Susanne Robra-Bissantz · Christoph Lattemann Subthema: Entscheidungsunterstützung durch Virtual Communities Börsen- und Bankenprodukte Exkursion und Teleseminar der Universitäten Potsdam und Erlangen-Nürnberg

Susanne Robra-Bissantz · Christoph Lattemann Entscheidungsverfahren eines DIY-Investors und CIP-Modell Bettman-Modell – ein Consumer Information Processing(CIP) Modell Kaufentscheidungsmodell auf dem Hintergrund des Wertpapierhandels Zyklischer Prozess – von Ansatzpunkt bis dem Rückkopplungspunkt

Susanne Robra-Bissantz · Christoph Lattemann Die fünf Aspekte des CIP-Modells Informationsumgebung –Die Menge, Ort, Format, Lesbarkeit, Verarbeitbarkeit der relevanten Informationen Verarbeitungskapazität der Informationen –Hardware und Bandbreite des Internets –Software-Methodologie: Suchmaschine, Data-Mining und Text-Mining –Entdecken die implizite Verbindung zwischen den Erkenntnissen Suche der Informationen –Recherche im Internet: nicht nur eine Suche sondern eine Auswahl sonder zu filtern –Erwerben und auswerten –Von Motivationen, Aufmerksamkeit und Empfindung beeinflusst Verbrauch und Erfahren –Lernprozess und Lerneffekt: Ex post facto Vergleich mit der Prognose –Von Rückkopplungspunkt zurück zum Ansatzpunkt –Anwendung in der Zukunft Entscheidungsregeln und Heuristik –Rules of Thumb um die Alternativen wiegen und wählen, bzw. mit Fachkenntnisse des Wertpapiers(Stochastische Dominanz, Markowitz Portefeuilletheorie usw.)

Susanne Robra-Bissantz · Christoph Lattemann Informationsstruktur der Entscheidungunterstützung Investorenerwartung und sein Informationsbedarf –Aktuelle Neigung der Bewegung auf dem Wertpapiermarkt –Preisangebote der Wertpapiere –Historische Daten des Wertpapierhandels –Investitionsalternativen, Prognosenberichte und Investitionsberatung –Prognose der Kursenbewegung und das Warum dahinter Internale Recherche –Eigene historische Daten des Wertpapierhandels in der Datenbank –Die eigene Erfahrung der Investition und Forschungsberichte der WP Externale Informationsquelle und externale Recherche –Professionelle Übertragung oder Terminals: Bloomberg usw. –Traditionelle Media: Börsenblätter, Finanzrubrik in Zeitungen –Informationsquelle im Internet Offizielle Webseiten der Börsen Finanzrubrik der großen Portals(z.B. Virtual Communities –Newsgroup, BBS, Foren(z.B.

Susanne Robra-Bissantz · Christoph Lattemann Informationsangebote der Investions-VCs Foren-Gruppen Foren nach den Wertpapier- Sortimenten Relevante Foren Foren über die Technik der Finanzanalyse und Finanzbücher bzw. Finanzseminare Andere Unterstützungswerkzeuge Analytische Software bzw. Austausch der Informationen daüber Individuell definierte Investitionsdatenbilder Investitionsberatung und Prognosenberichte Empfohlene Portefeuille Meinung des Experten Links zu originellen offiziellen Webseiten der Börsen Spezifische Suchmaschine der Finanzinformationen Eigenschaften der Informationen in VCs

Susanne Robra-Bissantz · Christoph Lattemann Eigenschaften der Informationen in VCs Drei Faktoren, die die automatische Analyse kompliziert machen Drei Klassifikationsmaßstabe der Botschaften in VCs unrelavanten Botschaften oder Geräusch- Botschaft sehr unstrukturiertes Wesen vom Text in VCs breite Variation in den Inhalten, relevant oder nicht Unrelevant mit aktuellem Thema – Geräusch Relevant mit aktuellem Thema, aber keine Einstellung zur Qualität der Investion ausgedrückt Relevant, darüber hinaus eine Einstellung dazu ausgedrückt Geräusch Relevant, aber keine Einstellung Beispiel: Drei Klassifikationen der Botschaften aus Mutual-Fund-Forum Relevant und eine Einstellung Thema: Rendite des Mutual Funds vs. Index

Susanne Robra-Bissantz · Christoph Lattemann Automatische Analyse der Postings in VCs mit Text-Mining Begriff des Text-Mining The discovery by computer of new, previously unknow information, by automatically extracting information from different written resources. Verfahren des Text-Mining in Investitions-VCs Entscheidungsunterstützung Dokumente aus Postings Vektoren aus Dokumenten Cluster in Vektorraum Zusammenfassung der Frage Matching des Pattern-Vektors Pattern-Vektor aus Zusammenfassong Ergebnisse des Text-Mining

