Refine
Year of publication
- 2018 (4) (remove)
Document Type
- Bachelor Thesis (4) (remove)
Has Fulltext
- yes (4)
Is part of the Bibliography
- no (4) (remove)
Keywords
- momentum (1)
- seasonality (1)
- stock returns (1)
- winner-loser (1)
Institute
- Informatik (1)
- Informatik und Mathematik (1)
- Physik (1)
- Wirtschaftswissenschaften (1)
This study explores anomalies in stock returns found in their seasonal patterns. These are verified through multiple trading strategies based on past-performance returns that require information up to 20 years in the past. Some of the presented strategies deliver relatively high performance, especially for those strategies based on returns in the same calendar month from past years. In order to minimize any possible bias due to omitted delisting returns, those are incorporated into the monthly returns. Furthermore, to find an explanation for this seasonal effect, behavioral theories are discussed and the returns are controlled for risk and mispricing factors. However, empirical evidence indicates no evidence of explanation based on these factors for the seasonal patterns. Furthermore, possible reasons why the returns persist are discussed.
Es sollte eine Simulationsumgebung mit einem Straßennetz und eine KDNA, die Autos auf diesem Straßennetz kontrolliert, implementiert werden. Für die Simulation wurde eine einfache graphische Darstellung entwickelt auf der eine variable Anzahl Autos auf einem vorprogrammierten Straßennetz fahren. Eine KDNA steuert diese Autos über Kontrolle von Gas-, Bremse- und Steuerradpositionen, wobei Geschwindigkeits- und Richtungskontrolle unabhängig stattfinden. Bei der Analyse der KDNA für mehrere Autos traten Leistungsprobleme auf, deren Quelle genauer untersucht wurde. Die Last wurde primär durch die Kommunikation zur Verwaltung der KDNA-Tasks im AHS erzeugt.
Begriffe sind häufig nicht eindeutig. Eine „Bank“ kann ein Finanzinstitut oder eine Sitzgelegenheit sein und die Stadt Frankfurt existiert mehr als einmal. Dennoch können sie in vielen Fällen problemlos von Menschen unterschieden werden. Computer sind noch nicht in der Lage, diese Leistung mit vergleichbarer Genauigkeit zu erfüllen.
Der in dieser Arbeit vorgestellte Ansatz baut auf dem für das Deutsche bereits gute Ergebnisse erzielenden fastSense auf und verwendet ein neuronales Netz, um Namen und Begriffe in englischen Texten mit Hilfe der Wikipedia zu disambiguieren. Dabei konnte eine Genauigkeit von bis zu 89,5% auf Testdaten erreicht werden.
Mit dem entwickelten Python-Modul kann das trainierte Modell in bestehende Anwendungen eingebunden werden. Die im Modul enthaltenen Programme ermöglichen es, neue Modelle zu trainieren und zu testen.