Open Access

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.