 Ich darf Sie herzlich zur Kurzvorlesung Ausblick in die Forschung begrüßen. Wie Sie sehen können, sind wir im letzten Teil der Veranstaltung angekommen und es freut mich, Sie auch durch diesen Teil führen zu können. Der relativ kurz ausfallen wird, was möchte ich denn mit Ihnen hier machen? Ich möchte Ihnen eine kurze Themenübersicht geben in die Grenzen der Kapitalmarktforschung, wo mit befassen sich denn die ganzen renommierten Forscher, die global an diesem Thema arbeiten. Was sind Ihre Ziele? Wie ist das Themenfeld denn aufgedröselt? Was sind die Trends und was treibt denn die Forscher um? Welche Fragen sollen und wollen denn geklärt werden? Hier werde ich Ihnen einen groben Einblick geben und zu guter Letzt werde ich Ihnen in die AI und Finance Forschung des Behavioral Accounting und Finance Labs der TH Schaffenburg, zu dem ich selbst gehöre, einen Einblick geben, bevor ich Resümee ziehe und die Veranstaltung beenden werde. Wie gesagt, in diesem Kapitel, in diesem letzten Kapitel soll Ihnen ein kurzer, aber prägnanter Ausblick in die aktuelle Forschung im Rahmen von AI und Finance gegeben werden. Ich werde Ihnen einige Forschungsprojekte des Lehrstuhls in oben genannten Rahmen vorstellen. Unser Lehrstuhl bzw. das Labor unterhält natürlich noch viel mehr Forschungsprojekte. Ich habe mich allerdings auf diejenigen eingegrenzt, die in den Rahmen dieser Veranstaltung passen und letzten Endes ziehen wir Resümee und beenden die Veranstaltung. Ich möchte zunächst einmal beginnen, Ihnen einige Trends in der quantitativen Modellierung, in der Finanzmodellierung, im Quantitative Finance aufzuzeigen und ich beginne hier erstmal mit den Sachen, die wir hier einfach mal ausgrenzen. Das ist der blaue Kasten ganz unten, das sind andere Trends. Es kann hier natürlich klar werden, wenn Sie diese Veranstaltung verfolgt haben, dass diese Konzepte, die wir hier nutzen, nicht nur auf Finanzmärkte anwendbar sind, sondern dass das sehr viele andere Fach- und Themenbereiche ebenfalls sangiert und dass diese Konzepte dort ebenfalls Anwendung finden können. Beispiele sind hier Supply Chain Modelle. Hier kann man Volatilitätsmodellierung in ebenfalls verwenden und stochastische Prozesse und Fluktuationen in Lagerbeständen darzustellen. Es gibt Health Management Systeme, es gibt Green Management und eben die große Economics-Ecke, nenne ich das jetzt mal, die volkswirtschaftliche Modellierung, in dem man eben statt einer Aktie eine ganze Staateninteraktion modellieren kann. Und diese Trends, die grenze ich hier jetzt einfach mal ab. Ich möchte Ihnen zeigen, dass es die gibt. Das heißt, die Welt, in der wir leben hier, ist doch noch viel, viel breiter und größer, wie ich Ihnen das suggeriert habe. Womit ich mich beschäftigen möchte mit Ihnen, ist der obere Teil zunächst einmal in Grün. Wir haben einmal das Behavioral Finance, was sich damit befasst, wie denn der Mensch funktioniert an den Märkten, wie ist die Psychologie der Märkte gestrickt, wie verhalten sich der Menschen, die an den Finanzmärkten oder an den Kapitalmärkten agieren? Sind die rational? Sind die eher weniger rational? Und ja, wer Effekte und Biases greifen hier denn? Hier haben wir auch noch den Teil Neuro Finance, wo eben die Auswirkungen von finanziellen Handelns auf das menschliche Gehirn untersucht wird. Und wir haben den Teil, der uns hier hauptsächlich befasst hat, und zwar die Finanz- und Risikomodellierung, wo es eben darum geht, wie kann ich denn eine Aktie modellieren? Wie kann ich das Risiko adäquat modellieren? Was gibt es denn für Effekte und Möglichkeiten, das darzustellen? Das ist das, was wir in dieser Veranstaltung hier schon ausführlich besprochen haben. Das heißt, wir haben eigentlich zwei Seiten, wir haben einmal das Verhalten der Akteure und wir haben die mathematische Modellierung der Finanzinstrumente auf der anderen Seite. Und wie bringen wir das Ganze denn zusammen? Ich habe hier auch im Rahmen meiner Forschung einen Begriff eingebracht, der nennt sich Crossing Fields. Das heißt, wir überschreiten Forschungsfelder und da möchte ich Ihnen einfach mal drei vorstellen. Wir stellen einmal auf der linken Seite die Psychologie, die eben die Grundlage des Behavioral Finance bildet, weil wir wissen zwar, was Quantitative Finance ist, das haben wir hier gelernt. Das ist die mathematische Modellierung von Finanzinstrumente und finanziellen Aspekten. Aber wir haben auch den Teil, dass sich die Leute an den Börsen oder an