Susanne Robra-Bissantz · Christoph Lattemann Algorithmen des Text-Mining Fünf Algorithmen der Klassifikation von Postings Verbesserung der Dimensionen in den Algorithmen anhand der Wertpapierbranche 1.Verallgemeinierung des Gedanken der Richtung in jedem Wörter- Subset, das für eine Kategorie steht z.B., 2 Richtungen bzw. aufwärts u. abwärts in Kategorie Index 2.Ziehen bei den Dimensionen des Vektorenraums die emotiven Ausdrücke ohne rationalen Erklärungen in Rechnung Wörterbuch- beruhender Klassifizierer (LBC) Klassifizierer mit abgewogenem Wörterbuch (WLC) Wörterbuch-beruhender Klassifizierer mit Differenzial-Gewicht (DWLC) Lesbarkeit- beruhender Klassifizierer (RBC) Klassifizierer durch die Distanzen zwischen Vektoren (VDC)

Susanne Robra-Bissantz · Christoph Lattemann Beispiel der Bildung des Klassifi-Wörterbuch Klassifi-Wörterbuch Subset-Baum zu bilden Subset Verbindungen: consistent, why... Subset Investitionstaktik: strategy, XX% portfolio... Subset Mutual Fund: Fidelity Canada, Windsor II... Subset Risiken: risk, exposure... Verbindungen Durch linguistische Korrelation die Verbindungen zu entdecken

Susanne Robra-Bissantz · Christoph Lattemann Adaptive Bildung des Klassifikationswörterbuchs Eine adaptive Loopmethode, um ein allmählich verbessertes Klassifikations-Wörterbuch zu bilden Auswahl von den Postings Künstliche Klassifikation der Auswahl Linguistische Frequenzanalyse Neue Stichwörter und Änderung Vergleichen die künstl. mit auto. Klassifikation Automatische Klassifikation mit dem Wörterbuch Klassifikations-Wörterbuch, z.B. SubsetIndex-Future Rund 1: S&P 500, D&J, DAX, Nikkei... Rund 2: component company, energy group, oil, CME... Rund 3: Middel East, War, Iraq... Klassifikations-Wörterbuch, z.B. SubsetIndex-Future Rund 1: S&P 500, D&J, DAX, Nikkei... Rund 2: component company, energy group, oil, CME... Rund 3: Middel East, War, Iraq... Effizienz des Wbuchs zu bewerten

Susanne Robra-Bissantz · Christoph Lattemann Ideale Entscheidungsunterstützung durch das Wissen aus Text-Mining Entdeckung des Wissens aus den Texten(KDT, Knowledge discovery from texts) The process of extracting interesting and non-trivial patterns or knowledge from textual documents.(Oudshoff, A.M., 2005) Das Wissen aus Text-Mining: nicht Bündel der Postings, sondern die logischen Fragen beantworten zu können, wie wie läuft der Preis der S&P-500-Index- Future in den nächsten 3 Handelstagen? Aufwärts oder abwärts? Um wie viele Basispunkte, und warum? Ein mögliches Ergebnis aus Text-Mining: Stichwörter:Irakkrieg, Rückzug, ölpreis, Energiekonzern, CME, S&P, auf, höher, iraki Situation, Bush Posting 1 aus Index-Forum:...Aktien der Energiekonzern auf... treibt S&P nach oben...vermutlich um Hälfte der CME Öl... Posting 2 aus Politik-Forum:...Präsident Bush verkündet keinen Rückzugplan... iraki Situation bleibt durcheinander... Posting 3 aus Future-Forum:... Ölpreis auf neuen hohen Rekord in den letzten 18 Monaten... CME Öl um 20 Basispunkte höher... Entscheidungsunterstützung durch die Strategieberatung: Leerkaufen 1000 Einheiten S&P- 500-Index-Future usw.

Susanne Robra-Bissantz · Christoph Lattemann Empfehlungen zu der weiteren Forschung Analysensoftware der Computer-Linguistik für die Zusammenfassung der Postings in Virtual Investment-related Communities(VIC) Bessere Entdeckungsmethode der Association zwischen Stichwörtern und Cluster- Distanzen untersuchen Empfehlungen des Algorithmus Wörterbuch- beruhender Klassifizierer mit Differenzial-Gewicht (DWLC) zu den VCs über den Wertpapierhandel Analysensoftware der Computer-Linguistik für die Zusammenfassung der Postings in Virtual Investment-related Communities(VIC) Die bessere Ausdruckmethode des Wissens aus Postings untersuchen Statistische empirische Forschung zu einer aktuellen VC

Susanne Robra-Bissantz · Christoph Lattemann Danke für die Aufmerksamkeit! Entscheidungsunterstützung durch VC, Börsen- und Bankenprodukte Li, Nan Hu, Haitao Tarassenko, Maria Wirtschaftsinformatik II, FAU Erlangen-Nürnberg