Lernen ist ein langsamer, lebenslang andauernder Prozess der den Menschen auf seine heutige evolutorische Stufe gehoben hat. Die Grundlagen hierfür liegen in unserem komplexen und hochentwickelten Gehirn dessen Struktur uns das Lernen erst ermöglicht. Inspiriert durch das biologische Vorbild, das Informationen aufnimmt, speichert und Schlüsse für die Zukunft und unser zukünftiges Verhalten zieht, beschäftigen sich seit einigen Jahren Wissenschaftler damit, die neuronale Struktur in unserem Gehirn künstlich nachzubilden und damit basierend auf Zeitreihen der Vergangenheit Aussagen über den zukünftigen Verlauf der Zeitreihe zu treffen.
Ein besonderer Aspekt ist hier die bereits erwähnte Fähigkeit des Menschen zu lernen, die Computer im Gegensatz zum Menschen in der Regel nicht besitzen. Mit künstlichen neuronalen Netzen (KNN) kann dem Computer diese Fähigkeit verliehen werden, wodurch sich völlig neue Einsatzmöglichkeiten ergeben. Beispielsweise lassen sich sehr leistungsstarke aber auch rechenintensive Netze zur kurzfristigen Prognose von Wertpapierindices oder Aktienkursen erstellen, auf welchen in dieser Arbeit auch der Schwerpunkt liegt. Zunächst wird auf das bereits erwähnte biologische Vorbild, das Gehirn, eingegangen, und der historische Ursprung künstlicher neuronaler Netze dargestellt.
Daran anschließend werden der Aufbau eines künstlichen neuronalen Netzes sowie die Funktionsweise erläutert. Abschließend wird auf die vielfältigen Einsatzmöglichkeiten im Rahmen der Wertpapieranalyse eingegangen, und ein Fazit gezogen.
Inhaltsverzeichnis
1. Einleitung
2. Hauptteil
2.1 Das biologische Vorbild
2.2 Die Geschichte künstlicher neuronaler Netze (KNN)
2.3 Aufbau und Funktion
2.4 Lernen mittels Backpropagation
2.5 Allgemeines zur Wertpapieranalyse
2.5.1 Die Fundamentalanalyse
2.5.2 Die technische Analyse
2.6 Einsatz der KNN zur Wertpapieranalyse bzw. im Portfoliomanagement
2.6.1 Aktienkursprognose
2.6.2 Prognose des Marktzinses
2.7 KNN für Privatanleger
2.8 Vor- und Nachteile der Verwendung von KNN zur Prognose von Zeitreihen
2.9 Kritik an KNN
3. Fazit
Zielsetzung und Themenbereiche
Die vorliegende Arbeit untersucht das Potenzial künstlicher neuronaler Netze (KNN) als Instrument zur Prognose von Wertpapierkursen und Zeitreihen im Finanzwesen. Die zentrale Forschungsfrage befasst sich dabei mit der Frage, wie KNN trotz der komplexen und stochastischen Natur von Finanzmärkten effektiv zur Unterstützung von Anlageentscheidungen eingesetzt werden können und welche Voraussetzungen hierfür hinsichtlich Datenqualität und Rechenkapazität erfüllt sein müssen.
