Die vorliegende Arbeit ist in 8 Kapitel gegliedert. Das dem einleitenden Kapitel 1 folgende Kapitel 2 beschäftigt sich mit der Thematik „neuronale Netze“. Nach einer kurzen Einführung, einem historischen Überblick und der Verbindung zu dem biologischem Vorbild folgt eine Darstellung des Aufbaus von simulierten, künstlichen neuronalen Netzen. Das letzte Unterkapitel 2.8 beschäftigt sich schließlich mit dem „Lernen“ in neuronalen Netzen. Es enthält eine Unterscheidung der Arten des Lernens, sowie anschließend eine formale Darstellung von einigen bedeutenden Lernregeln.
Kapitel 3 behandelt kurz den Nutzen und den Aufbau evolutionärer Algorithmen, bevor im Anschluss daran deren Eigenschaften und Entwicklung erklärt werden. Im Kapitel 4 werden einige Grundlagen zum Bereich Finanzprognosen dargestellt. Es wird sowohl auf Renditegenerierungsprozesse als auch auf die Markteffizienzthesen von Fama, die technische und fundamentale Analyse, sowie die nichtlineare Analyse von Finanzmärkten eingegangen. Im sich anschließenden Kapitel 5 werden drei bestehende Ansätze neuronaler Netze im Bereich der Finanzwirtschaft vorgestellt, bevor im Kapitel 6 Möglichkeiten und Probleme der reinen Zeitreihenprognose mittels NN erörtert werden.
In den, in Kapitel 7 vorgestellten, in JAVA realisierten Prognosetools, wird die reine Zeitreihenprognose bzw. technische Zeitreihenanalyse verwendet, im Gegensatz zu Prognosetechniken, welche verschiedene weitere (ökonomische) Faktoren benutzen. Diese Beschränkung musste gemacht werden, um nicht den Rahmen der hier vorliegenden Arbeit zu sprengen.
Nach einer Erklärung der Struktur der verwendeten neuronalen Netze, auf denen die Prognosetools aufbauen, folgt eine Darstellung eines objektorientierten Ansatzes zu Realisierung neuronaler Netze nach J. Rogers in Java. Anschließend wird der Nutzen evolutionärer Algorithmen in dem implementierten Ansatz erläutert, bevor die Prognosetools einzeln vorgestellt werden. Nach einer Darstellung der Ergebnisse der verwendeten Prognosetools für zwei künstlich erzeugte Zeitreihen und fünf Renditezeitreihen von real existierenden Wertpapieren bzw. für einen Aktienindex schließt sich Kapitel 8 mit der Zusammenfassung der in dieser Arbeit gewonnenen Erkenntnisse und Verbesserungsmöglichkeiten des implementierten Ansatzes an.
Inhaltsverzeichnis
- Einleitung
- Einführung in die Thematik
- Ziel der Arbeit
- Aufbau der Arbeit
- Neuronale Netze
- Was sind neuronale Netze?
- Anwendungsgebiete neuronaler Netze
- Eigenschaften neuronaler Netze
- Geschichte neuronaler Netze
- Biologische Neuronen
- Aufbau einer Nervenzelle
- Neuronen in der Simulation vs. Neuronen in der Natur
- Konzepte des Konnektionismus
- Aufbau und Darstellung KNN
- Bestandteile neuronaler Netze
- Zelltypen nach Position im Netzwerk
- Aktivierungszustand
- Ausgabefunktion
- Arten von Verbindungsnetzwerken
- Netze ohne Rückkopplung (Feedforward-Netze)
- Netze mit Rückkopplungen
- Propagierungsregel und Aktivierungsfunktion
- Lernregel
- Lernen in neuronalen Netzen
- Arten des Lernens
- Überwachtes Lernen
- Bestärkendes Lernen
- Unüberwachtes Lernen
- Realisierungsmöglichkeiten von Lernprozessen in KNN
- Hebbsche Lernregel
- Delta-Regel
- Backpropagation-Regel
- Backpropagation mit Momentum-Term
- Evolutionäre Algorithmen
- Motivation
- Was sind evolutionäre Algorithmen?
- Struktureller Aufbau evolutionärer Algorithmen
- Eigenschaften genetischer Algorithmen
- Entwicklung evolutionärer Algorithmen
- Finanzprognosen
- Motivation
- Methoden und Probleme der Finanzanalyse
- Renditegenerierungsprozesse
- Lineare Renditegenerierungsprozesse
- Nichtlineare, dynamische Renditegenerierungsprozesse
- These effizienter Kapitalmärkte
- Technische Analyse
- Fundamentale Analyse
- Nichtlineare Analyse von Finanzmärkten
- NN als Instrument zur nichtlinearen Analyse von Finanzdaten
- Einsatz NN in der Finanzwirtschaft
- Modell von Kimoto et al.
