Zielsetzung dieser Arbeit ist die Evaluation der Einsatzpotentiale von künstlichen neuronalen Netzen (KNN) zur Bewertung von Zerobonds in Banken. Insbesondere soll die Genauigkeit der Berechnung durch KNN geprüft werden. Denn es ist möglich, Zerobonds mithilfe von mathematischen Modellen genau zu bewerten, was allerdings aufwendig ist und relativ lange dauern kann. Mit KNN ist dagegen die reine Berechnung des Barwerts potenziell sehr schnell möglich. Die Bewertung von Zerobonds, als eine der einfachsten zinstragenden Finanzinstrumente, wird in dieser Arbeit mithilfe eines KNNs vorgenommen. Die Vorhersage des KNNs wird mit den tatsächlichen Barwerten, die mittels eines mathematischen Modells bestimmt wurden, verglichen und das Potential eines produktiven Einsatzes der Bewertung von Zerobonds mit KNN untersucht. Insbesondere wird der Zielkonflikt zwischen der Geschwindigkeit der Berechnung, die potenziell mit einem KNN erhöht werden kann, und den damit verbundenen Vorteilen und der Genauigkeit der Bewertung, die mit dem mathematischen Bewertungsmodel maximal ist, evaluiert. Eine weitere Intention ist das Näherbringen von KNN und deren Implementationsmöglichkeiten mithilfe von Standardbibliotheken. Dabei soll auch die Hyperparameter des KNN erläutert werden. Es ist folglich kein Ziel dieser Arbeit, ein KNN zur Bewertung von komplexeren zinstragenden Finanzinstrumenten zu entwickeln, da dies den Umfang dieser Arbeit überschreiten würde. Des Weiteren wird auf die Einsatzpotentiale von KNN zur Bewertung in Banken beschränkt, andere Unternehmen und Staaten können aufgrund anderer Anforderungen und des beschränkten Umfangs nicht betrachtet werden.
Inhaltsverzeichnis
- 1 Einleitung
- 1.1 Relevanz
- 1.2 Zielsetzung
- 1.3 Aufbau
- 2 Grundlagen
- 2.1 Künstliche neuronale Netze
- 2.1.1 Definition und Überblick künstliche neuronale Netze
- 2.1.2 Funktionsweise künstlicher neuronaler Netze
- 2.2 Zerobonds
- 2.2.1 Erläuterung Zerobond
- 2.2.2 Klassische Bewertung von Zerobonds aus dem Financial Engineering
- 3 Methodik
- 3.1 Ausgangssituation, Zielsetzung und Daten
- 3.1.1 Ausgangssituation und Zielsetzung
- 3.1.2 Datensatzerstellung und Datenübersicht
- 3.2 Implementation und Auswertung
- 3.2.1 KNN Implementation und Hyperparameteroptimierung
- 3.2.2 Auswertung
- 4 Bewertung
- 4.1 Ergebnisse des KNNs und der Hyperparameteroptimierung
- 4.2 Diskussion der Modellergebnisse
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit der Evaluierung von künstlichen neuronalen Netzen (KNN) für die Bewertung von Zerobonds. Das Hauptziel ist es, die Eignung und Effizienz von KNNs im Vergleich zu traditionellen Methoden der Bewertung von Zerobonds zu untersuchen.
- Eignung von künstlichen neuronalen Netzen zur Bewertung von Zerobonds
- Vergleich der KNN-Performance mit klassischen Bewertungsmethoden
- Optimierung von Hyperparametern in KNN-Modellen
- Diskussion der Ergebnisse und der Grenzen des KNN-Ansatzes
- Analyse der Relevanz und des Potenzials von künstlicher Intelligenz im Finanzbereich
Zusammenfassung der Kapitel
- Kapitel 1: Einleitung: Die Einleitung stellt die Relevanz der Bewertung von Zerobonds im Finanzwesen heraus und beleuchtet die Motivation für die Untersuchung der Eignung von KNNs. Sie definiert die Zielsetzung der Arbeit und skizziert den Aufbau der folgenden Kapitel.
- Kapitel 2: Grundlagen: Dieses Kapitel liefert die theoretischen Grundlagen zu künstlichen neuronalen Netzen und Zerobonds. Es erklärt die Funktionsweise von KNNs und erläutert die Besonderheiten von Zerobonds im Vergleich zu anderen Anleihenformen.
- Kapitel 3: Methodik: Dieses Kapitel beschreibt die Methodik der Studie. Es legt die Ausgangssituation und Zielsetzung der Arbeit dar und erläutert die Datensatzerstellung und -übersicht. Zudem werden die Implementation des KNN-Modells, die Hyperparameteroptimierung und die Auswertungsmethode detailliert beschrieben.
- Kapitel 4: Bewertung: Dieses Kapitel präsentiert und diskutiert die Ergebnisse des KNN-Modells. Es beleuchtet die Ergebnisse der Hyperparameteroptimierung und führt einen Vergleich mit klassischen Bewertungsmodellen durch. Die Diskussion der Modellergebnisse beinhaltet Stärken und Schwächen des KNN-Ansatzes und erörtert die gewonnenen Erkenntnisse.
Schlüsselwörter
Künstliche neuronale Netze, Zerobonds, Finanzwesen, Bewertung, Machine Learning, Hyperparameteroptimierung, Datensatzerstellung, Modellperformance, Vergleich, Diskussion, Relevanz, Potenzial, KI, KNN, ML.
Häufig gestellte Fragen
Warum werden künstliche neuronale Netze (KNN) zur Bewertung von Zerobonds eingesetzt?
KNN bieten das Potenzial, die reine Berechnung des Barwerts von Zerobonds deutlich schneller durchzuführen als herkömmliche mathematische Modelle, was besonders in Banken vorteilhaft sein kann.
Was ist ein Zerobond?
Ein Zerobond (Nullkuponanleihe) ist eine Anleihe, bei der keine laufenden Zinsen gezahlt werden. Der Ertrag für den Anleger ergibt sich aus der Differenz zwischen dem Kaufpreis und dem Nennwert bei Fälligkeit.
Wie genau sind KNN im Vergleich zu klassischen mathematischen Modellen?
Klassische Modelle liefern eine maximale Genauigkeit, sind aber rechenintensiv. Die Arbeit evaluiert, ob die hohe Geschwindigkeit von KNN den potenziellen Verlust an Präzision rechtfertigt.
Welche Rolle spielen Hyperparameter bei neuronalen Netzen?
Hyperparameter sind Einstellungen (wie Lernrate oder Anzahl der Schichten), die vor dem Training festgelegt werden und maßgeblich die Leistung und Genauigkeit des KNN beeinflussen.
Können KNN auch komplexere Finanzinstrumente bewerten?
Theoretisch ja, allerdings konzentriert sich diese Untersuchung auf Zerobonds als einfachstes zinstragendes Instrument, um die grundsätzliche Machbarkeit zu prüfen.
- Quote paper
- Arno Wunderlich (Author), 2021, Evaluierung von künstlichen neuronalen Netzen zur Bewertung von Zerobonds, Munich, GRIN Verlag, https://www.grin.com/document/1389012
