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
Zielsetzung und Themenschwerpunkte
Diese Arbeit untersucht die Anwendung künstlicher neuronaler Netze zur Kursprognose des DAX. Ziel ist es, ein neuronales Netzwerk zu entwickeln und zu trainieren, das DAX-Kursbewegungen mit einer gewissen Genauigkeit vorhersagen kann. Die Arbeit analysiert verschiedene Netzwerkarchitekturen, Lernverfahren und Optimierungsmethoden.
- Entwicklung und Training eines neuronalen Netzes zur DAX-Prognose
- Analyse verschiedener Netzwerkarchitekturen und Lernverfahren
- Optimierung des neuronalen Netzes zur Verbesserung der Prognosegüte
- Bewertung der Prognoseleistung anhand geeigneter Kennzahlen
- Untersuchung des Einflusses verschiedener Input-Variablen
Zusammenfassung der Kapitel
Kapitel 1 führt in die Thematik ein. Kapitel 2 beschreibt die biologischen Grundlagen neuronaler Netze. Kapitel 3 behandelt künstliche neuronale Netze, ihren Aufbau, Funktionsweise und verschiedene Lernverfahren. Kapitel 4 detailliert die Entwicklung und das Training eines spezifischen neuronalen Netzes für die DAX-Prognose, einschließlich der Datenaufbereitung, Netzwerkstruktur und Optimierung.
Schlüsselwörter
Künstliche neuronale Netze, DAX-Prognose, Kursprognose, Backpropagation, Netzwerkoptimierung, Datenanalyse, Zeitreihenanalyse, Finanzmarkt.
- Arbeit zitieren
- Diplom-Kaufmann Mathias Bunge (Autor:in), 2008, Anwendung eines künstlichen neuronalen Netzes zur Kursprognose am Beispiel des DAX, München, GRIN Verlag, https://www.hausarbeiten.de/document/119878
