Die vorliegende Masterarbeit untersucht den Einfluss von Social-Media-Sentimentdaten auf die Prognosegüte von Aktienkursmodellen. Ausgangspunkt ist die Annahme, dass klassische kursbasierte Verfahren die Dynamiken moderner Finanzmärkte nur unzureichend abbilden, da diese zunehmend von Stimmungen, kollektiven Erwartungen und medialen Diskursen geprägt werden. Ziel der Arbeit war es daher, zu analysieren, ob und in welchen Kontexten Sentimentdaten eine Ergänzung zu traditionellen Modellansätzen darstellen können. Auf Basis des Design-Science-Research-Ansatzes wurde ein Prognoseframework entwickelt, das Long-Short-Term-Memory-(LSTM)-Netzwerke mit Social-Media-Daten kombiniert. Die empirische Evaluation stützte sich auf acht Titel aus dem S&P 500 sowie zwei außerhalb des Index (GameStop, AMC) im Zeitraum 2021–2025. Die Einbeziehung von GameStop und AMC erfolgte aufgrund ihrer außergewöhnlich hohen Bedeutung in der Retail-Investor-Community und ihrer Rolle in der öffentlichen Sentiment- und Meme-Stock-Diskussion, wodurch sie eine besonders relevante Testumgebung für sentimentbasierte Prognosemodelle darstellen. Neben einem BaselineModell auf Kursdaten wurden sentimentbasierte Erweiterungen getestet und über verschiedene Prognosehorizonte sowie Marktphasen hinweg verglichen. Ergänzend wurden makroökonomische Indikatoren, Handelsvolumina und weitere aktienspezifische Faktoren berücksichtigt. Die Ergebnisse zeigen, dass Sentimentdaten keinen universellen Vorteil bieten. Verbesserungen traten punktuell auf, insbesondere im kurzfristigen Prognosefenster und bei Titeln mit hoher medialer Aufmerksamkeit. In Seitwärtsmärkten erwies sich der Nutzen hingegen als gering oder negativ. Makroökonomische Größen und Handelsvolumen stellten über beide Zeitfenster hinweg die konsistentesten Einflussfaktoren dar, während Sentiments vor allem in hochvolatilen und spekulativ geprägten Kontexten eine Rolle spielten. Die Arbeit leistet damit einen Beitrag zur Diskussion um die Rolle alternativer Datenquellen in der Finanzmarktprognose. Sie zeigt, dass Sentimentdaten selektiv eingesetzt werden sollten und ihr Nutzen stark vom Kontext abhängt. Für Forschung und Praxis ergeben sich daraus Ansatzpunkte für die Weiterentwicklung hybrider Modelle, die ökonomische Fundamentaldaten mit Stimmungsindikatoren kombinieren und so das Verständnis dynamischer Marktdynamiken vertiefen.
| Datum der Bewilligung | 2025 |
|---|
| Originalsprache | Deutsch (Österreich) |
|---|
| Gradverleihende Hochschule | - Johannes Kepler University Linz
|
|---|
| Betreuer/-in | Martin Stabauer (Betreuer*in) |
|---|
- Digital Business Management
Analyse der kontextabhängigen Wirksamkeit von Social-Media-Sentiments in KI-basierten Aktienkursprognosen
Hofer, T. (Autor). 2025
Studienabschlussarbeit: Masterarbeit