den Märkten nicht unbedingt sehr rational verhalten und da spielt eben die Psychologie eine maßgebende Rolle. Und wir entlehnen uns hier den psychologischen Konzepten, um eben im Behavioral Finance auch zu neuen Einsichten zu kommen, wie den Marktakteure sich verhalten, wie sie unter Stress agieren und welche Effekte um Bayer ist, dass hier greifen, wie ich es eben gerade schon mal erwähnt habe. Eins darüber haben wir die sogenannte Ökonophysik. Das ist ein Grenzgebiet zwischen den Wirtschaftswissenschaften und der angewandten Physik. Sie können hier auch angewandte Physik reinschreiben. Ich habe einfach mal direkt das Twitter-Feld genommen, dass sich Ökonophysik tauft und auch unsere ganze Veranstaltung ist eben zum Teil auch Ökonophysik. Wir haben sehr viel physikalische Konzepte und angewandte mathematische Konzepte kennengelernt, die wir auf Finanzmärkte angewandt haben, obwohl sie nicht unbedingt direkt aus den Finanzmarktforschungsfeldern entstanden sind. Das ganze Themengebiet mit angewandten physikalischen und mathematischen Konzepten habe ich hier mal die Ökonophysik zusammengepackt und Sie können sehen, dass halt die Ökonophysik einen sehr starken Einfluss auf die Finanz- und Risikomodellierung hat, nicht so sehr auf das Behavioral Finance, da ist die Psychologie eher dominant, aber Sie sehen, dass wir die Finanz- und Risikomodellierung ökonophysikalische Konzepte durchaus durchschlag finden. Das haben wir auf der anderen Seite der Crossingfields. Wir haben die Informatik, speziell die angewandte Informatik und hier in speziellen zwei Themengebiete zum einen die Data Science Konzepte und AI und ML. Ich habe das jetzt mal in zwei Teile geteilt. Man kann sagen, dass die Datenwissenschaften einen sehr großen Einfluss natürlich auf die Finanz- und Risikomodellierung haben. Wir leben inzwischen in Zeiten von Financial Big Data, indem die Banken und andere Häuser erkennen. Wir können in Tick-by-Tick-Frequenzen Daten erheben und die wollen natürlich auch ausgewertet werden. Da ist es auch so, dass natürlich die Informatik hier eine sehr große Rolle spielt. Weniger als Methodengeber, aber mehr als Geber technischer Möglichkeiten zur Auswertung massiver Datenmengen und zur Möglichkeit der Implementierung dieser ganzen theoretischen Konzepte, die auf der anderen Seite stehen. Natürlich könnte man auch noch einen Pfeil ziehen von Data Science, AI und ML zum Behavioral Finance. Ich habe mich jetzt hier einfach mal auf die Finanz- und Risikomodellierung fokussiert, da das auch der Schwerpunkt dieser ganzen Veranstaltung ist. So können Sie sich mal einen groben Überblick machen, wie denn die Forschungsfelder hier ineinander fließen und die Grenzen werde ich Ihnen im Nachfolgen in Detail vorstellen. Wir beginnen zunächst einmal noch einmal mit der genaueren Erklärung, was ich unter Crossing Fields verstehe, und zwar die Verbindung um Fachgebiet übergreifende Anwendung von Methoden, Modellen und Ideen, um im eigenen Fachgebiet Fortschritte zu erzielen. In der Kapitalmarktforschung oder Quantitative Finance stellt sich hier heraus, dass sich eine starke Kreuzung mit der angewandten Physik, also die Ökonomphysics, angewandte Psychologie im Behavioral Finance und den Computer und Datenwissenschaften, also in der Informatik, Data Science, Artificial Intelligence, Machine Learning Bereich entwickelt hat. Und hier werden beispielsweise signaltheoretische Konzepte mittels Machine Learning Algorithmen auf Finanzmodellierungsprobleme angewandt. Das bedeutet, wir haben verschiedene Fachbereiche, die zunächst einmal überhaupt nichts miteinander zu tun haben. Angewandte Physik hat erst mal relativ wenig mit einer Aktie zu tun und der Bereich der Ökonomphysik bzw. der Quantitative Finance und Risikomodellierung, so wie ich es verstehe, beschäftigt sich damit, eben diese Konzepte miteinander zu verweben und auf neue geartete Problemstellungen anzuwenden. Wenn wir gerade schon von angewandter Physik und der Verquickung mit finanzmarkttheoretischen oder wirtschaftswissenschaftlichen Problemen reden, gehen wir mal beim Crossing Fields auf die Ökonomphysik ein. In der Schnittnänge mit der angewandten Physik lassen sich hier auszugsweise folgende Grenzen erkennen. Wir haben zum einen die Modellierung mittels komplexen, fortgeschrittenen Signalanalysen. Wir haben hier auch eine ganze Vorlesung, so Signaltheorie gehört, beispielsweise Wavelet oder die Fourier-Transformation, die man anwenden kann, um