Das Ziel der Arbeit ist die Darstellung des Forschungsstandes der neuronalen Netze sowie der Anwendung dieser in der Praxis. Diese Darstellung erfolgt mit Bezug zur Börsenspekulation. Unter anderem wird der Frage nachgegangen, wie neuronale Netze, Kursvorhersagen am Aktienmarkt treffen können und welche Rolle die Fuzzy-Logik hierbei spielt, außerdem sollten auch verwendete Algorithmen vorgestellt werden.
Einer der umsatzstärksten Bereiche für die Verwendung von KI ist die Finanzbranche. Das Grundgerüst der künstlichen Intelligenzen sind dabei künstliche neuronale Netze. Dabei sollen bis zum Jahr 2025 mit Hilfe von KI knapp 6.000 Millionen US-Dollar umgesetzt werden, wobei diese hauptsächlich Aufgaben des Aktien- und Optionshandels durch die Verwendung verschiedenster Inputs, Strategieentwicklung, Risikomanagement, Entscheidungsunterstützung und Portfoliomanagement übernehmen.
Inhaltsverzeichnis
1. Einleitung
1.1 Einführung
1.2 Ziel und Aufbau der wissenschaftlichen Arbeit
2. Begriffserklärung
2.1 Künstliche Neuronale Netze
2.2 Fuzzy-Logik und Fuzzy-System
2.3 Algorithmen
2.4 Börsenbegriffe
3. Forschungsstand neuronaler Netze am Finanzmarkt
3.1 Rekurrente neuronale Netzte (RNN)
3.2 RNN: Long-Short-Term-Memory-Zellen
3.3 Fuzzy Prognose durch Palit-Algorithmus
3.4 Praktische Anwendung durch Equbot mittels IBM Watson artificial intelligence
4. Kritische Würdigung und Ausblick
Zielsetzung & Themen der Arbeit
Diese Arbeit untersucht den aktuellen Forschungsstand und die praktische Anwendung künstlicher neuronaler Netze im Kontext der modernen Börsenspekulation. Ziel ist es, aufzuzeigen, wie komplexe Algorithmen und Fuzzy-Systeme zur Kursvorhersage und zur automatisierten Handelsoptimierung eingesetzt werden können, um an den Finanzmärkten Vorteile zu generieren.
- Grundlagen künstlicher neuronaler Netze und Fuzzy-Logik
- Technologische Treiber für Handelsalgorithmen
- Analyse von Rekurrenten Neuronalen Netzen (RNN) und Long-Short-Term-Memory (LSTM)
- Praxisbeispiele für den Einsatz von KI im Finanzmanagement
- Kritische Reflexion der Marktfolgen und Zukunftsausblick
Auszug aus dem Buch
3.2 RNN: Long-Short-Term-Memory-Zellen
LSTM-Zellen sind eine Weiterentwicklung des RNN-Konzepts. Diese Zellen können Informationen über bestimmte Zeiträume behalten, dabei beeinflussen verschiedene Gates den Informationsfluss bzw. die Dauer der Erinnerung. Auch die LSTM-Zellen nutzen den Backpropagationsalgorithmus.
Der Aufbau ist ähnlich eines RNN. Die Eingabe in den LSTM Block ist nicht nur der Input (grün), sondern auch die Ausgabe des vorherigen Schritts (blau). Durch die interne Struktur lernt das LSTM, welche gesehenen Informationen aus der Vergangenheit zur Bildung des Outputs (rot) beitragen sollten. Es können Informationen aus direkt gemachten Eingaben, sowie auch weit zurückliegende Informationen verarbeitet werden. Die Abbildung 5 zeigt das Innere der LSTM-Unit.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in den Megatrend der Digitalisierung und den Einsatz künstlicher Intelligenz in der Finanzbranche ein.
2. Begriffserklärung: In diesem Kapitel werden grundlegende Termini wie künstliche neuronale Netze, Fuzzy-Logik, Algorithmen und wichtige Börsenbegriffe definiert.
3. Forschungsstand neuronaler Netze am Finanzmarkt: Dieses Kapitel beleuchtet den aktuellen Stand der Technik bei der Anwendung von RNN- und LSTM-Modellen zur Vorhersage von Kurvenverläufen am Aktienmarkt.
4. Kritische Würdigung und Ausblick: Hier werden die Ergebnisse der Arbeit kritisch reflektiert und zukünftige Herausforderungen des algorithmischen Handels diskutiert.
Schlüsselwörter
Künstliche Intelligenz, Neuronale Netze, Börsenspekulation, Fuzzy-Logik, Algorithmen, RNN, LSTM, Backpropagation, Finanzmarkt, Portfolio, Automatisierung, Kursvorhersage, Datenanalyse, Handelsstrategie, Digitale Transformation
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundlegend?
Die Arbeit befasst sich mit dem Einsatz von künstlichen neuronalen Netzen im Bereich der modernen Börsenspekulation und wie diese zur Entscheidungsunterstützung genutzt werden.
Was sind die zentralen Themenfelder der Publikation?
Die zentralen Themen umfassen neuronale Netze (insbesondere RNN und LSTM), Fuzzy-Logik, algorithmischen Handel und die technologischen Voraussetzungen im Finanzsektor.
Was ist das primäre Ziel oder die zentrale Forschungsfrage dieser Untersuchung?
Das Ziel ist die Darstellung des aktuellen Forschungsstandes dieser Techniken und deren Anwendung in der Praxis zur Kursvorhersage an Aktienmärkten.
Welche wissenschaftlichen Methoden werden in dieser Arbeit verwendet?
Die Arbeit nutzt eine theoretische Aufarbeitung bestehender Literatur und wissenschaftlicher Konzepte, ergänzt um die Analyse von Praxisbeispielen wie dem Equbot-System.
Welche Aspekte werden im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung (Begriffsdefinitionen) und die detaillierte Untersuchung der Funktionsweise neuronaler Netze für Finanzdaten.
Durch welche Schlüsselwörter lässt sich der Kern der Arbeit zusammenfassen?
Die wichtigsten Begriffe sind KI, Neuronale Netze, Börse, Algorithmen, Fuzzy-Systeme und LSTM-Zellen.
Warum spielt die Fuzzy-Logik bei der Börsenspekulation eine Rolle?
Sie ermöglicht den Umgang mit unpräzisen Daten und unscharfen Umgebungsbedingungen, was bei der Modellierung komplexer Finanzmarktdaten vorteilhaft ist.
Welche Bedeutung haben LSTM-Zellen für die Kursvorhersage?
Im Gegensatz zu Standard-RNNs können sie Informationen über längere Zeiträume hinweg behalten, was für die Erkennung von Mustern in historischen Zeitreihen entscheidend ist.
Welches Praxisbeispiel wird zur Veranschaulichung herangezogen?
Es wird das System der Firma Equbot betrachtet, das auf der IBM Watson Plattform basiert, um Aktienportfolios automatisch zu verwalten.
Wie schätzt der Autor die Zukunft des algorithmischen Handels ein?
Der Autor erwartet, dass der Trend zum KI-gestützten Handel weiter zunimmt, betont jedoch die Risiken durch irrationale Marktphasen und die Notwendigkeit von Echtzeitdaten.
- Arbeit zitieren
- Florian Haider (Autor:in), 2022, Neuronale Netze in der Börsenspekulation, München, GRIN Verlag, https://www.hausarbeiten.de/document/1251087
