Maschinelles Lernen zur Analyse und Simulation von Finanzzeitreihen

Methoden des maschinellen Lernens werden in vielen Bereichen unseres täglichen Lebens genutzt. Die Gebiete der Bild- und Spracherkennung sind zwei Beispiele, in denen selbstlernende Modelle zum Einsatz kommen. In dieser Arbeit wenden wir maschinelle Lernmodelle zur Analyse von Finanzzeitreihen aus dem Bereich des Bausparwesens an. Wir konzentrieren uns auf die Modelle der Entscheidungsbäume, Zufallswälder, Support Vector Machines und insbesondere der neuronalen Netze. Unsere Analysen basieren auf dem Verhalten einzelner Bausparkunden. Anhand derer Aktionen bezüglich ihrer Bausparverträge erkennen die Modelle Muster, welche auf andere Verträge übertragen werden können. Dadurch können wir Einzelvertragssimulationen durchführen, welche sich zu einer Simulation des Bausparkollektivs zusammenfassen lassen. Der Vorteil der maschinellen Lernmethoden ist die Fähigkeit verschiedene Faktoren, insbesondere aus externen Quellen, einzubeziehen, aus welchen das Lernprogramm selbstständig Zusammenhänge erkennt. Aus diesen Analysen können wir wichtige Rückschlüsse auf die Verhaltensweisen von Bausparkunden ziehen. Anhand realer Daten wird die Anwendbarkeit der vorgestellten Methoden überprüft. Zudem bestimmen wir das am besten geeignete Modell bezüglich der Analyse und Simulation der relevanten Finanzzeitreihen.