Finanzmarktzeit rein zu analysieren. Wir haben die Turbulenzlehre aus der angewandten Physik, mit der man auch versuchen kann, Finanzzeit rein zu modellieren. Darauf sind wir hier erst gar nicht eingegangen. Das wäre vielleicht ein Thema für einen fortgeschrittenen Kurs, da die Turbulenzlehre in der Physik schon nicht gerade der Revial ist und die Anwendung auf Finanzmarktzeit rein, das Ganze nicht unbedingt einfacher machen. Wir haben noch die nicht linearen dynamischen Systeme, Chaostheorie, die man zur Bestimmung des Naturells von Finanzmärkten verwenden kann. Dazu hören wir später noch ein bisschen mehr und wir können natürlich auch angewandte mathematische Gebiete, die eben aus physikalischen Gebieten und anderen Gebieten zusammengeschnitten wurden, verwenden hier beispielsweise genannt fraktale zur Modellierung von Finanzmarktzeit rein, die man zum Teil auch mit stochastischen Zufallsprozessen verbinden kann. Das heißt, Sie sehen, diese Varietät an Methoden, die ich Ihnen auch im Laufe dieser Veranstaltung vorgestellt habe, sind nicht unbedingt rein Finanzmarkt getrieben, sondern aus der angewandten Physik, der angewandten Mathematik entnommen und ursprünglich für ganz andere Problemstellungen in die Welt gesetzt worden, nenne ich das als Masalopp und wir in der Finanzmarktforschung versuchen eben auch im Rahmen der Ökonomophysik herzugehen und diese physikalischen, mathematischen Konzepte sinnvoll auf Finanzmarktproblematiken anzuwenden. Wenn wir im Crossingfield zu weitergehen, können wir uns auch in der Schnittmenge mit der Psychologie ein wenig aufhalten und zwar in der Schnittmenge mit der Psychologie kann man vor allem das Feld des Behavioral Finance und der Neuro Finance, also in der Schnittmenge auch in der Biologie und die Neurobiologie sehen und hier ist es das Ziel, das menschliche Verhalten auf den Märkten zu beschreiben und in irgendeiner Art und Weise fassbar oder erklärbar zu machen. Grenzen sieht man hier in der Prediction menschlicher Bayes und psychologischer Verhaltensmuster sowie deren Beachtung in quantitativen Modellen und zwar den Einfluss von Marktnachrichten auf das Gehirn und somit die Kauf- und Verkaufsentscheidungen. Also um das zusammenzufassen, die Menschen sind nicht rational. In den klassischen Modellen nenne ich das jetzt mal in dem neoklassischen Denken ist es ja so, wir haben einen Homo Ökonomikos, der ist rational und bedacht und er macht nichts ohne sich Gedanken zu machen und das rational durchzudenken, um jetzt einen neuen Fachbegriff einzuführen. Pustekuchen, die Menschen sind nicht rational und sie werden es auch nie sein. Wir sind alle Opfer von Bayes' Denkfehlern oder Voreingenommenheiten, denen wir uns gar nicht bewusst sind und an den Märkten spiegelt sich das ganz extrem wieder. Die Märkte sind nicht rational und sie werden es auch nie werden und hier ist es eben wichtig, dass man verstehen kann, welche Effekte denn Menschen unterliegen, wenn sie handeln, was passiert denn, zum Beispiel bei Herdeneffekten, wenn eine Panik an den Börsen ausbricht, was passiert denn, wenn ein Händler, egal ob jetzt professionell oder privat, sieht, dass sein Portfolium, sagen wir mal, 80 Prozent einbricht innerhalb von zehn Stunden, was passiert denn dann im Gehirn? Was für biologische, psychologische Prozesse und Muster lassen sich daraus ablesen und letzten Endes kann man das modellieren? Ist es mir als quant möglich, diese psychologischen, neurobiologischen Effekt in ein quantitatives Modell zu gießen? Das ist hier die Quintessenz, nenne ich es mal, diese zwei Dinge einmal zu verstehen, welche Effekte und Beises und welche Prozesse im menschlichen Gehirn denn ablaufen und was für psychologische Verhaltensmuster man erkennen kann und zum anderen den Versuch kann ich das in ein Modell gießen, kann ich das quantitativ nutzbar machen. Kommen wir zum letzten großen Feld, was ich im Crossing Fields Ihnen hier vorstellen möchte und zwar die angewandte Informatik und die Datenwissenschaften. In der Schnittmenge mit der Informatik kann man Vernetzung vor allem in den Bereichen Artificial Intelligence und Data Science erkennen. Natürlich benötigt man auch technische Infrastrukturen um Handelssysteme zu bauen. Man benötigt das ganze Cloud Computing, Server Systeme, komplexe Distributed Systems und so weiter. Also ich lasse jetzt einfach mal diese ganze angewandte technische Seite weg und konzentriere mich mehr auf die methodische Seite, auf die analytische Seite