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
5 Fazit
Zielsetzung & Themen
Die Arbeit untersucht das Potenzial künstlicher neuronaler Netze (KNN) zur Bewertung von Zerobonds als Alternative zu klassischen mathematischen Verfahren im Bankensektor. Ziel ist es, den Zielkonflikt zwischen der Berechnungsgeschwindigkeit, bei der KNN signifikante Vorteile bieten, und der Genauigkeit der Bewertung zu evaluieren, wobei die Vorhersagen des KNN mit den Ergebnissen mathematischer Modelle verglichen werden.
- Grundlagen künstlicher neuronaler Netze (KNN)
- Methodik der Zerobond-Bewertung im Financial Engineering
- Implementierung von KNN in Python zur Preisvorhersage
- Hyperparameteroptimierung mittels Grid Search
- Vergleich von Performance und Berechnungszeit (KNN vs. Klassische Modelle)
Auszug aus dem Buch
2.1.2 Funktionsweise künstlicher neuronaler Netze
Jedes KNN besteht mindestens aus einer Eingabe- und einer Ausgabeschicht. Die Schichten bestehen aus Neuronen und sind durch Kanten, die sogenannten Synapsen, an denen Gewichte stehen, miteinander verbunden. Jedes Neuron einer Schicht ist bei mehrlagigen Perzeptren mit allen Neuronen der vorherigen Schicht verbunden. Verbindungen zwischen Neuronen einer Schicht existieren nicht. In Abbildung 1 ist der vereinfachte Aufbau eines vorwärts gerichteten KNN mit einer Zwischenschicht abgebildet.
In die Neuronen der Eingabeschicht werden numerische Eingabedaten gegeben. Diesen Eingaben werden Gewichte zugeordnet und an die Zwischenschicht weitergegeben. Dort bestimmt zunächst jedes Neuron mithilfe der sogenannten Propagierungsfunktion, häufig durch eine Aggregation der gewichteten Eingaben, die Netzeingabe. Die Ausgabe eines Neurons wird dann durch die Anwendung einer Aktivierungsfunktion auf die Eingabe berechnet und somit eine Aussage über den Aktivierungsgrad des Neurons getroffen. Diese Ausgabe wird gewichtet und als Eingabe in weitere Neuronen der nächsten Schicht gegeben.
Ziel des Lernprozesses ist es, die Abweichung zwischen der berechneten Lösung des KNNs und dem tatsächlichen Wert zu minimieren. Die Loss-Funktion drückt die Differenz zwischen Vorhersage und Sollergebnis aus. Basierend auf dem Fehler der Vorhersage, also der Loss-Funktion, werden die Gewichte angepasst. Ziel ist die Minimierung der Loss-Funktion. Dadurch wird das KNN an das zu lösende Problem angepasst. Durch KNN können Regressionen und Klassifikationen vorgenommen werden.
Zusammenfassung der Kapitel
1 Einleitung: Die Arbeit motiviert die Untersuchung von KNN zur Zerobond-Bewertung durch das Eigeninteresse von Banken an schnellen, regulatorisch geforderten Bewertungsprozessen.
2 Grundlagen: Es werden die theoretischen Konzepte von KNN, deren Funktionsweise sowie die klassische mathematische Bewertung von Zerobonds (Nullkuponanleihen) erläutert.
3 Methodik: Dieses Kapitel beschreibt die Erstellung des Datensatzes aus Zinskurven sowie die technische Implementierung des KNN unter Verwendung von Python und Scikit-Learn.
4 Bewertung: Hier werden die durch Grid Search optimierten Parameter des KNN präsentiert und die Modellergebnisse hinsichtlich Genauigkeit und Geschwindigkeit diskutiert.
5 Fazit: Die Arbeit schließt mit der Erkenntnis, dass KNN eine sehr schnelle Alternative darstellen, jedoch eine Abwägung zwischen der erzielten Geschwindigkeit und der mathematischen Präzision erforderlich machen.
Schlüsselwörter
Künstliche neuronale Netze, KNN, Zerobonds, Finanzinstrumente, Financial Engineering, Barwert, Bewertung, Regression, Hyperparameteroptimierung, Grid Search, Scikit-Learn, Maschinelles Lernen, Zinsstrukturkurve, Finanzrisikomanagement
Häufig gestellte Fragen
Worum geht es in der vorliegenden Arbeit im Kern?
Die Arbeit evaluiert, inwieweit künstliche neuronale Netze (KNN) eingesetzt werden können, um die Bewertung von Zerobonds in Banken effizienter durchzuführen.
Welche zentralen Themenfelder werden bearbeitet?
Die zentralen Themen umfassen die theoretischen Konzepte von KNN, die klassische mathematische Bewertung von Zerobonds im Financial Engineering sowie die praktische Implementierung und Optimierung von KI-Modellen für finanzwirtschaftliche Berechnungen.
Was ist das primäre Ziel der Untersuchung?
Das Hauptziel ist die Prüfung der Genauigkeit der KNN-gestützten Berechnung sowie die Evaluation des Zielkonfliktes zwischen Berechnungsgeschwindigkeit und Bewertungsgüte im Vergleich zu mathematischen Standardmodellen.
Welche wissenschaftliche Methode wird primär angewendet?
Es wird ein experimenteller Ansatz gewählt, bei dem ein KNN auf Basis eines synthetisch erzeugten Datensatzes trainiert und die Performance mittels Gütemaßen wie dem Mean-Squared Error (MSE) und dem R2-Score validiert wird.
Was deckt der Hauptteil der Arbeit ab?
Der Hauptteil behandelt die Grundlagen der KNN, die methodische Vorgehensweise bei der Datengenerierung, die Implementierung mittels Python-Bibliotheken (Scikit-Learn) sowie die abschließende Bewertung der erzielten Ergebnisse.
Durch welche Schlüsselbegriffe ist die Arbeit charakterisiert?
Zu den prägenden Begriffen gehören insbesondere KNN, Zerobonds, Barwert, Hyperparameteroptimierung und der Vergleich von Berechnungszeiten.
Warum wurde für die Aktivierungsfunktion des KNN das ReLU-Verfahren gewählt?
ReLU (Rectified Linear Unit) wurde als optimal ermittelt, da es effizient ist, keine komplexen e-Funktionen enthält und in der Literatur als eine der leistungsfähigsten Aktivierungsfunktionen für Zwischenschichten gilt.
Ist der produktive Einsatz von KNN zur Zerobond-Bewertung empfehlenswert?
Ein produktiver Einsatz ist empfehlenswert, wenn leichte Abweichungen toleriert werden können, da der enorme Geschwindigkeitsvorteil bei Berechnungen gegenüber den klassischen Modellen neue analytische Möglichkeiten in Echtzeit eröffnet.
- Arbeit zitieren
- Arno Wunderlich (Autor:in), 2021, Evaluierung von künstlichen neuronalen Netzen zur Bewertung von Zerobonds, München, GRIN Verlag, https://www.grin.com/document/1389012
