Beginn: Ab sofort
Erstbetreuer: Prof. Dr. Heisenberg
Zweitbetreuer: Prof. Dr. Schaible
Niveau: Bachelor oder Masterarbeit
Problemstellung:
Die Implementierung verschiedener Handelsstrategien wie Mean Reversion, Momentum, Swing Trading, MACD, RSI, Trendlinien und Candlestick-Muster kann zu effektiven Trading-Signalen führen. Diese Strategien bieten unterschiedliche Ansätze zur Analyse von Markttrends und zur Identifizierung potenzieller Handelsmöglichkeiten.
Um die Leistung dieser Strategien zu bewerten, kann man den kumulativen Ertrag (Cumulative Return) berechnen. Dieser Wert gibt an, wie sich das Kapital im Laufe der Zeit entwickelt hat und bietet eine Metrik zur Bewertung der Rentabilität einer Strategie.
Die dazu notwendigen historischen Preisdaten können (teils) kostenfrei über die APIs verschiedener Anbieter heruntergeladen werden (z.b. yfinance).
Möglicher Ansatz:
Eine interessante Herangehensweise besteht darin, verschiedene Kombinationen der oben genannten Strategien zu implementieren und zu backtesten. Hierbei werden historische Finazdaten verwendet, um die Performance der Strategien in der Vergangenheit zu simulieren und zu analysieren, wie sie in verschiedenen Marktbedingungen funktioniert haben. Dies ermöglicht es, die Wirksamkeit und Robustheit der kombinierten Strategien zu bewerten. Nach dem Backtesting kann eine Rangliste basierend auf den kumulativen Erträgen erstellt werden. Diese Rangliste ermöglicht es, die Leistung der verschiedenen Strategien zu vergleichen und diejenigen mit den besten kumulativen Erträgen zu identifizieren. Zusätzlich können Clusteranalysen der kumulativen Erträge durchgeführt werden, um die Ergebnisse der einzelnen Strategien in Abhängigkeit von Marktkapitalisierung, Sektoren, Unterbewertung/Überbewertung, Liquidität und anderen Faktoren zu analysieren. Diese Analyse ermöglicht es, Muster und Zusammenhänge zwischen den Strategien und den verschiedenen Marktbedingungen zu erkennen.
Wenn Sie sich für das Thema interessieren, melden Sie sich gerne jederzeit per E-Mail für ein vertiefendes Gespräch zum Thema. Vorwissen im Finanzbereich ist vorteilhaft aber nicht notwendig. Gute Programmierkenntnisse sind Python sind absolut notwendig. Ein Code-Grundgerüst und erste Implementierungen existieren schon und können weiterentwickelt werden.
Möglicher Ansatz:
Eine interessante Herangehensweise besteht darin, verschiedene Kombinationen der oben genannten Strategien zu implementieren und zu backtesten. Hierbei werden historische Finazdaten verwendet, um die Performance der Strategien in der Vergangenheit zu simulieren und zu analysieren, wie sie in verschiedenen Marktbedingungen funktioniert haben. Dies ermöglicht es, die Wirksamkeit und Robustheit der kombinierten Strategien zu bewerten. Nach dem Backtesting kann eine Rangliste basierend auf den kumulativen Erträgen erstellt werden. Diese Rangliste ermöglicht es, die Leistung der verschiedenen Strategien zu vergleichen und diejenigen mit den besten kumulativen Erträgen zu identifizieren. Zusätzlich können Clusteranalysen der kumulativen Erträge durchgeführt werden, um die Ergebnisse der einzelnen Strategien in Abhängigkeit von Marktkapitalisierung, Sektoren, Unterbewertung/Überbewertung, Liquidität und anderen Faktoren zu analysieren. Diese Analyse ermöglicht es, Muster und Zusammenhänge zwischen den Strategien und den verschiedenen Marktbedingungen zu erkennen.
Wenn Sie sich für das Thema interessieren, melden Sie sich gerne jederzeit per E-Mail für ein vertiefendes Gespräch zum Thema. Vorwissen im Finanzbereich ist vorteilhaft aber nicht notwendig. Gute Programmierkenntnisse sind Python sind absolut notwendig. Ein Code-Grundgerüst und erste Implementierungen existieren schon und können weiterentwickelt werden.