der angewandten Informatik und nicht auf die technischen Infrastrukturen. Die spielen natürlich auch eine Rolle. Es war jahrelang natürlich auch so, dass die Rechenleistung und die technische Infrastruktur nicht so weit war, Methoden und Modelle umzusetzen. Das heißt, hier haben wir definitiv auch eine Grenze bei den technischen Möglichkeiten. Ich möchte hier jetzt aber im Speziellen auf die Artificial Intelligence und das Data Science nochmal eingehen und wir haben immer größere, komplexere und hochfrequentere Datenmengen und die sind für Finanzmärkte eben in Echtzeit verfügbar und können heutzutage mittels neuronalen Netzen und intelligenten Algorithmen ausgewertet werden. Grundlage hierfür, wie ich es gerade schon gesagt habe, ist natürlich die technische Infrastruktur, die in den letzten Jahrzehnten natürlich auch massive Fortschritte gemacht hat und in manchem Bereich immer noch eine Grenze darstellt, die durchbrochen werden möchte. Ich konzentriere mich hier jetzt aber erst einmal auf die Analytik. Das heißt, wir haben inzwischen Datenmengen, Datenmassen und eine Datenqualität, die in der Lage ist, mittels neuronalen Netzen ausgewertet werden zu wollen, um das nochmal runterzubrechen. Neuronale Netzwerke gibt es schon länger, allerdings waren damals die technischen Möglichkeiten nicht da und die Datenmengen dazu auch nicht. Heutzutage haben wir das. Das eröffnet natürlich ganz neue Möglichkeiten, Finanzmarktdaten, Financial Big Data, hochfrequente, komplexe, große Datenmengen, mittels künstliche Intelligenz auszuwerten und hieraus Handelssignale oder andere nette Dinge abzuleiten. Und Grenzen in diesem Gebiet in AI, Data Science und in der Informatik sind eben neben den technischen Restriktionen eben methodisch zu sehen bei evolutionären, intelligenten Systemen, welche mittels artificial intelligence und Machine Learning Algorithmen Predictionen in Big Data Pools selbstständig selbst lernen vornehmen können. Hier ist die Forschung meiner Meinung nach zumindest noch ziemlich am Anfang. Hier ist noch sehr viel Potenzial, was mit diesen ganzen Konzepten auf den Finanzmärkten erreicht werden kann. Und es ist natürlich auch so, dass wir nicht nur diese einzelnen Fachgebiete einzeln betrachten können. Ich habe Ihnen jetzt die Psychologie, die Ökophysik und die Informatik Data Science AI mehr oder minder als Silo vorgestellt. Das muss aber nicht so sein. Wir haben noch eine letzte Kategorie im Crossing Fields und zwar das sogenannte Crossover, Total Crossover. Und was ist das? Und das ist die Kombination vieler dieser Felder. Wir haben jetzt mehrere Fachgebiete einzeln vorgestellt, wie man diese mit den Finanzmärkten verweben kann. Natürlich kann man das auch gleichzeitig tun. Und natürlich gibt es auch Kombinationen vieler dieser Felder und beispielsweise wäre es anzudenken menschliche Verhaltensmuster, Financial Big Data sowie physikalische Modellierungen beispielsweise nicht lineare dynamische Trendmodellierungen in ein großes Selbstlernen des algorithmisches Handelssystem zu geben und somit ein, ich sage sie mal, etwas prophetisch allum fassendes Werkzeug zu schaffen. Das klingt jetzt natürlich so, wenn ich das jemandem erzähle, richtig gut. Das klingt sehr fancy, das klingt sportlich, das klingt nach Potenzial. Es gibt allerdings den einen oder anderen Stolperstein dahin zu gelangen zu dem, was ich gerade gesagt habe. Man hat hier Performance Issues, man hat Rechenleistungsprobleme, man hat die Datenverfügbarkeit, man hat einen großen Kostenfaktor, man hat Berechnungszeiten, empirische Relevanz von Faktoren und so weiter und so weiter. Sie sehen, diese Idee klingt sehr gut, aber die Umsetzung hat doch den einen oder anderen Stolperstein, deswegen sind wir da noch lange nicht, aber der Weg dahin ist zumindest durch den Crossover verschiedener Forschungsgebiete und Felder eröffnet. Das bringt uns jetzt natürlich zur Frage, was für Ziele wird denn in der Kapitarmarktforschung verfolgt? Was ist denn das Anliegen? Warum wird das getan? Und es gibt eigentlich drei große Hauptziele, die sich aus Tausenden von Papers heraus kristallisieren lassen und zwar das ist zum einen das Schaffen eines besseren Verständnisses und das zielt auf eigentlich alles ab. Man möchte verstehen, woher kommen diese Effekte? Wie erzeugen die sich? Was sind stilisierte Fakten? Woher kommen die? Warum sind die da? Wie setzen sich diese Effekte zusammen? Wie interagieren die miteinander? Wie funktioniert