- Biologische Grundlagen und historische Entwicklung künstlicher neuronaler Netze
- Funktionsweise des Backpropagation-Algorithmus beim Training von KNN
- Integration von KNN in die fundamentale und technische Wertpapieranalyse
- Herausforderungen bei der Datenaufbereitung für Finanzzeitreihen
- Einsatzmöglichkeiten für Privatanleger und kritische Bewertung der Prognosefähigkeit
Auszug aus dem Buch
2.4 Lernen mittels Backpropagation
Wie das Gehirn muss auch das KNN lernen. Man nennt diesen Prozess jedoch im künstlichen Zusammenhang „trainieren“. Dies ist die wohl wichtigste Phase beim Erstellen eines KNN, denn würde man ohne Trainingsphase Informationen in die Eingabeschicht geben, wäre die Ausgabe wertlos da die Kantengewichte also die gewichteten Verbindungen zwischen den Neuronen nicht justiert wurden und das KNN die Information in zufälliger Gewichtung verarbeitet. In der Trainingsphase wird nun eine enorme Menge an Datensätzen benötigt, die in das Netz eingegeben werden und mit dem Lernalgorithmus die Kantengewichte, basierend auf historischen Daten, einstellen. Hier tritt neben dem Problem der oft mangelnden Rechenkapazität ein weiteres auf: Die Verfügbarkeit und Qualität der Datensätze. Für die Prognose einer Zeitreihe wie beispielsweise des deutschen Aktienindex (DAX) wird eine Vielzahl an Zeitreihen von beeinflussenden Faktoren benötigt, die auf einen einheitlichen Aufbau der Zeitreihe normiert sein müssen. D.h. eine unformatierte Zeitreihe eines amerikanischen Wertpapierindex kompromittiert die Qualität des Netzes, da es Tage gibt, an denen in den USA nicht gehandelt wurde (z.B Feiertage) in Deutschland jedoch schon und umgekehrt.
Dieses Problem muss durch eine Formatierung und Normierung der Zeitreihen behoben werden, was einen erheblichen Zeit- und Kostenfaktor darstellt. Verzichtet man auf diese Normierung, nimmt das Netz den fehlenden Wert in der Zeitreihe (z.B. wegen eines Feiertags) auf, gewichtet ihn falsch, und die Aussagekraft des prognostizierten Wertes ist von fragwürdiger Qualität. Die Qualität der Zeitreihen und damit auch die des prognostizierten Wertes für die gewünschte Zeitreihe (z.B. DAX) lässt sich weiter steigern wenn eine Trend- und Saisonbereinigung vorgenommen wird.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einführung erläutert die Motivation für den Einsatz neuronaler Netze in der Finanzanalyse, inspiriert durch das menschliche Gehirn als biologisches Vorbild für lernfähige Systeme.
2. Hauptteil: Der Hauptteil gliedert sich in theoretische Grundlagen zu Aufbau und Historie von KNN sowie praktische Anwendungsbereiche, insbesondere in der Wertpapieranalyse und dem Portfoliomanagement.
2.1 Das biologische Vorbild: Dieses Kapitel beschreibt kurz die Funktionsweise biologischer Neuronen und Synapsen als Grundlage für die künstliche Nachbildung in Netzstrukturen.
2.2 Die Geschichte künstlicher neuronaler Netze (KNN): Ein Überblick über die historische Entwicklung von den ersten logischen Modellen in den 1940er Jahren bis hin zum Durchbruch des Backpropagation-Lernverfahrens im Jahr 1986.
2.3 Aufbau und Funktion: Hier wird die Struktur von KNN als „Blackbox“ mit Input-, Hidden- und Output-Layers sowie die Bedeutung gewichteter Verbindungen und Aktivierungsfunktionen definiert.
2.4 Lernen mittels Backpropagation: Dieses Kapitel erläutert den essenziellen Trainingsprozess von KNN, bei dem Fehler rückwärts durch das Netz propagiert werden, um die Kantengewichte kontinuierlich zu optimieren.
2.5 Allgemeines zur Wertpapieranalyse: Eine Abgrenzung der klassischen Methoden wie Fundamentalanalyse und technischer Analyse als Basis für das Verständnis der durch KNN generierten Signale.
2.5.1 Die Fundamentalanalyse: Erläutert den Ansatz, den Aktienkurs über den inneren Wert basierend auf Unternehmensdaten und Cashflows zu bestimmen.
2.5.2 Die technische Analyse: Beschreibt den beobachtenden Ansatz, der zukünftige Kursverläufe rein aus historischen Börsendaten und Trends abzuleiten versucht.
2.6 Einsatz der KNN zur Wertpapieranalyse bzw. im Portfoliomanagement: Untersucht das Potenzial von KNN als Frühwarnsysteme, zur Mustererkennung und zur Unterstützung bei der Asset Allocation.
2.6.1 Aktienkursprognose: Detaillierte Betrachtung der Anforderungen an Eingabedaten für ein KNN, um die Kursentwicklung spezifischer Titel oder Indizes wie den DAX vorherzusagen.
