unsere Algorithmen die Tonalität in den Nachrichten. Mit anspruchsvollen Datenanalyseverfahren, wie z.B. Support Vector Machines, Bag-of-Words Ansätzen und Part-of-Speech Tagger strukturieren unsere Programme die Nachrichten in positive und negative Kategorien. Spam und irrelevante Informationen werden dabei ausgefiltert und die Beiträge nach Meinungsführern und Followern gewichtet. Die Textanalyse ist kontextspezifisch und auf die besondere Terminologie des Finanzmarktes angepasst. Das auf diese Weise berechnete Sentiment für Aktien liefert Indikationen für die Entwicklung der Kurse und kann auf verschiedene Arten visualisiert werden.
Anwendung der Erkenntnisse
Wir verfügen inzwischen über eine mehrjährige Datenhistorie, die es ermöglicht, umfangreiche Tests von alternativen Trading-Strategien und Modellrechnungen auf der Basis der Kommunikationsdaten durchzuführen. Mit verschiedenen Programmen und Optimierungsalgorithmen können wir die Kommunikation über Aktien, Indizes oder Währungen aus der Vergangenheit mit der tatsächlichen Kursentwicklung vergleichen und somit mit hoher Zuverlässigkeit kursbeeinflussende Muster identifizieren. Wir verwenden hierfür unter anderem Neuronale Netze, Rule Induction und Decision Tree-Ansätze.