dieses ganze System Finanzmarkt denn auf granularer oder makroskopischer Ebene? Also hier ist das Ziel, ein besseres Verständnis dieses ganzen komplexes Finanzmarkt zu schaffen. Ein weiteres Ziel der Forschung ist hier die Erhöhung der Modellperformance bzw. die Fehlerreduktion in den Modellen. Man möchte bessere Modelle schaffen. Man möchte weniger Fehler anfällige Modelle schaffen. Und man möchte natürlich auch Modelle erzeugen, die in der Lage sind, diese umfassende Komplexität, die man noch nicht zu 100 Prozent versteht, auch abbilden zu können. Und daraus lässt sich natürlich ableiten, dass ich auch Modelle erzeugen möchte, die eine bessere Vorhersagekraft besitzen. Wenn ich das ganze System besser verstehe, wenn ich die Fehler reduziere, dann kann ich natürlich auch bessere Vorhersagen machen. Und wenn ich bessere Vorhersagen mache, dann kann es durchaus sein, dass ich auch mehr Geld verdiene oder auch weniger Geld verliere. Das ist so im Kurzen und Ganzen unser Abriss in die große Weltgrenzen der Forschung. Ich möchte jetzt hier nicht tiefer einsteigen, sondern sie mit auf die Reise nehmen und ihnen zeigen, was an ihrer eigenen Hochschule, an der Technischen Hochschule Erschaffenburg denn zum Teil gemacht wird. Ich zeige Ihnen jetzt hier unsere AI und Finanzforschung des Behavioral Accounting and Finance Labs in Auszügen. Und die Auszugsweise über sich der Projekte gliedert sich eigentlich in drei Teile. Einmal Projekte des Labors, dann Masterprojekte der Masterranden, die ich betreuen darf und dann noch eine ganz kurze Abschlussfolie zu meiner eigenen Dissertation. Und wir beginnen zunächst einmal mit dem Laborprojekten, und zwar einmal dem Projekt Vertrauen in künstliche Intelligenz. Das Vertrauen in künstliche Intelligenzprojekt nennt sich eigentlich Auswirkungen von Machine Learning Performance auf die individuelle Vertrauensentwicklung und Entscheidungsperformance. Was hat es damit auf Sicht? Das Projekt untersucht die Auswirkungen der Entscheidungsperformance eines intelligenten Algorithmus auf das Vertrauen von Personen in Entscheidungssituationen und die Fragestellung, welche Bedingungen Vertrauens oder Misstrauensbilden sind. Natürlich ist es so, wir haben hier sehr viel darüber gesprochen, dass wir selbst agierende algorithmische Handelssysteme bauen ohne menschliche Interaktion. Wir sind aber auch ein einziges Mal darauf eingegangen, dass wir auch Entscheidungsunterstützungssysteme bauen können und darauf zielt es abnehmen. Sie sich doch mal das Beispiel, Sie wären CEO eines großen Unternehmens und Sie haben ein AI getriebenes Entscheidungssystem, was Ihnen helfen soll Entscheidungen zu treffen, vertrauen Sie denn Entscheidungen, die eine künstliche Intelligenz Ihnen vorschlägt. Und wenn ja oder wenn nein, unter welchen Bedingungen würden Sie das denn? Und die Problematik ist hier die vermehrte Nutzung von selbstlernten komplexen Systemen, welche auch großen Teils Blackbox-Systeme sind und demnach auch Blackbox-Entscheidungen generieren. Und diese Entscheidungen sind zum Teil exzellent, aber nicht immer ethisch oder moralisch. Und diese moralischen Implikationen können in weiterer Zukunft reputations- oder anderweitig geartete Schäden erzeugen. Natürlich kann eine AI noch nicht absehen, dass die nach mathematischen Regeln getroffene Entscheidung in Zukunft von Menschen als nicht moralisch wahrgenommen wird und zur Torpedierung gewisser Produkte oder Unternehmen führen kann. Soweit ist die AI nicht. Diese Daten hat die AI nicht. Woher soll sie das denn auch wissen? Und die Herangehensweise in diesem Projekt ist jetzt folgende. Es werden Hauptexperimente an Studenten sowie im Unternehmensumfeld durchgeführt. Und hier wird das Vertrauen der Teilnehmenden in KI Empfehlungen getestet, um Rückschlüsse auf das Vertrauensverhalten treffen zu können. Und das Ziel ist hier eben die psychologischen Effekte im Umgang mit der KI zu ergänzen und dazu beizutragen, besser zu verstehen, wie denn ich nenne es jetzt mal Mensch-Maschinen-Interaktion auf Management-Ebene denn stattfinden kann. Wir kommen nun zu den Forschungs-Master-Projekten bei uns im Labor zu den beiden Projekten, die ich persönlich betreuen darf und ich freue mich sehr, ihnen das vorstellen zu können. Wir haben hier zum einen das Thema Informationseinfluss auf Kapitalmarkteilnehmer, genauer gesagt die Analyse des Einflusses von externen Informationen und Kommunikation auf das Verhalten von Markteilnehmern auf