Das Erstellen präziser Prognosen ist in der heutigen Zeit unverzichtbar, da vielerlei Planungsaktivitäten der Wirtschaft, Finanzwelt und Wissenschaft Vorhersagen über das zukünftige Verhalten von Variablen und Zeitreihen benötigen. Diese Vorhersagen unterstützen die strategischen Entscheidungen von Organisationen, welche dadurch ein erhebliches praktisches Interesse an Prognoseverfahren haben. Aufgrund der Existenz einer Unzahl von Interdependenzen und ständiger Veränderungen ist es jedoch gerade im Bereich der Wirtschaft zunehmend schwieriger akkurate Vorhersagen zu treffen. Das Bestimmen von Prognosen und anschließende darauf basierte Treffen von Entscheidungen kann für Unternehmen daher sowohl Chancen als auch Risiken bergen. Aufgrund der großen praktischen Bedeutung von Prognosen ist die Entwicklung und Verbesserung von Methoden der Prognoseerstellung ein aktives und stark verbreitetes Forschungsgebiet, welches auch in aktueller Literatur viel Beachtung findet. Insbesondere vor dem Hintergrund gestiegener Volatilitäten im wirtschaftlichen Umfeld und den immer stärkeren globalen Verflechtungen gewinnen die Anforderungen an moderne Prognosesysteme am Bedeutung. Eine dieser modernen Prognosemethoden ist die Methode der Prognose mithilfe künstlicher neuronaler Netzwerke, welche seit dem Ende der achtziger Jahre neben den konventionellen Prognoseverfahren zunehmend Anwendung findet. Künstlich neuronale Netzwerke sollten ursprünglich die Erforschung von Vorgängen im menschlichen Gehirn unterstützen. Mittlerweile werden neuronale Netze jedoch in einer Vielzahl von Anwendungsgebieten wie der Optimierung, der Klassifizierung und auch der Prognose, erfolgreich eingesetzt. Die Nutzung von neuronalen Netzen zur Erstellung von Prognosen bringt jedoch auch eine Reihe von Problemen mit sich. Werden bei der Auswahl von Faktoren, die es im Prozess der Prognoseerstellung mithilfe von künstlichen neuronalen Netzwerken zu bestimmen gilt, suboptimale Entscheidungen getroffen, kann sich dies stark negativ auf die Prognosegüte auswirken. Eine Methode, welche diesen Problemen entgegenwirken soll, ist die Kombination mehrerer neuronaler Netzwerke zu einem Ensemble. Mit dieser Methode, die im Laufe des letzten Jahrzehnts immer stärker werdende Aufmerksamkeit bekommen hat, soll die Gefahr von groben Fehleinschätzungen verringert sowie auch die generell erreichbare Prognosegüte stark verbessert werden.
Inhaltsverzeichnis
1 Einleitung
1.1 Themenvorstellung und Zielsetzung
1.2 Gang der Arbeit
2 Konventionelle Prognoseverfahren
2.1 Naive Verfahren
2.2 Qualitative Verfahren
2.3 Quantitative Verfahren
2.3.1 Zeitreihenprognose
2.3.2 Kausale Prognoseverfahren
3 Künstliche neuronale Netze
3.1 Aufbau und Funktionsweise künstlicher neuronaler Netze
3.1.1 Das Neuron
3.1.2 Die Netzwerktopologie
3.2 Der Lernvorgang künstlicher neuronaler Netzwerke
3.2.1 Der Backpropagation-Algorithmus
4 Prognose mithilfe künstlicher neuronaler Netze
4.1 Eigenschaften künstlicher neuronaler Netze in Bezug auf die Prognose
4.1.1 Datengetrieben und selbst anpassend
4.1.2 Generalisierbarkeit
4.1.3 Abbildbarkeit jeder kontinuierlichen Funktion
4.1.4 Nichtlinearität
4.2 Anwendungsgebiete
4.3 Prozess der Prognoseerstellung
4.4 Zeitreihenmodellierung durch ein MLP - Netz
4.5 Limitationen des KTB Ansatzes
5 Kombination künstlicher neuronaler Netze zur Prognoseerstellung
5.1 Die Erstellung variierender Netzwerke
5.1.1 Variation der Startwerte
5.1.2 Variation der Topologien
5.1.3 Variation bzw. Manipulation der Trainingsdaten
5.2 Die Kombination der Netzwerke
5.2.1 Die einfache Durchschnittsbildung
5.2.2 Die gewichtete Durchschnittsbildung
5.2.3 Die Größe des NNE
5.3 Gegenüberstellung der Verfahren der Kombinationsprognose
6 Fazit und Ausblick
Literaturverzeichnis
- Quote paper
- Nicolas Saive (Author), 2011, Kombinationsprognose mit neuronalen Netzen, Munich, GRIN Verlag, https://www.grin.com/document/197590
