Open Access

Lennard Feuerbach

• Im Bereich der Sprachmodelle existieren Methoden zur Analyse und Bewertung menschlicher Texte in Form eines Sentiment-Score, der die positive oder negative Stimmung eines Textes bewertet. Im Finanzsektor können solche Modelle auf Aktiennachrichten angewendet werden, um auf Basis dieses Sentiment-Scores Entscheidungen über den Kauf oder Verkauf von Aktien zu treffen. Allerdings birgt die Fokussierung auf die Stimmung das Risiko, dass wesentliche Informationen für die Kursentwicklung unberücksichtigt bleiben, was zur Folge hat, dass die Prognosen nicht so präzise sind, wie sie sein könnten. In dem vorangegangenen Praxisprojekt, das die Grundlage dieser Bachelorarbeit bildet, wurde dieses Prinzip überarbeitet und erweitert. Dabei wurde ein Sprachmodell entwickelt, das nicht mehr lediglich den Sentiment-Score berechnet, sondern direkt eine Kursänderung zu einem festgelegten Zieldatum auf Basis von Nachrichtenartikeln prognostiziert. Die vorliegende Bachelorarbeit greift diesen Ansatz auf und untersucht, inwieweit Unternehmen, die anhand der Größe ihrer Marktkapitalisierung, Dividendenrendite und Nettogewinnmarge in Gruppen eingeteilt wurden, eine stärkere Abhängigkeit von Nachrichten aufweisen. Darüber hinaus wird analysiert, wie sich diese Abhängigkeit auf die Genauigkeit der Kursänderungsprognosen auswirkt und in welchem Maße sie die erzielte Rendite beeinflusst. Die Analyse und Bewertung zeigt für alle untersuchten Unternehmen positive Tendenzen. Hervorzuheben ist, dass kleinere Unternehmen mit niedrigen Kennzahlenwerten signifikant bessere Ergebnisse erzielen als größere Unternehmen mit höheren Kennzahlenwerten.
• In the field of large language models, there are methods for analyzing and evaluating human texts in the form of a sentiment score, which assesses the positive or negative sentiment of a text. In the financial sector, such models can be applied to stock news in order to make decisions about buying or selling stocks on the basis of this sentiment score. However, focusing on sentiment carries the risk that essential information for the price development is not taken into account, which means that the forecasts are not as precise as they could be. In the previous practical project, which forms the basis of this bachelor’s thesis, this principle was revised and expanded. A language model was developed that no longer simply calculates the sentiment score, but instead directly predicts a price change on a specified target date on the basis of news articles. This bachelor’s thesis takes up this approach and analyses the extent to which companies that have been divided into groups based on the size of their market capitalization, dividend yield and net profit margin are more dependent on news. Furthermore, the analysis examines how this dependence affects the accuracy of the price change forecasts and to what extent it influences the return achieved. The analysis and evaluation show positive trends across all companies. Notably, smaller companies with lower key figure values achieved significantly better outcomes than their larger counterparts.