Kapitalmärkten. Worum geht es hier denn? Durch ein interdisziplinär gerichteten Ansatz Behavioral Finance Quantitative Finance and Social Media Theory sollen bisher ungeklärte Effekte auf den Finanzmärkten untersucht werden und die Problematik hier ist, dass durch Social Media sowie Instant News in Echtzeit Nachrichten auf den Markt geflutet werden, welche die Akteure eben beeinflussen oder manipulieren können. Wir leben in Zeiten von Donald Trump und Twitter. Wir leben in Zeiten von wirklich Instant News und wir haben ja vorher schon ausführlich im Bereich Psychologie und Behavioral Finance gehört, dass wir Menschen nicht unbedingt rational sind und uns durch Nachrichten beeinflussen lassen können. Das ist ja ein offenes Geheimnis, dass wir uns durch Nachrichten manipulieren lassen können und Ziel dieser Studie eines meiner Masterranten ist hier eben herauszufinden, was für einen Einfluss haben denn diese Instant News, Social Media und Echtzeit Nachrichten auf das Verhalten von Akteuren und schlägt sich das denn im Preis eines Finanzinstrumentes wieder und kann man einen Einfluss dieser Nachrichten auf die Preisbildung feststellen oder nicht. Wie ist hier die Herangehensweise? Die Datengrundlage sind historische Daten der Nachrichtenagentur Refinitiv, also Thomson Reuters und hier nehmen wir zum Beispiel Finanz- und Nachrichtenzeit rein sowie vollständige Textauszüge einzelner Artikel, welche direkt über Python extrahiert und in einer Datenbank gesichert werden. Es werden stetige Renditen, Volatilität und die jeweils infragekommenden Nachrichtenzeit mittels einer Regressionsanalyse untersucht und ebenso sollen ausgewählte Buswords und Substantivsätze sowie ausgewählte Emotionen mit den Renditen in Bezug gebracht werden. Hier wird quasi versucht die Nachrichten mittels NLP zu analysieren, also mittels Natural Language Processing und es wird versucht herauszufinden, haben diese Nachrichten einen Einfluss auf die Renditen von Finanzmarktzeit rein und hierfür wird auf Machine Learning Methoden wie KNN, KNMean, Snave, Bias, Clustering und oder Decision Trees zurückgegriffen und die Evaluierung der Ergebnisse soll später durch Backtests erfolgen und das Ziel des Ganzen ist hier wie gesagt die Feststellung des Einflusses von Marktnachrichten und Social Media auf Kapitalmärkte. Ich habe Ihnen hier das Ganze nochmal grafisch mitgebracht, das ist die Vorgehensweise, die sich mein Masterrand ausgesucht hat. Wir haben hier oben die News, also die Nachrichten, die mit Natural Language Processing verarbeitet werden als Back of Words mit Emotionsmaßgaben und Nound Phrases, die in eine Datenbank gespeichert werden und auf der anderen Seite haben wir eben zum Beispiel Stock Quotes, das heißt, wir haben Aktienreturns, die eben dann insgesamt mit den News in einer Regressionsanalyse vertestet werden sollen und wir haben hier verschiedene Machine Learning Algorithmen, die wir hier anwenden können, Clustering Möglichkeiten, Klassifikationsmöglichkeiten, da haben wir ja in der Vorlesung zu Data Science sehr viel dazu gehört und das Ganze soll eben noch gebacktestet werden. Kommen wir nun zum zweiten Masterranden Forschungsprojekt, was ich betreuen darf. Hier geht es um Wavelet Neural Networks oder genauer gesagt um die Quantitative Finanzmarktanalyse mittels Wavelets und Neuronal Netzen. Worum geht es hier? Es bildet hier die Schnittmenge aus dem Machine Learning der Finanzanalyse und der Signaltheorie, um eben anhand einer Wavelet-Zerlegung mittels Neuronaler Netze eine Vorhersagemodellierung für Finanzmarktzeitreihen zu generieren. Warum macht man das? Was ist die Idee dahinter, die Problematik? Wie ich es in diesem Kurs ja schon ausführlich dargelegt habe, wir haben stylisierte Fakten der Finanzmarktzeitreihen und die erzeugen auf unterschiedlichsten zaebenebenen komplexe Dynamiken, welche nicht trivial zu analysieren sind und Vorhersagen extrem komplex gestalten und es wird hier eben versucht mittels dieser Wavelet Neuronal Netzwerke eine Lösung zu finden. Was ist die Herangehensweise? Die Herangehensweise ist etwas komplexer, deswegen breche ich das jetzt auf die drei Kernpunkte herunter. Zum einen soll eine bereits vorgefertigte Wavelet-Zerlegung einem klassischen Neuronal-Netzwerk als Input gereicht werden, zum zweiten kann man einen klassischen, nicht zerlegten Datensatz einem sogenannten Wavelet Neuronal-Netzwerk als Input reichen und als drittes steht die Determinierung der optimalen Performance