Detailansicht

Naive Bayes Investing
Patricia Wöber
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Betriebswirtschaft
Betreuer*in
Christian Keber
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.71181
URN
urn:nbn:at:at-ubw:1-13207.86146.719843-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Diese Masterarbeit versucht unter Zuhilfenahme des Naive Bayes Klassifikators auf zwei unterschiedlichen Aktienmärkten, dem deutschen (DAX) sowie dem amerikanischen (S&P 500), die Rendite dieser Benchmarks im Betrachtungszeitraum 2004 bis 2019 zu übertreffen. Die Handelsentscheidungen werden basierend auf den a-posteriori Wahrscheinlichkeiten, abgeleitet auf Basis des Naive Bayes Klassifikators, getroffen. Den zweiten wesentlichen Eckpfeiler der entwickelten Strategie „Naive Bayes Investing“ bilden volkswirtschaftliche Indikatoren. Diese wurden aufgrund ihrer in der Literatur vielfach analysierten Interdependenzen mit dem Aktienmarkt als Inputfaktoren für den Naive Bayes Klassifikator und die Ableitung der Handelssignale ausgewählt. Aus einer Long List an volkswirtschaftlichen Indikatoren, die jeweils gesondert für den deutschen als auch amerikanischen Aktienmarkt abgeleitet wird, finden allerdings nur jene Indikatoren Eingang in Handelsentscheidungen, welche ausgewählte relevante statistische Kriterien erfüllen. Hinsichtlich des Erfolgs der Strategie im Hinblick auf die Erzielung von Überrenditen im Vergleich zu den Benchmarks ergeben sich divergierende Ergebnisse. Während es beim DAX nicht gelang sich besser als der Markt zu stellen, zeigt sich beim S&P 500 ein gänzlich anderes Bild, da erhebliche Überrenditen erzielt werden konnten. Ausgangspunkt zukünftiger Analysen könnte der Versuch sein, ein einheitliches Set an Inputvariablen zu finden, das eine Kombination aus makroökonomischen und technischen Indikatoren gleichermaßen berücksichtigt, und auf eine Vielzahl von Märkten anwendbar ist.
Abstract
(Englisch)
With the help of the Naive Bayes classifier, this master thesis attempts to generate a trading strategy that outperforms the returns of two selected stock markets, the German (DAX) and the American (S&P 500) stock market, over a period ranging from 2004 to 2019. Trading decisions are made based on the a-posteriori probabilities derived based on the Naive Bayes classifier. Essential input parameters of the developed strategy "Naive Bayes Investing" are macroeconomic indicators. These were selected as input factors for the Naive Bayes Classifier and the derivation of trading signals due to their interdependencies with the stock market as widely discussed in literature. From a long list of economic indicators, which is derived separately for the German and American stock market, only those indicators that fulfil selected relevant statistical criteria are used in the derivation of trading decisions. With regard to the success of the strategy in terms of achieving excess returns compared to the benchmarks, divergent results emerge. While the generated trading strategy did not succeed in outperforming the DAX (German market), it was effective for the S&P 500 (American market), as significant excess returns were achieved. The starting point for future analyses could be the attempt to derive a uniform set of input variables that takes a combination of macroeconomic and technical indicators into account which are applicable to a large number of markets.

Schlagwörter

Schlagwörter
(Deutsch)
Naive Bayes Handelsstrategie S&P 500 DAX makroökonomische Indikatoren Klassifikator
Schlagwörter
(Englisch)
Naive Bayes investing S&P 500 DAX economic indicators classifier
Autor*innen
Patricia Wöber
Haupttitel (Deutsch)
Naive Bayes Investing
Publikationsjahr
2021
Umfangsangabe
v, 116 Seiten : Illustrationen
Sprache
Deutsch
Beurteiler*in
Christian Keber
Klassifikation
85 Betriebswirtschaft > 85.99 Betriebswirtschaft: Sonstiges
AC Nummer
AC16541484
Utheses ID
61718
Studienkennzahl
UA | 066 | 915 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1