Im Rahmen dieser Arbeit soll ein künstliches neuronales Netz zur Kursprognose des Deutschen Aktienindex (DAX) entwickelt und eingesetzt werden.
Dabei wird im ersten Teil anfangs auf den biologischen Ursprung künstlicher neuronaler Netze eingegangen. Anschließend wird beschrieben, was genau unter einem künstlichen neuronalen Netz zu verstehen ist. Dies geschieht, indem neben der Entstehungsgeschichte und den verschiedenden Typen neuronaler Netze auch auf ausgewählte Lernregeln und Optimierungsmöglichkeiten eingegangen wird.
Im praxisorientierten zweiten Teil dieser Arbeit wird anhand ausgewählter Determinanten ein künstliches neuronales Netz entwickelt und angewendet. Dabei werden zunächst einige Vorüberlegungen hinsichtlich der Selektion der relevanten Einflussgrößen angestellt. Anschlieend wird das Netz für verschiedene Horizonte zur DAX-Prognose eingesetzt. Um eine mögliche Verbesserung der erzielten Resultate zu erreichen, werden einige der theoretisch beschriebenen Optimierungsverfahren auf das Netz angewendet. Nach einer weiterführenden Untersuchung hinsichtlich der Prognosefähigkeit des Netzes anhand ausgewählter Inputgrößen, werden die wichtigsten Ergebnisse im letzten Abschnitt noch einmal zusammengefasst und mit den Resultaten anderer Prognoseverfahren verglichen. Schwerpunkt der nachfolgenden Betrachtungen ist dabei allerdings weniger der Prognoseerfolg im Verhältnis zu anderen Verfahren als viel mehr die systematische Anwendung eines künstlichen neuronalen Netzes und die Analyse der Auswirkungen verschiedener Modellvariationen auf dessen Leistungsfähigkeit.
Inhaltsverzeichnis
- 1 Einleitung
- 2 Biologische Grundlagen neuronaler Netze
- 2.1 Das Gehirn als Vorbild
- 2.2 Die Hirnrinde (Neokortex)
- 2.3 Die Nervenzelle (Neuron)
- 3 Künstliche neuronale Netze (KNN)
- 3.1 Entstehungsgeschichte
- 3.2 Aufbau und Funktionsweise eines künstlichen Neurons
- 3.3 Netzwerktypen
- 3.3.1 Vorwärts gerichtete Netze
- 3.3.1.1 Einstufige Netze
- 3.3.1.2 Mehrstufige Netze
- 3.3.2 Netze mit Rückkopplung
- 3.3.2.1 Hopfield-Netze
- 3.3.2.2 Boltzmann-Netze
- 3.3.3 Selbstorganisierende Netze
- 3.3.4 Weitere Netztypen
- 3.3.4.1 Neokognitron
- 3.3.4.2 Bidirektionaler Assoziationsspeicher
- 3.3.4.3 Counterpropagation
- 3.3.1 Vorwärts gerichtete Netze
- 3.4 Lernen in KNN
- 3.4.1 Lernarten
- 3.4.2 Lernregeln
- 3.4.3 Optimierung des Lernprozesses
- 3.5 KNN in der Praxis
- 4 Entwicklung eines KNN zur DAX-Prognose
- 4.1 Prognoseziel und Methodologie
- 4.2 Datenbasis
- 4.3 Netzwerkstruktur
- 4.4 Netzwerkinitialisierung
- 4.5 Netzwerktraining
- 4.6 Netzwerkoptimierung
- 4.7 Analyse der Fundamentalinputs
- 4.8 Netzwerkergebnisse
- 5 Zusammenfassung und Ausblick
Zielsetzung und Themenschwerpunkte
Die Arbeit untersucht die Anwendung künstlicher neuronaler Netze zur Kursprognose des DAX. Ziel ist es, ein neuronales Netz zu entwickeln und zu trainieren, das die DAX-Entwicklung voraussagen kann. Die Ergebnisse werden analysiert und bewertet.
- Biologische Grundlagen neuronaler Netze
- Aufbau und Funktionsweise künstlicher neuronaler Netze
- Entwicklung und Training eines neuronalen Netzes zur DAX-Prognose
- Analyse der Prognosegüte
- Optimierung des neuronalen Netzes
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in die Thematik der Kursprognose am Aktienmarkt und die Anwendung künstlicher neuronaler Netze ein. Es beschreibt die Motivation der Arbeit und skizziert den Aufbau der folgenden Kapitel.
2 Biologische Grundlagen neuronaler Netze: Dieses Kapitel beleuchtet die biologischen Grundlagen neuronaler Netze, indem es das menschliche Gehirn als Vorbild beschreibt und die Struktur und Funktionsweise von Nervenzellen (Neuronen) detailliert erklärt. Es legt die theoretischen Grundlagen für das Verständnis künstlicher neuronaler Netze.
3 Künstliche neuronale Netze (KNN): Dieses Kapitel befasst sich umfassend mit künstlichen neuronalen Netzen. Es beschreibt deren Entstehungsgeschichte, den Aufbau und die Funktionsweise künstlicher Neuronen, verschiedene Netzwerktypen (vorwärtsgerichtete Netze, Netze mit Rückkopplung, selbstorganisierende Netze) und Lernverfahren (überwachtes, unüberwachtes, bestärkendes Lernen). Es werden verschiedene Lernregeln, wie die Hebb'sche Lernregel, die Delta-Regel und die Backpropagation-Regel, sowie Methoden zur Optimierung des Lernprozesses (Stopp-Training, Pruning) erläutert. Die Anwendung von KNN in der Praxis, insbesondere in der Ökonomie, wird ebenfalls diskutiert.