über verschiedene Topologien, Aktivierungs- und Wavelet-Funktion zur Prediction im Raum. Ich gehe da jetzt nochmal etwas genauer darauf ein. Man hat zwei verschiedene Möglichkeiten mittels Wavelets und Neuronaler Netze einen Vorkast zu erzeugen. Die erste Möglichkeit ist, ich zerlege meine Finanzzeitreihe in mittels einer Wavelet-Zerlegung vorab. Wie das funktioniert, kann man in der Vorlesung Signaltheorie sich nochmal anhören und ich nehme diese Zerlegung als Input für ein klassisches Neuronales Netzwerk, gegebener Topologie, da kann man verschiedene Topologien testen und die zweite Herangehensweise ist, ich nehme einen nicht zerlegten Datensatz, eine nicht zerlegte Zeitreihe und gebe diese einem sogenannten Wavelet Neuronalen Netzwerk als Input. Was bedeutet das denn? Was ist denn überhaupt ein Wavelet Neuronales Netzwerk? Darauf komme ich gleich noch dazu ein. Ich habe hier noch eine Extrafolie dazu, deswegen möchte ich Sie bitten, sich so lange noch zu gedulden. Und als drittes hat sich mein Masterrand zur Aufgabe gesetzt. Okay, ich habe zwei Herangehensweisen und es gibt mehr wie eine Wavelet Funktion und es gibt mehr wie eine Aktivierungsfunktion und es gibt mehr wie eine neuronale Netztopologie. Welche hier von bietet mir denn die besten Möglichkeiten? Ist es performance technisch besser, die Wavelet-Zerlegung vorab vorzunehmen und einem klassischen Netzwerk zu reichen oder ist es sinnvoller das Netzwerk die Zerlegung selbstständig durchführen zu lassen und welche Kombinationen führen denn zur optimalen Performance in Hinblick auf Netzwerktopologien, Aktivierungs- und Wavelet-Funktionen? Welche dieser Kombinationen liefert mir denn im Hinblick auf Predictionen die optimale Performance? Und das Ziel ist hier eben die Erzeugung eines Wavelet Neuronalen Netzwerkes und Bildung eines universellen Überblicks über die Topologie Wavelet Performance Kombination unterschiedlicher Essels. Das ist natürlich etwas komplexer, deswegen habe ich Ihnen hier nochmal eine Übersicht mitgebracht. Man kann hier eben die klassischen Multi-Layer Perceptron-Modelle für triviale Zeitreihen benutzen. Man kann alternierende Aktivierungsfunktionen testen oder man kann eben alternative Topologien für diese trivialen Zeitreihen benutzen. Man kann die Finanzinputs anpassen. Man kann eben auch neuronale Netze für Multivariate-Finanz-Inputs verwenden und um ein Endstep ahead vorhersage Algorithmus erweitern oder man kann eben diese Wavelet Decomposition für Finanzzeitreihen verwenden und hier gibt es wie gesagt zwei Möglichkeiten. Wir haben ein finales Wavelet Neural Network oder wir haben ein finales Wavelet Decomposition Network. Man kann hier wie gesagt unterscheiden, nehme ich eine Vorabzerlegung und füttere die einem Netzwerk oder lasse ich diese Zerlegung durch das Netzwerk selbst ausführen. Und ich habe die Frage noch nicht beantwortet, was ist denn nun ein Wavelet Neural Network? Wie kann denn ein neuronales Netzwerk diese Zerlegung selbst ausführen? Ich habe Ihnen hier mal eine vereinfachte Schematik mitgebracht. Das bedeutet, wir ersetzen eine klassische Aktivierungsfunktion wie die sigmoidische Aktivierungsfunktion durch eine Wavelet Funktion. Das bedeutet, die Hidden Layer unseres Netzwerkes sind Wavelet Funktionen, die hier es Aktivierungsfunktion eingesetzt. Ich wiederhole nochmal kurz das Ziel, dass mein Masterand hier verfolgt, das Ziel ist es herauszufinden, welche Wavelet Funktion mit welchem neuronalen Netz oder welche Vorabzerlegung mit welcher Aktivierungsfunktion welches neuronalen Netz es am besten zur Vorhersage gewisser Assets geeignet ist. Ich bin sehr stolz darauf, dass ich diese beiden Masterand Projekte betreuen darf und ich möchte nun zum Abschluss des Forschungsausblickes und auch zum Abschluss der Veranstaltung noch ganz kurz eine einzige Folie zu meiner eigenen Dissertation vorstellen, die sich mit dem Themenkomplex Finanz- und Risikomodellierung und Chaos Theorie befasst. Was ist das denn? Was tue ich denn da? Ich habe Eingangs in der Veranstaltung ja erwähnt. Es gibt ja sogenannte Crossing Fields, das heißt die Kombination verschiedener Forschungsbereiche und Forschungsfelder, um eben neue Erkenntnisse zu gewinnen. Und meine Dissertation beschäftigt sich hier mit der Schnittmenge aus der angewandten Physik, das heißt der Ökonophysik, der künstlichen Intelligenz und in Datenwissenschaften sowie der quantitativen Finanzmarktforschung. Und wie ist denn hier das Ziel? Was