In dieser Arbeit werden geeignete Verfahren für die Prognose des Tradingerfolgs im Forex- und CFD-Trading präsentiert. Es wird untersucht, welches Machine-Learning-Verfahren am geeignetsten ist, zu prognostizieren, ob Trader wahrscheinlich erfolgreich oder wahrscheinlich nicht erfolgreich sein werden. Auf Grundlage einer vorliegenden Stichprobe eines Brokers (2.795 Trader mit ca. 1,2 Mio. Trades) werden die Verfahren logistische Regression, Entscheidungsbaum und künstliche neuronale Netze mit Daten über Trader und ihren individuellen historischen Tradingerfolg trainiert. Die höchste Ergebnisgenauigkeit und die höchste Flexibilität in der Anwendung kann mit dem Verfahren künstliche neuronale Netze erreicht werden. Für die Verfahren logistische Regression und Entscheidungsbaum zeigen sich Vorteile in Bezug auf die Interpretation und den Ressourcenaufwand. Die Prognose des Tradingerfolgs mittels Verfahren des Machine-Learning versetzt Broker in die Lage, ihr Risikomanagement zu optimieren.
Medium erhältlich in:
2 Business & Law School - Campus Hamburg,
Hamburg
Serie / Reihe: BSP Campus Hamburg Schriftenreihe Betriebswirtschaft 2
Personen: Engelhardt, Jan-Frederik Elges, Tim
Engelhardt, Jan-Frederik:
Den Erfolg von Tradern mittels Machine-Learning klassifizieren : Studie am Beispiel von Forex- und CFD-Tradern durch Supervised Learning Klassifikationsverfahren / von Jan-Frederik Engelhardt und Tim Elges. - Berlin : HPB University Press, 2020. - 58 Seiten. - (BSP Campus Hamburg Schriftenreihe Betriebswirtschaft; 2)
ISBN 978-3-7531-2429-2
Mathematik. Statistik. Ökonometrie. Unternehmensforschung - Signatur: QH 500 E57-01 - Buch