@book{KauperKunze2011,
  author    = {Kauper, Benjamin and Kunze, Karl-Kuno},
  title     = {Modellierung von Aktienkursen im Lichte der Komplexit{\"a}tsforschung},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-52285},
  publisher      = {Universit{\"a}t Potsdam},
  year      = {2011},
  abstract  = {This paper offers empirical evidence on the power of Sornette et al's [2001] model of bubbles and crashes regarding the German stock market between 1960 and 2009. We identify relevant time periods and describe them with the function given by Sornette et al's model. Our results show some evidence in predicting crashes with the understanding of logarithmic periodic structures that are hidden in the stock price trajectories. It was shown that for the DAX most of the relevant parameters determining the shape of the logarithmic periodic structures are lying in the expected interval researched by Sornette et al. Further more the paper implicitly shows that the point of time of former crashes can be predicted with the presented formula. We conclude that the concept of financial time series conceived as purely random objects should be generalised as to admit complexity.},
  language  = {de}
}
@phdthesis{Gomolka2011,
  author    = {Gomolka, Johannes},
  title     = {Algorithmic Trading},
  publisher = {Universit{\"a}tsverlag Potsdam},
  address   = {Potsdam},
  isbn      = {978-3-86956-125-7},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus-51009},
  school      = {Universit{\"a}t Potsdam},
  pages     = {383},
  year      = {2011},
  abstract  = {Die Elektronisierung der Finanzm{\"a}rkte ist in den letzten Jahren weit vorangeschritten. Praktisch jede B{\"o}rse verf{\"u}gt {\"u}ber ein elektronisches Handelssystem. In diesem Kontext beschreibt der Begriff Algorithmic Trading ein Ph{\"a}nomen, bei dem Computerprogramme den Menschen im Wertpapierhandel ersetzen. Sie helfen dabei Investmententscheidungen zu treffen oder Transaktionen durchzuf{\"u}hren. Algorithmic Trading selbst ist dabei nur eine unter vielen Innovationen, welche die Entwicklung des B{\"o}rsenhandels gepr{\"a}gt haben. Hier sind z.B. die Erfindung der Telegraphie, des Telefons, des FAX oder der elektronische Wertpapierabwicklung zu nennen. Die Frage ist heute nicht mehr, ob Computerprogramme im B{\"o}rsenhandel eingesetzt werden. Sondern die Frage ist, wo die Grenze zwischen vollautomatischem B{\"o}rsenhandel (durch Computer) und manuellem B{\"o}rsenhandel (von Menschen) verl{\"a}uft. Bei der Erforschung von Algorithmic Trading wird die Wissenschaft mit dem Problem konfrontiert, dass keinerlei Informationen {\"u}ber diese Computerprogramme zug{\"a}nglich sind. Die Idee dieser Dissertation bestand darin, dieses Problem zu umgehen und Informationen {\"u}ber Algorithmic Trading indirekt aus der Analyse von (Fonds-)Renditen zu extrahieren. Johannes Gomolka untersucht daher die Forschungsfrage, ob sich Aussagen {\"u}ber computergesteuerten Wertpapierhandel (kurz: Algorithmic Trading) aus der Analyse von (Fonds-)Renditen ziehen lassen. Zur Beantwortung dieser Forschungsfrage formuliert der Autor eine neue Definition von Algorithmic Trading und unterscheidet mit Buy-Side und Sell-Side Algorithmic Trading zwei grundlegende Funktionen der Computerprogramme (die Entscheidungs- und die Transaktionsunterst{\"u}tzung). F{\"u}r seine empirische Untersuchung greift Gomolka auf das Multifaktorenmodell zur Style-Analyse von Fung und Hsieh (1997) zur{\"u}ck. Mit Hilfe dieses Modells ist es m{\"o}glich, die Zeitreihen von Fondsrenditen in interpretierbare Grundbestandteile zu zerlegen und den einzelnen Regressionsfaktoren eine inhaltliche Bedeutung zuzuordnen. Die Ergebnisse dieser Dissertation zeigen, dass man mit Hilfe der Style-Analyse Aussagen {\"u}ber Algorithmic Trading aus der Analyse von (Fonds-)Renditen machen kann. Die Aussagen sind jedoch keiner technischen Natur, sondern auf die Analyse von Handelsstrategien (Investment-Styles) begrenzt.},
  language  = {de}
}