Besseres Verständnis für komplexe Trading-Aktivitäten dank Transaktionsanalyse
Mit Data Analytics von den Besten lernen
Der Kunde
Die Börse Stuttgart ist ein börslicher Handelsplatz für Aktien, Anleihen, verbriefte Derivate, Exchange-Traded Products, Genussscheine und Invest-mentfonds. Die Boerse Stuttgart GmbH managt die technische Abwicklung des Börsenbetriebs. Ihre 250 Mitarbeiter bewältigten im Jahr 2019 ein Handels-volumen von 68,5 Mrd. Euro.
www.boerse-stuttgart.de
Die Daten
Basis für die Potenzialanalyse bildeten die Transaktionsdaten von DAX-Aktien und auf sie bezogenen verbrieften Derivaten (im Sekundentakt von 2016 bis 2018) sowie die Gruppierung der Banken nach Expertenkenntnissen der über sie handelnden Anleger. Relevant waren hierbei insbesondere die Performance der DAX-Aktien sowie die durchschnittlichen Erwartungen der auftraggebenden Anleger. Diese lassen sich aus den Änderungen der Tagesschlusskurse beziehungsweise den Kauf- und Verkaufsentscheidungen der Anleger ableiten.
Die Herausforderung
Für die Börse Stuttgart ist es interessant, welche Informationen sich aus dem Verhalten von Anlegern ableiten lassen. Sie wollte herausfinden, ob es möglich ist, auf Basis von Transaktionen in verbrieften Derivaten die Anlegergruppen zu identifizieren, deren Erwartungen bezüglich der DAX-Kursent-wicklung in der Vergangenheit besonders zutreffend waren. Dies war alles andere als trivial: So ist nicht bekannt, wie weit die durchschnittliche Erwartung reicht. Zudem implizierte das Ziel, dass die verwendeten Algorithmen eine hohe Klassifikationsgenauigkeit haben und gleichzeitig noch inter-pretierbar sein müssen. Das Expertenteam musste die oft widersprüchlichen Eigenschaften der maschinelle Lernalgorithmen daher geschickt ausbalancieren.
Die Potentialanalyse
Untersucht wurden Zusammenhänge zwischen dem Handel in verbrieften Derivaten und der Performance der DAX-Aktien in aufeinander folgenden Zeiträumen. Dabei wurde geprüft, wie gut sich die Entwicklung eines DAX-Aktienkurses anhand der durchschnittlichen impliziten Erwartungen der auftraggebenden Anleger vorhersagen lässt. Für die Performance-Zeiträume wurde jeweils ein Modell für einzelne DAX-Aktien erstellt und mit einem AutoML Algorithmus mit genetischer Suche optimiert.
Das Resultat
Die Erkenntnisse, welche Anlegergruppen mit ihren Erwartungen an die Performance der DAX-Aktien richtig lagen, entsprechen zum Teil früheren Beobachtungen und korrelieren mit den Experten-kenntnissen. Darüber hinaus ließ sich ermitteln, welche Anlegergruppen kurz-, mittel- oder langfristig die Entwicklung einer Aktie gut einschätzen konnten. Die Datenanalysten des SDSC-BW zeigten dabei in der Potenzialanalyse, wie man die richtigen Anlegergruppen systematisch identifiziert.
Wie es weiter geht
Die Börse Stuttgart interessiert sich für eine Schulung, um ein tiefergehendes Verständnis für das Vorgehen bei der Datenanalyse zu entwickeln. Darüber hinaus stellt sie bereits Überlegungen an, wie die gewonnenen Erkenntnisse für Privatanleger nutzbar gemacht werden können. Die dahinter liegende hohe Komplexität bietet eine gute Basis für eine weitere Forschungskooperation.