Beginn: Ab sofort

Erstbetreuer: Prof. Dr. Heisenberg

Zweitbetreuer: Prof. Dr. Schaible (F10)

Niveau: Bachelorarbeit

Problemstellung: Optionen und strukturierte Derivatestrategien spielen in modernen Kapitalmärkten eine zentrale Rolle. Gleichzeitig steigt die Verfügbarkeit von Marktdaten über Broker- und Marktdaten-APIs deutlich, sodass datengetriebene Werkzeuge zur Analyse von Option-Chains zunehmend an Bedeutung gewinnen. Klassische Optionsübersichten stellen häufig nur Rohdaten tabellarisch dar, ohne diese systematisch zu filtern, zu bewerten oder interaktiv aufzubereiten.
Zielgerichtete Entscheidungen erfordern jedoch die gleichzeitige Berücksichtigung mehrerer Merkmale wie Moneyness, Restlaufzeit, implizite Volatilität, Liquidität, Open Interest, Bid-Ask-Spread, Greeks sowie ereignisbezogene Informationen (z. B. Earnings, Dividenden oder Makrotermine). Gerade für Screening- und Ranking-Zwecke bietet sich daher die Entwicklung eines modernen analytischen Werkzeugs an, das Marktdaten automatisiert beschafft, relevante Kennzahlen berechnet und interessante Kontrakte oder Strategien strukturiert sichtbar macht.
Im Rahmen dieser Arbeit soll ein moderner Option-Chain Screener entwickelt werden, der Daten über eine API beschafft, aufbereitet und durch geeignete Ranking- bzw. Filtersysteme auswertet. Zusätzlich soll eine interaktive Visualisierung mit Streamlit umgesetzt werden, mit der Nutzer Optionsketten explorieren, Filter setzen und Ergebnisse visuell analysieren können.

Ziel der Arbeit:
Ziel der Arbeit ist die Konzeption und Implementierung eines prototypischen Systems zur Analyse und Bewertung von Option-Chains. Der Screener soll relevante Kennzahlen automatisiert berechnen, Kontrakte anhand definierter Kriterien ranken und die Ergebnisse in einem interaktiven Streamlit-Dashboard visualisieren.

Vorgehensweise:

• Auswahl und Anbindung einer geeigneten API zur Beschaffung von Options- und Marktdaten
• Implementierung einer Datenpipeline zur Verarbeitung von Basiswert, Strike, Laufzeit, Prämie, impliziter Volatilität, Open Interest, Volume und Bid-Ask-Spread
• Berechnung und Analyse relevanter Kennzahlen wie Break-Even, Moneyness, Annualized Return, Wahrscheinlichkeitsmaße und Greeks
• Entwicklung eines Ranking- und Filtersystems für interessante Optionskontrakte und einfache Strategien
• Berücksichtigung zusätzlicher Einflussgrößen wie Dividenden, Earnings-Termine oder Marktsentiment
• Konzeption und Umsetzung einer interaktiven Visualisierung mit Streamlit zur Exploration und Bewertung der Ergebnisse
• Evaluation des entwickelten Prototyps anhand ausgewählter Basiswerte und realistischer Use Cases

Voraussetzungen:
Gute Kenntnisse in Python und Datenanalyse werden vorausgesetzt. Interesse an Finanzmärkten, Zeitreihen- bzw. Marktdaten sowie idealerweise erste Erfahrungen mit APIs, Datenvisualisierung oder Streamlit sind von Vorteil.