In der Forschung gibt es verschiedene Ansätze, mittels derer die Dynamik von Aktienkursen beschrieben werden kann. Einige gehen von einer aufgrund der effizienten Informationsversorgung zufälligen Dynamik aus. Andere wiederum sehen die Dynamik als nicht ausschließlich zufällig und nehmen daher an, dass sie sinnvolle Informationen über Unternehmen und deren Kontextbedingungen liefern kann. Aufgrund der technologischen Fortschritte ist die Wissenschaft besser denn je in der Lage, diese Dynamik zu untersuchen. So werden beispielsweise die Zeitreihen immer aussagekräftiger und umfassen längere Zeitspannen. Außerdem ermöglichen computergestützte Technologien eine immer effektivere und effizientere Auswertung dieser Zeitreihen. In der vorliegenden Arbeit wird die Aktienkursdynamik mithilfe der Methodik der fraktalen Dimensionen analysiert. Die fraktale Dimensionalität kann als ein Indikator der Komplexität einer Dynamik verstanden werden. Eine Untersuchung des Zusammenhangs zwischen der Komplexität der Aktienkursdynamik und bestimmten Eigenschaften dieser Unternehmen ist für die Identifikation möglicher Komplexitätstreiber notwendig. Die vorliegende wissenschaftliche Arbeit hat zwei Hauptziele. Zuerst soll die Komplexität der Dynamik der Aktienkurse bestimmter IT-Unternehmen aus dem S&P 500 Index gemessen und untersucht werden. In einem nächsten Schritt sollen dann die Zusammenhänge zwischen der gemessenen Komplexität und bestimmten organisatorischen und finanziellen Variablen bestimmt werden. Einer der Forschungsbereiche, der in der Lage ist, die Aktienkursdynamik zu beschreiben, ist die Chaosforschung. In der vorliegenden Arbeit wird die aus diesem Bereich stammende Methode der fraktalen Dimensionalität der Zeitreihen verwendet. Hier werden die Konzepte der fraktalen Geometrie für die Analyse der Zeitreihen mit dem Ziel, den Phasenraum der Dynamik zu rekonstruieren und seine fraktale Dimension zu bestimmen, verwendet. Kann für eine Aktienkursdynamik eine fraktale Dimension nachgewiesen werden, so sollte der Attraktor dieser Dynamik das Chaos sein und sie kann als komplex bezeichnet werden. Die notwendige Voraussetzung für eine sinnvolle Messung der Komplexität der Aktienkursdynamik ist daher die Annahme, dass sich diese Dynamik nicht-zufällig verhalten kann. Eine Nicht-Zufälligkeit von Aktienkursdynamiken ist laut dem Random Walk-Konzept und der Hypothese effizienter Märkte ausgeschlossen, nicht aber laut einer Reihe neuerer Theorien wie zum Beispiel der verhaltensorientierten Finanzmarkttheorie (engl. Behavioral Finance) oder der Hypothese der adaptiven Märkte (engl. Adaptive Market Hypothesis). Die vorliegende Arbeit stellt eine hypothesenprüfende Studie dar. Zur Datenerhebung wird die Methode der Beobachtung angewendet. Es werden Messungen von fraktalen Dimensionen sowie eine Regressionsanalyse durchgeführt. Die Messung der Komplexität der Dynamik der Aktienkurse erfolgt mithilfe der fraktalen Dimensionen D2 und PD2. Nach der Messung der Komplexität wird untersucht, ob, und wenn ja, welche Zusammenhänge zwischen der Komplexität der Aktienkursdynamik und bestimmten Variablen der Fundamentalanalyse bestehen. Wenn Zusammenhänge bestehen, kann angenommen werden, dass bestimmte organisatorische oder finanzielle Variablen Komplexitätstreiber der Aktienkursdynamik darstellen. Beim Großteil der analysierten Unternehmen war es möglich, eine Komplexitätskennzahl ihrer Aktienkursdynamik zu bestimmen. Dies kann als Nachweis der Nicht-Zufälligkeit der Aktienkursdynamik interpretiert werden, was im Gegensatz zu der Hypothese effizienter Märkte und dem Random Walk-Konzept steht. Für die im nächsten Schritt untersuchten Korrelationen zwischen der Komplexitätskennzahl und bestimmten organisatorischen und finanziellen Variablen wurden großteils keine statistisch signifikanten Zusammenhänge gefunden, mit der Ausnahme des Gewinns vor Steuern und Zinsen (EBIT). Jedoch besteht auch in Bezug auf diesen Zusammenhang weiterer Forschungsbedarf. There are various approaches that can be used to describe the dynamics of stock prices. Some authors claim this dynamic is random because of the perfect distribution of information. On the other hand, there are others who claim that this dynamic is not entirely random and can therefore represents a source of meaningful information regarding the underlying companies or other entities of interest. Generally, it can be said that because of many advances in technology, science is nowadays more capable to investigate this dynamic than ever before. For example, the time series data are becoming more and more informative; encompassing longer and longer time spans and the methodology used to analyse these time series is becoming more effective and efficient. In the paper the dynamics of stock prices is analysed with the help of fractal dimensions. The fractal dimension can be understood as an indicator of the complexity of a given dynamics. Therefore, it would be relevant for the research to examine the relationship between the complexity of stock price dynamics and certain characteristics of companies in order to identify potential complexity drivers. This scientific paper has two main goals. The first goal is to measure and examine the complexity of the stock price dynamics of the particular IT companies that are included in the S&P 500 Index. In the next step, the relationships between the measured complexity and the specific organizational and financial variables of those companies are being examined. One of the research areas that is able to describe this dynamic is chaos research. The method of chaos research used in this paper is the fractal dimensionality of the time series data. Here, the concepts of fractal geometry are used in the analysis of the time series data, with the aim to reconstruct the phase space of the focal dynamics and to determine its fractal dimension. If the fractal dimension can be proved for the focal stock price dynamic, it can be assumed that the attractor of this dynamic is chaos; therefore this dynamic can be described as complex. The necessary prerequisite for the meaningful measurement of the complexity of the stock price dynamics is the non-random behaviour of the stock price dynamics, which should be excluded according to the random walk model and the efficient market hypothesis. However, the assumption of non-randomness of stock price dynamics is supported by a number of contemporary theories, such as: behavioral finance and the adaptive market hypothesis. The data collection method is the observation and the focus of the paper is put on testing the formulated hypotheses. The methodology includes the measurements of fractal dimensions, as well as the regression analysis. The concrete methodologies used in this paper to measure the complexity of the dynamics of stock prices are D2 and PD2. After the complexity has been measured, it will be examined whether there are relationships and what kind of relationships between the complexity of the stock price dynamics and the particular variables of the fundamental analysis exist. If it will be proven that such relationships exist, it can be assumed that the particular organizational or financial variable represents a certain complexity driver of the stock price dynamics. For most of the analyzed companies, it was possible to determine a complexity index of their stock price dynamics. This can be interpreted as proof of the non-randomness of stock price dynamics, which is contrary to the efficient market hypothesis and the random walk model. For the correlations between the complexity index and certain organizational and financial variables examined in the next step, mostly no statistically significant correlations were found, with the exception of earnings before interest and taxes (EBIT). However, on the basis of the conducted study a causal relationship between these two variables cannot be definitely confirmed. Further research therefore needs to be conducted. vorgelegt von: Antonio Pesa Wien, FH Campus Wien, Masterarb., 2018