möchte ich denn mit dieser Dissertation erreichen? Zum einen möchte ich einen Überblick schaffen über klassische Finanz- und Risikomodellierung und die stilisierten Fakten, die eben den Finanzmärkten inherent sind. Da haben Sie ja schon in den Vorlesungen, die ich Ihnen hier dargereicht habe, einige Ausschnitte erhalten. Darauf aufbauen möchte ich einen Überblick schaffen über nicht lineare dynamische Systeme und chaos theoretische Modellierungen an den Finanzmärkten. Was wurde da bisher gemacht? Was ist der Forschungsstand auf den Finanzmärkten Hinblick auf nicht lineare Dynamiken und chaos theoretische Ansätze und aus der Schnittmenge dieser beiden Felder? Also was bieten mir klassische Finanz- und Risikomodellierungen? Wie weit stehen denn nicht lineare dynamische Systeme und chaos theoretische Modellierungen? Möchte ich eine gesamtempirische Validierung ansetzen, die analog zum Projekt der Wavelet Neural Networks einen gesamtheitlichen Überblick anhand großer Datensätze darlegt? Und ich möchte eine generalisierte Feldstudie durchführen. Das bedeutet, ich möchte das Beste aus beiden Welten zusammenbringen. Welche klassischen Finanz- und Risikomodellierungskonzepte in Kombination mit stilisierten Fakten, nicht linearen Dynamiken und chaos theoretischen Modellierungen führen denn zu besseren Vorhersagen. Und ich möchte grundlegend die Frage klären, gibt es denn Chaos auf den Finanzmärkten? Und wenn ja, wie verhält sich das? Die grundlegende Überlegung meiner Dissertation war vorher herauszufinden, ob denn Finanzmärkte chaotische Systeme sind ja oder nein, bevor es darum geht, ein weiteres Vorhersagemodell zu erzeugen. Meine Herangehensweise wäre erst die Fragestellung zu klären, haben wir Chaos auf den Finanzmärkten, mathematisches Chaos und je nachdem, wie sich diese Fragestellung eben beantwortet, sich dann zu überlegen, welche Vorhersagemodelle können denn Predictionen überhaupt vornehmen? Gebietet ist das Chaos, denn sollte es vorliegen, überhaupt Vorhersagen anstellen zu können und wie genau kann man da denn vorgehen? Das führt dann auf lange Frist gesehen nicht im Sinne meiner Dissertation, aber auf lange Sicht zu den Big Goals, die ich hier mal noch an die Seite geschrieben habe, eine Essenz über die grundlegendsten quantitativen Mechaniken von Kapitalmärkten zu erhalten, wie funktionieren denn Finanz- und Kapitalmärkte in ihrer tiefsten Essenz? Und das kann man natürlich dann verdichten in eine Kreierung einer generalisierten Einheitstheorie der Finanz- und Kapitalmärkte, die die quantitativen Mechaniken vereinheitlicht. Ich habe das hier jetzt mal als creation of a generalized unit theory zusammengefasst. Ob sich nun der Traum einer generalized unit theory jemals bewahrheiten wird, das steht natürlich in den Sternen. Ich bin jetzt für meinen Teil mit der Vorstellung der Forschungsprojekte unseres Labors fertig. Ich würde noch gerne resümee ziehen. Was haben wir denn in dieser Vorlesungsreihe gelernt? Wir haben angefangen und uns überlegt, was ist denn überhaupt eine Zeitreihe? Was sind Zufallsvariablen? Was sind stochastische Prozesse? Wie kann ich diese statistisch auswerten? Wie funktionieren Finanzmärkte? Was gibt es auf den Finanzmärkten für Effekte? Was sind denn Fraktale? Was steckt da dahinter? Wie kann ich mit Python diese Dinge abbilden? Was ist Signaltheorie? Was steckt dahinter der angewandten Physik? Was ist Data Science? Was ist Machine Learning? Was sind deep neural networks? Darüber haben wir gesprochen. Was sind denn eigentlich Algorithmen? Was ist der Handel? Wie sieht die Bankenregulierung aus? Und wie kann ich denn einen Schritt in die Forschung gehen? Also Sie sehen, wir haben ein sehr breites Feld hier abgearbeitet. Hiermit sind wir offiziell am Ende dieser Vorlesung und wir sind auch offiziell am Ende dieser Veranstaltung. Ich bin sehr stolz darauf diese Veranstaltung abgehalten zu haben. Ich bin sehr froh, dass Sie teilgenommen haben. Ich hoffe sehr, dass Sie etwas gelernt haben. Ich hoffe sehr, dass Ihnen dieses Veranstaltungsformat zugesagt hat und ich habe Ihnen hier nochmal unsere Kontaktdaten aufgeführt für diejenigen, die weiteres Interesse in unserem Labor oder an meiner eigenen Person haben. Ich bin sehr gerne für Austausch zu haben, wenn Sie Anregungen zu dieser Veranstaltung haben, wenn Sie Fragen haben. Schreuen Sie sich nicht, uns zu kontaktieren. Ich bedanke mich hier nochmals und wünsche Ihnen auf Ihrem weiteren Weg alles, alles Gute.