4 Entwicklung eines KNN zur DAX-Prognose: Das Herzstück der Arbeit. Dieses Kapitel beschreibt detailliert die Entwicklung eines künstlichen neuronalen Netzes zur Prognose des DAX. Es behandelt die Auswahl der Datenbasis, die Netzwerkstruktur, das Lernverfahren (Backpropagation), die Netzwerkinitialisierung, das Netzwerktraining und die Netzwerkoptimierung. Die Analyse der Fundamentalinputs und die Ergebnisse des Netzes werden präsentiert und diskutiert, inklusive der Herausforderungen bei der Anwendung der Backpropagation-Methode (lokale Minima, Symmetry Breaking, flache Plateaus, Oszillation).
Schlüsselwörter
Künstliche neuronale Netze, DAX-Prognose, Kursprognose, Backpropagation, Netzwerkoptimierung, Datenanalyse, Lernverfahren, Finanzmärkte, Time Series Analysis, Prediktion.
Häufig gestellte Fragen (FAQ) zum Dokument: Anwendung Künstlicher Neuronaler Netze zur DAX-Prognose
Was ist der Inhalt dieses Dokuments?
Dieses Dokument ist eine umfassende Übersicht über die Anwendung künstlicher neuronaler Netze zur Prognose des DAX. Es beinhaltet ein Inhaltsverzeichnis, die Zielsetzung und Themenschwerpunkte, Zusammenfassungen der einzelnen Kapitel und Schlüsselwörter. Der Hauptfokus liegt auf der Entwicklung und dem Training eines neuronalen Netzes zur Vorhersage der DAX-Entwicklung. Zusätzlich werden die biologischen Grundlagen neuronaler Netze erläutert.
Welche Themen werden im Dokument behandelt?
Das Dokument deckt ein breites Spektrum an Themen ab, darunter: Biologische Grundlagen neuronaler Netze (Gehirn, Neuronen), Aufbau und Funktionsweise künstlicher neuronaler Netze (verschiedene Netzwerktypen, Lernverfahren wie Backpropagation), Entwicklung und Training eines neuronalen Netzes für die DAX-Prognose (Datenbasis, Netzwerkstruktur, Optimierung), Analyse der Prognosegüte und Herausforderungen bei der Anwendung der Backpropagation-Methode (lokale Minima, Symmetry Breaking usw.).
Welche Arten von neuronalen Netzen werden diskutiert?
Das Dokument beschreibt verschiedene Arten von neuronalen Netzen, darunter vorwärtsgerichtete Netze (einstufig und mehrstufig), Netze mit Rückkopplung (Hopfield-Netze, Boltzmann-Netze), selbstorganisierende Netze und weitere spezialisierte Netztypen wie Neokognitron, bidirektionale Assoziationsspeicher und Counterpropagation.
Welche Lernverfahren werden behandelt?
Das Dokument erläutert verschiedene Lernverfahren für künstliche neuronale Netze, einschließlich überwachter, unüberwachter und bestärkender Lernmethoden. Konkrete Lernregeln wie die Hebb'sche Lernregel, die Delta-Regel und die Backpropagation-Regel werden detailliert beschrieben. Methoden zur Optimierung des Lernprozesses, wie Stopp-Training und Pruning, werden ebenfalls angesprochen.
Wie wird das neuronale Netz zur DAX-Prognose entwickelt?
Die Entwicklung des neuronalen Netzes zur DAX-Prognose umfasst die Definition des Prognoseziels und der Methodologie, die Auswahl der Datenbasis, die Festlegung der Netzwerkstruktur, die Netzwerkinitialisierung, das Netzwerktraining (mit Backpropagation), die Netzwerkoptimierung und die Analyse der Fundamentalinputs. Die Ergebnisse des Netzes und die Herausforderungen bei der Anwendung der Backpropagation werden umfassend diskutiert.
Welche Daten werden für die DAX-Prognose verwendet?
Das Dokument erwähnt die Verwendung einer Datenbasis für die DAX-Prognose, deren genaue Zusammensetzung jedoch nicht im Detail beschrieben wird. Die Auswahl und Aufbereitung der Daten sind ein wichtiger Bestandteil des Prozesses der Netzwerkentwicklung.
Welche Herausforderungen werden bei der Anwendung der Backpropagation-Methode angesprochen?
Das Dokument benennt mehrere Herausforderungen bei der Anwendung der Backpropagation-Methode, darunter das Auftreten lokaler Minima, Symmetry Breaking, flache Plateaus und Oszillationen. Diese Herausforderungen müssen bei der Optimierung des neuronalen Netzes berücksichtigt werden.
Welche Schlüsselwörter beschreiben den Inhalt des Dokuments?
Schlüsselwörter umfassen: Künstliche neuronale Netze, DAX-Prognose, Kursprognose, Backpropagation, Netzwerkoptimierung, Datenanalyse, Lernverfahren, Finanzmärkte, Time Series Analysis, Prediktion.
- Quote paper
- Diplom-Kaufmann Mathias Bunge (Author), 2008, Anwendung eines künstlichen neuronalen Netzes zur Kursprognose am Beispiel des DAX, Munich, GRIN Verlag, https://www.grin.com/document/119878