2.6.2 Prognose des Marktzinses: Analyse der Prognosemöglichkeiten für Zinsreihen, wie beispielsweise den 3-Monats-EURIBOR, als essenzielle Komponente für die Bewertung festverzinslicher Wertpapiere.
2.7 KNN für Privatanleger: Eine Diskussion über die Hürden für Kleininvestoren bei der Nutzung von KNN und eine Vorstellung existierender Softwarelösungen zur eigenen Modellerstellung.
2.8 Vor- und Nachteile der Verwendung von KNN zur Prognose von Zeitreihen: Eine tabellarische Gegenüberstellung der Flexibilität und Fähigkeit zur Abbildung nichtlinearer Zusammenhänge versus den Risiken durch mangelnde Transparenz der Entscheidungsprozesse.
2.9 Kritik an KNN: Hinterfragt die Vorhersagbarkeit von Aktienkursen vor dem Hintergrund stochastischer Zufallsprozesse und der Komplexität realer Marktgegebenheiten.
3. Fazit: Die abschließende Würdigung fasst zusammen, dass KNN trotz methodischer Herausforderungen ein wertvolles, „faires“ Analysewerkzeug darstellen, sofern die Datenqualität hoch ist.
Schlüsselwörter
Künstliche neuronale Netze, KNN, Wertpapieranalyse, Backpropagation, Aktienkursprognose, Zeitreihenanalyse, Portfoliomanagement, Fundamentalanalyse, Technische Analyse, Marktzins, EURIBOR, Datenqualität, Lernalgorithmus, Finanzmärkte, KI im Finanzwesen.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit behandelt den Einsatz von künstlichen neuronalen Netzen (KNN) zur Analyse und Prognose von Finanzdaten, insbesondere im Bereich der Wertpapieranalyse.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf den biologischen und historischen Grundlagen von KNN, ihrer Funktionsweise durch das Training mittels Backpropagation sowie ihrer konkreten Anwendung zur Kursprognose und Portfoliooptimierung.
Was ist das primäre Ziel oder die Forschungsfrage?
Ziel ist es zu untersuchen, wie effektiv KNN als digitale Analysetools zur Unterstützung von Anlageentscheidungen eingesetzt werden können und welche Voraussetzungen dafür notwendig sind.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stützt sich auf eine theoretische Analyse der Funktionsweise neuronaler Netze und vergleicht diese mit klassischen Methoden der Finanzmarktanalyse.
Was wird im Hauptteil behandelt?
Der Hauptteil erörtert den Aufbau von KNN, den Lernprozess mittels Backpropagation, die Relevanz der Datenqualität und spezifische Anwendungsfälle wie Aktien- und Zinsprognosen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zentrale Begriffe sind KNN, Backpropagation, Wertpapieranalyse, Zeitreihen, Aktienkursprognose und Finanzmarktanalyse.
Warum ist die Datenqualität bei der Anwendung von KNN für Privatanleger besonders kritisch?
Da KNN lediglich aus den vorhandenen historischen Daten lernen, führen fehlerhafte oder lückenhafte Zeitreihen direkt zu fehlerhaften Gewichtungen und damit zu einer Prognosequalität, die für ernsthafte Anlageentscheidungen unzureichend ist.
Wie unterscheidet sich die Sichtweise der "Zufallstheorie" von der eines KNN-Nutzers?
Die Zufallstheorie betrachtet Aktienkurse als stochastische Prozesse, bei denen die Vergangenheit keine Prognosekraft hat, während KNN-Nutzer deterministische Muster oder Trends im Kursverlauf annehmen, die durch das Modell erlernbar sind.
Inwieweit ist der Einsatz von KNN laut Autor „fair“?
Der Autor argumentiert, dass KNN lediglich ein „digitales Pendant“ zu einem menschlichen Analysten sind und die verwendeten Daten historisch und öffentlich zugänglich sind, auch wenn der technologische Vorteil bei Institutionen liegt.
- Arbeit zitieren
- Lennart Berning (Autor:in), 2013, Neuronale Netze in der Wertpapieranalyse, München, GRIN Verlag, https://www.hausarbeiten.de/document/334978
