EINFÜHRUNG
Die neuronale Netze haben in den 80er-90er Jahren eine enorme Popularität und Bedeutung für Finanzprognosen erlangt. Sie bieten bei weitem mehr Flexibilität als die traditionellen,, noch in den 60-er und 70-er Jahren gegründeten statistisch-ökonometrischen Methoden. Dennoch muss man heutzutage feststellen, dass die erfolgreiche Prognose für die jüngste Aktien-Zeitreihen in den letzten Jahren immer schwieriger geworden ist (vgl. White, s. 457-58) und meistens nur kommerziell unter Beanspruchung größerer EDV- und Investitionskapazitäten möglich wird, was nicht immer rentabel ist. Dies gilt insbesondere für etablierte Finanzmärkte der Industrieländer, und ist vor allem auf wachsende Markteffizienz und steigende Beanspruchung der KNN-Prognose an sich zurückzuführen. Die Optionen bieten in dieser Hinsicht ein viel versprechendes und noch wenig erschlossenes Einsatzfeld. Sie weisen starke Abhängigkeit nicht nur von Kursen des Basiswertes direkt, sondern auch von Volatilität, die auch unter Verwendung der klassischen statistischen Methoden ziemlich gut vorhersagbar ist (z.B. mit GARCH-Modellen, vgl. Mills, s. 133-137). Weiterhin, sind alle existierenden Optionspreismodelle höchstens nichtlinear, was den KNN einen Vorteil im Vergleich zu den meistens linear ausgeprägten statistischen Methoden verspricht.
Dieses Teil der Arbeit beschäftigt sich mit 1-Tages-Prognose der S&P-500-Call- Optionsscheine, die an der Chicago Mercantile Exchange gehandelt werden. Das erste Kapitel beschäftigt sich ausschließlich mit Auswahl und technischer Vorverarbeitung (Preprossesing) des Datensatzes. Wie wir später sehen werden, ist diese Etappe sehr wichtig wegen der schwächeren Transparenz der Optionsscheine verglichen mit beispielsweise Aktien. Die weiteren zwei Kapitel beschreiben den Aufbau des KNN sowie das Trainieren des Netzes in NeuroSolutions-Umgebung. Im vierten Kapitel wird die Prognosekapazität des Netzes aus der Sicht eines risikofreudigen Investors beurteilt und mit einigen „naiven“ Strategien verglichen.
Inhaltsverzeichnis
- 1. DATENSATZ UND DATA PREPROCESSING
- 2. AUSWAHL DER VARIABLEN
- 3. SOFTWARE, NETZAUFBAU UND TRAINIEREN
- 4. TESTEN
- 5. WEITERE AUSBLICKE/VERBESSERUNGSPOTENTIAL
Zielsetzung und Themenschwerpunkte
Diese Arbeit untersucht die kurzfristige Prognose von Call-Optionspreisen auf den S&P-500-Index mittels künstlicher neuronaler Netze (KNN). Ziel ist es, die Leistungsfähigkeit von KNN im Vergleich zu traditionellen statistischen Methoden in diesem Kontext zu evaluieren. Die Arbeit konzentriert sich auf die praktische Anwendung und Bewertung der Prognosegenauigkeit.
- Datenvorbereitung und -aufbereitung für Optionspreise
- Auswahl relevanter Variablen für die KNN-Prognose
- Aufbau und Training des neuronalen Netzes
- Bewertung der Prognosegüte und Vergleich mit alternativen Strategien
- Potenzial und Verbesserungsansätze für zukünftige Forschung
Zusammenfassung der Kapitel
1. DATENSATZ UND DATA PREPROCESSING: Dieses Kapitel beschreibt die Beschaffung und Aufbereitung des Datensatzes von der Chicago Mercantile Exchange. Der Datensatz umfasst ca. 200 Handelstage mit täglichen Beobachtungen für S&P-500-Call-Optionen. Aufgrund der Datenmenge wurde der Datensatz auf einen Zeitraum von 01.01.2001 bis 10.11.2001 reduziert und täglich 12 Optionen mit den kürzesten Verfallsfristen und Basispreisen ausgewählt, die dem at-the-money-Verhältnis am nächsten liegen. Der Datensatz wurde anschließend in Trainings- und Testdatensätze aufgeteilt, um die Generalisierung der Prognose zu gewährleisten. Ausreißer wurden identifiziert und durch gültige Werte ersetzt. Die Einbeziehung einer Dummy-Variable zur Kennzeichnung des Beginns neuer Sequenzen im Datensatz wird ebenfalls erläutert.