- Modell von SNI/SENN
- Modell der SGZ-Bank AG
- Zeitreihenprognose mittels neuronaler Netze
- Schwierigkeiten und Probleme bei Zeitreihenprognosen
- Verschiedene Architekturen neuronaler Netze zur Zeitreihenprognose
- Eigener Ansatz
- Einführung
- Grundlagen
- Aufteilung der Datenmenge
- Partiell rekurrente neuronale Netze
- Hierarchische Elman-Netze
- Ein objektorientierter Ansatz für neuronale Netze
- Evolutionäre Algorithmen
- EA zur Optimierung der Netzstruktur
- EA zur Optimierung der Fühlerstruktur
- Die einzelnen Prognosetools
- Weitere Java-Klassen
- tsprogNN
- tsprogNN2
- tsprogNNEA
- tsprogNNEA2
- createprog
- createprog2
- Dateistrukturen
- Dateiformat der Zeitreihendatei
- Dateiformat der Zeitreihendatei bei Finanzmarktdaten
- Dateiformat der trainierten PRNN
- Dateiformat der Prognosedateien
- Ergebnisse
- Sägezahn
- Sin(x)+Sin(x²)
- DAX
- BP
- IBM
- JPM
- MSFT
- Anwendungen Neuronaler Netze in der Finanzwirtschaft
- Zeitreihenprognose mit Neuronalen Netzen
- Entwicklung und Implementierung von Prognosetools in JAVA
- Einsatz Evolutionärer Algorithmen zur Optimierung Neuronaler Netze
- Evaluation der Prognoseleistung auf Kapitalmarktdaten
- Einleitung: Die Einleitung führt in die Thematik der Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen ein. Sie beschreibt die Zielsetzung der Arbeit und den Aufbau der einzelnen Kapitel.
- Neuronale Netze: Dieses Kapitel bietet eine umfassende Einführung in die Funktionsweise und Eigenschaften Neuronaler Netze. Es werden verschiedene Arten von Neuronalen Netzen vorgestellt, sowie deren Lernprozesse und Anwendungsgebiete erläutert.
- Evolutionäre Algorithmen: Dieses Kapitel beschäftigt sich mit der Funktionsweise und Anwendung von Evolutionären Algorithmen. Es werden verschiedene Arten von Algorithmen vorgestellt und deren Eignung für die Optimierung von Neuronalen Netzen erläutert.
- Finanzprognosen: Dieses Kapitel erläutert die Motivation und die Herausforderungen der Finanzanalyse. Es werden verschiedene Methoden und Ansätze zur Prognose von Finanzmarktentwicklungen vorgestellt, einschließlich der These effizienter Kapitalmärkte.
- Einsatz NN in der Finanzwirtschaft: Dieses Kapitel befasst sich mit der Anwendung Neuronaler Netze in der Finanzwirtschaft. Es werden verschiedene Modelle vorgestellt, die bereits erfolgreich zur Prognose von Finanzmarktentwicklungen eingesetzt werden.
- Zeitreihenprognose mittels neuronaler Netze: Dieses Kapitel beleuchtet die Schwierigkeiten und Probleme bei der Zeitreihenprognose mittels Neuronaler Netze. Es werden verschiedene Architekturen von Neuronalen Netzen vorgestellt, die für diese Aufgabe besonders geeignet sind.
- Eigener Ansatz: Dieses Kapitel beschreibt den eigenen Ansatz zur Entwicklung von Prognosetools in JAVA. Es werden die verwendeten Datenmengen, die Architektur der Neuronalen Netze und die Implementierung der Evolutionären Algorithmen erläutert.
Zielsetzung und Themenschwerpunkte
Die Diplomarbeit befasst sich mit der Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA. Ziel ist es, diese Systeme auf Kapitalmarktdaten anzuwenden und deren Eignung für die Prognose von Finanzmarktentwicklungen zu evaluieren.
Zusammenfassung der Kapitel
Schlüsselwörter
Die zentralen Schlüsselwörter dieser Arbeit sind: Zeitreihenprognose, Neuronale Netze, Evolutionäre Algorithmen, JAVA, Finanzmarkt, Kapitalmarktdaten, Prognosetools, Optimierung.
- Citation du texte
- Jan Vogt (Auteur), 2002, Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA und Anwendung dieser Systeme auf Kapitalmarktdaten, Munich, GRIN Verlag, https://www.grin.com/document/432109
