Künstliche Intelligenz (KI) ist wahrscheinlich die letzte große Erfindung der Menschheit. Der ,Digitale-Tornado‘- als Sinnbild für die rapide und disruptive Transformation von Prozessen und Geschäftsmodellen durch die Digitalisierung – wirft ganze Ertragsmodelle um. „Banking is necessary, banks are not“ postuliert Bill Gates bereits im Jahr 1994 die Veränderung der Finanzwelt.1 Heute übernehmen immer mehr digitale Lösungen durch sog. ,Robo-Advisors‘ die klassische Anlageberatung und immer mehr algorithmengesteu- erte Fonds ersetzen den Menschen als Vermögensverwalter. Heute werden 93% des weltweiten Handelsvolumens an den Finanzbörsen von Algortihmen umgesetzt.2 Die Entwicklung neuer ,Deep Learning‘-Verfahren und dem historischen 4-zu-1 Sieg der Google-KI DeepMind im Spiel AlphaGo gegen den weltbesten Spieler im Jahr 2016, haben den Trend zur KI-Forschung im Fachgebiet ,Computational Finance‘ bestärkt.3 ,Maschinelles Lernen‘ (ML) wird als Schlüsseltechnologie für die Optimierung von Investmentprozessen eingesetzt. ML-Algorithmen klassifizieren Satellitenbilder, sagen anhand von Twitter-Nachrichten die Aktienkurse voraus oder entdecken nach der Aus- wertung von über 90 000 täglichen Kreditkartentransaktionen den nächsten Trend.4 „Robo-Trading“ ist eine Bezeichnung für den Trend zur vollständigen Automatisierung von Investmentprozessen mittels KI. Die KI-Forschung im Investment konzentriert sich auf die Bereiche: Finanzportfoliooptimierung, Vorhersage zukünftiger Marktpreise und Trends, Sentiment-Analyse sowie den Einsatz von kombinierten Wissenschaften und KI- Methoden.5 In der vorliegenden Arbeit wird der Einsatz von KI im Börsenhandel unter- sucht und der aktuelle Forschungsstand wiedergegeben. FOM Hochschule für Oekonomie & Management Hochschulzentrum Hamburg Bachelor-Thesis von Steven Sperling im Studiengang Wirtschaftsinformatik zur Erlangung des Grades eines Bachelor of Science (B.Sc.) über das Thema Robo Trading - Aktueller Forschungsstand über die Anwendbarkeit von Künstlicher Intelligenz im Börsenhandel von Steven Sperling 11.06.2022

1. Mehr als 35% des Anlagevermögens von US-Fonds
werden von Maschinen verwaltet.
Während 24% allein von Menschen verwaltet wird.1
1) Vgl. Jansen, S. (2020) - Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading
strategies with Python, 2nd Edition. (S. 8) 1 / 10

2. 5 der 6 größten Hedgefonds treffen Anlageentscheidung
ausschließlich oder zumindest größtenteils auf Basis der
Empfehlungen von Computern.2
2) Vgl. Institutional Investor (2018) - The Hedge Fund 100: Quant Funds Excel —at Asset Gathering
https://www.institutionalinvestor.com/article/b19dxvr2pvgjq2/The-Hedge-Fund-100-Quant-Funds-Excel-at-Asset-Gathering 2 / 10

3. Guggenheim Partners hat einen Supercomputer für
1 Millionen US-Dollar in der Berkeley Lab für die Berechnung
von quantitative Investment-Prozessen einrichten lassen.
– Stromkosten pro Jahr: ca. 1 Millionen US-Dollar3
3) Vgl. Jansen, S. (2020) - Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading
strategies with Python, 2nd Edition. (S. 9) 3 / 10

4. Robo-Trading
Untersuchung der Anwendbarkeit von Künstlicher
Intelligenz für den automatisierten Börsenhandel
Seminar zur Bachelor-Thesis
Dozent: Prof. Dr. Martin Münstermann
Präsentation von Steven Sperling
4 / 10

5. Inhalt // Bearbeitungsstand der Thesis
1. Zielsetzung
2. Gliederung
3. Methodik und Quellen
4. Herausforderungen und Lösungen // Diskussion
5 / 10

6. 1. Zielsetzung
Zielsetzung: Art und Weise des Einsatzes von KI- bzw. ML-Verfahren
und Methoden im Börsenhandel darzulegen.
- Welche Algorithmen/ Mathematischen Methoden?
(z.B. k-Means-Algorithmus, Regressionsanalyse, …)
- KI/ ML-Verfahren?
(z.B. Supervised / Unsupervised learning / Deep Learning/ Sentimentanalyse)
KI/ ML-Verfahren?
- Technische Umsetzung
(Welche Programmiersprache, z.B. Python? Welche Bibliotheken, Datenquellen etc.)
6 / 10

7. 2. Gliederung (Grobgliederung)
1. Einleitung
1.1 Zielsetzung
1.2 Aufbau und Methodik
2. Grundlagen
2.1 Künstliche Intelligenz
2.2 Börsenhandel
2.3 Technische Umsetzung // Datenquellen, Python, Bibliotheken
3. Hauptteil
3.1 Anwendungsfälle von ML im Börsenhandel
3.2 Risikomanagement mit Supervised Learning
3.3 Aktienkursvorhersage mit Unsupervised Learning
3.5 Handelssignale durch Sentimentanalyse erkennen
3.4 Robo Trading mit Reinforcement Learning
4. Schlussbetrachtung
4.1 Fazit
4.2 Ausblick
7 / 10

8. 3. Methodik und Quellen
Methodik: Quantitative Forschung, Literaturrecherche,
Empirische Forschung
8 / 10

9. 4. Herausforderungen und Lösungen // Diskussion
• erhöhter Zeitaufwand bei Literaturrecherche, weil fast ausschließlich englische
Fachliteratur (Finance + AI/ ML = Fachbegriffe).
• KI ist ein schwieriges Thema, weil Mathematik / Mathematische Formeln und
Modelle. (siehe: Grundkurs Künstliche Intelligenz von Wolfgan Ertel)
• Unsicherheit bei Zielsetzung; Gefahr des Ausschweifens bzw. Die Zielsetzung zu
verfehlen.
• O’Reilly- und Packt Verlag zitierwürdig?
• Hemnisse festzulegen: Breiten- oder Tiefenanalyse? Wie tief sollte man gehen?
9 / 10

10. Vielen Dank für Ihre Aufmerksamkeit!
Haben Sie noch Fragen?
10 / 10