Stefan Eckerle, Benedikt Gieger, Niklas Lederer, Raphael Rahn und Felix Werner, alle Absolventen des Studiengangs Wirtschaftsinformatik des Jahrgangs 2019, haben mit Begleitung durch Professor Philipp Pohl, Studiengangsleiter Wirtschaftsinformatik, in einem theoretisch-praktischen Projekt die Bestimmung des optimalen Aktienportfolios mittels eines Machine-Learning-Algorithmus durchgeführt. Das Ziel des Projekts war eine automatisierte Portfoliokonstruktion aus einer Auswahl von Unternehmen. Als grundlegend neuer wissenschaftlich-anwendungsorientierter Ansatz wurde dafür ein Machine-Learning-Algorithmus entwickelt, der dieses optimale Aktienportfolio bestimmt. Dabei vergleicht der Algorithmus den Börsenwert eines Unternehmens am Kapitalmarkt mit dem fundamental ermittelten Unternehmenswert und wählt für das optimale Aktienportfolio in geeigneter Weise Elemente aus der Menge der unterbewerteten Unternehmen aus. Der Algorithmus wurde praktisch für die Bildung eines Portfolios aus Unternehmen des Dow Jones angewandt. Im Ergebnis gelingt es, mit dem durch den Algorithmus gebildeten optimalen Aktienportfolio den Dow Jones als Benchmark outzuperformen. Die Ergebnisse des Projekts konnten in der wissenschaftlichen Zeitschrift Controlling veröffentlicht werden.

Für Studierende ist der Artikel über diesen Link Bestimmung des optimalen Aktienportfolios - Beck eLibrary (beck-elibrary.de) zugänglich.

Text: PO, Foto: DHBW KA