2. AUSWAHL DER VARIABLEN: In diesem Kapitel wird die Auswahl der Input- und Output-Variablen für das neuronale Netzwerk detailliert beschrieben. Der Settle-Price dient als Output-Variable. Die Auswahl der Input-Variablen orientiert sich an der Black-Scholes-Formel, wobei jedoch nur Variablen aus dem Informationsstand des Vortages verwendet werden, um ein rein prognostizierendes Netzwerk zu gewährleisten. Die Limitationen der Black-Scholes-Formel und die Berücksichtigung möglicher nichtlinearer Abhängigkeiten durch das KNN werden diskutiert. Die ausgewählten Variablen umfassen den Preis des Basiswertes vom Vortag, den Basispreis, die verbleibende Zeit bis zum Verfall, die risikolose Rendite, die jährliche Rendite des Basiswertes vom Vortag und die annualisierte Volatilität der Rendite vom Vortag. Die Notwendigkeit der Berücksichtigung von nichtlinearen Abhängigkeiten wird hervorgehoben.
Schlüsselwörter
Künstliche neuronale Netze, Aktienkursprognose, Optionspreise, S&P-500-Index, Call-Optionen, Black-Scholes-Modell, Markteffizienz, Volatilität, Data Preprocessing, Zeitreihenanalyse, Prognosegenauigkeit.
Häufig gestellte Fragen zur Arbeit: Kurzfristige Prognose von Call-Optionspreisen auf den S&P-500-Index mittels künstlicher neuronaler Netze
Was ist das Thema der Arbeit?
Die Arbeit befasst sich mit der kurzfristigen Prognose von Call-Optionspreisen auf den S&P-500-Index mithilfe künstlicher neuronaler Netze (KNN). Ziel ist der Vergleich der Leistungsfähigkeit von KNN mit traditionellen statistischen Methoden.
Welche Daten wurden verwendet?
Der Datensatz stammt von der Chicago Mercantile Exchange und umfasst ca. 200 Handelstage mit täglichen Beobachtungen für S&P-500-Call-Optionen. Für die Analyse wurde der Zeitraum vom 01.01.2001 bis 10.11.2001 verwendet, wobei täglich 12 Optionen mit den kürzesten Laufzeiten und Basispreisen (nahe am at-the-money-Verhältnis) ausgewählt wurden. Der Datensatz wurde in Trainings- und Testdaten aufgeteilt und Ausreißer wurden behandelt.
Wie wurde der Datensatz vorbereitet (Data Preprocessing)?
Der Datensatz wurde auf einen relevanten Zeitraum reduziert und täglich 12 Optionen selektiert. Ausreißer wurden identifiziert und ersetzt. Eine Dummy-Variable markiert den Beginn neuer Sequenzen. Die Aufbereitung konzentrierte sich auf die Vorbereitung für die Verwendung in einem neuronalen Netzwerk.
Welche Variablen wurden für die Prognose verwendet?
Die Output-Variable ist der Settle-Price. Die Input-Variablen basieren auf der Black-Scholes-Formel, verwenden aber nur Informationen des Vortages (Basiswertpreis, Basispreis, verbleibende Zeit bis zum Verfall, risikolose Rendite, jährliche Rendite des Basiswertes vom Vortag und die annualisierte Volatilität der Rendite vom Vortag). Die Auswahl berücksichtigt die Limitationen der Black-Scholes-Formel und mögliche nichtlineare Abhängigkeiten, die durch das KNN erfasst werden sollen.
Wie wurde das neuronale Netzwerk aufgebaut und trainiert?
Die Arbeit beschreibt den Aufbau und das Training des neuronalen Netzes detailliert (Kapitel 3), jedoch werden die spezifischen Architektur und Trainingsmethoden nicht im Inhaltsverzeichnis/Zusammenfassung dargestellt. Die Details sind im Haupttext der Arbeit zu finden.
Wie wurde die Prognosegüte bewertet?
Die Arbeit evaluiert die Prognosegüte des neuronalen Netzes und vergleicht sie mit alternativen Strategien (Kapitel 4), aber die konkreten Bewertungsmethoden und Ergebnisse werden im Inhaltsverzeichnis/Zusammenfassung nicht im Detail dargelegt. Details sind im Haupttext zu finden.
Welche Schlussfolgerungen wurden gezogen?
Die Arbeit zieht Schlussfolgerungen zur Leistungsfähigkeit von KNN bei der kurzfristigen Prognose von Call-Optionspreisen im Vergleich zu traditionellen Methoden und zeigt Verbesserungspotential für zukünftige Forschung auf (Kapitel 5).
Welche Schlüsselwörter beschreiben die Arbeit?
Künstliche neuronale Netze, Aktienkursprognose, Optionspreise, S&P-500-Index, Call-Optionen, Black-Scholes-Modell, Markteffizienz, Volatilität, Data Preprocessing, Zeitreihenanalyse, Prognosegenauigkeit.
- Citar trabajo
- Volodymyr Perederiy (Autor), 2002, Aktienkursprognose mit künstlichen neuronalen Netzen: KURZFRISTIGE PROGNOSE DER PREISE VON CALL-OPTIONEN AUF S&P-500-INDEX MITTELS KNN, Múnich, GRIN Verlag, https://www.grin.com/document/28347
