Verzeichnis der Abschlussarbeiten

Der Aktienmarkt zeichnet sich durch eine hohe Komplexität aus, wodurch Handels Entscheidungen oftmals ineffizient gesteuert werden. KI bietet das Potenzial, den Handel durch algorithmische Systeme zu optimieren. Diese Arbeit untersucht, ob KI erfolgreich im Aktienhandel eingesetzt werden kann und welche Herausforderungen dabei auftreten und analysiert, ob die Möglichkeit besteht, mit einem KI-basierten Handelssystem beim Handeln von Aktien einen monatlichen Gesamtgewinn von 5 % in Bezug auf das anfänglich verwendete Startkapital zu erzielen, ohne die aufgewendete Arbeitszeit für die Erstellung des Systems zu berücksichtigen. Um die Forschungsfrage zu beantworten, wurden die Daten der Aktienmärkte in ein Python DataFrame geladen, bereinigt und Features verarbeitet sowie die Modelle trainiert. Dabei werden 70% der ausgewählten historischen Daten für das Training eingesetzt, während die verbleibenden 30% zur vorläufigen Validierung und Genauigkeitsprüfung verwendet werden. Mit den Ergebnissen des Train-Test-Splits wurden die am besten performenden Features ausgewählt und vorläufige Einstellungen für die Hyperparameter getroffen. Nach Abschluss dieser Testphase ist die KI in der Lage, Prognosen für Aktienkurse zu entwickeln, und die nächste Analysemethode, die Walk-Forward-Analyse, wurde initialisiert. Dabei handelt es sich um eine realistische Handelsumgebung, die eine fundierte Grundlage für den Echtzeithandel bietet. Die Ergebnisse aus dem Backtesting liefern eine Einschätzung über die reale Performance des Systems, mithilfe derer die Hyperparameter leicht angepasst werden können. Nach Anpassung der internen Einstellungen des Modells wurde mit dem Paper-Trading fortgefahren und die KI ohne Einsatz von echten Geldmitteln in einer Börsenumgebung getestet. Dabei wurde einen Monat lang mit Echtzeitdaten getestet und evaluiert, ob das Ziel eines Gewinns von 5% erreicht wurde. Die Auswertung erfolgt über eine Gewinn- und Verlustrechnung, bei der ausschließlich der imaginäre Kapitaleinsatz zu Beginn des Monats berücksichtigt wird. Weitere Kosten werden in der Auswertung nicht berücksichtigt!

The stock market is complex, which often leads to inefficient trading decisions. AI offers the potential to optimize trading through algorithmic systems. This work examines whether AI can be successfully employed in stock trading, what challenges arise in the process, and analyzes whether it is possible to achieve a monthly total profit of 5% relative to the initially invested starting capital using an AI-based trading system for stock trading, without considering the time invested in developing the system. To answer the research question, stock market data was loaded into a Python DataFrame, cleaned, and features were processed, as well as models trained. 70% of the selected historical data is used for training, while the remaining 30% is used for preliminary validation and accuracy testing. Using the results of the train-test split, the best-performing features were selected and preliminary settings for the hyperparameters were established. After completion of this testing phase, the AI is capable of developing predictions for stock prices, and the next analysis method, walk-forward analysis, was initialized. This represents a realistic trading environment that provides a solid foundation for real-time trading. The results from backtesting provide an assessment of the system's real performance, with the help of which the hyperparameters can be easily adjusted. After adjusting the internal settings of the model, paper trading was continued and the AI was tested in a stock market environment without using real money. Testing was conducted for one month using real-time data to evaluate whether the target of 5% profit was achieved. The evaluation is conducted through a profit and loss calculation, where only the imaginary capital investment at the beginning of the month is considered. Additional costs are not considered in the evaluation.