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
EINFÜHRUNG
1. DATENSATZ UND DATA PREPROCESSING
2. AUSWAHL DER VARIABLEN
3. SOFTWARE, NETZAUFBAU UND TRAINIEREN:
4. TESTEN
5. WEITERE AUSBLICKE/VERBESSERUNGSPOTENTIAL:
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, die Eignung künstlicher neuronaler Netze (KNN) für die kurzfristige Prognose von Preisen für S&P-500-Call-Optionsscheine zu evaluieren und mit traditionellen statistischen Modellen sowie naiven Handelsstrategien zu vergleichen.
- Anwendung von KNN in der Finanzwirtschaft zur Preisvorhersage
- Technische Vorverarbeitung komplexer Finanzmarktdaten
- Modellierung von Input-Variablen basierend auf der Black-Scholes-Formel
- Leistungsbeurteilung des Netzwerkes mittels investitionsbezogener Kennzahlen
Auszug aus dem Buch
1. DATENSATZ UND DATA PREPROCESSING
Der gesamte historische Datensatz wurde der Chicago Mercantile Exchange entnommen und erstreckt sich über ca. 200 Handelstage über den Zeitraum vom 01.01.2001 bis zum 31.10.2001, mit jeweils ca. 250 täglichen Beobachtungen für S&P-Call-Optionsscheine mit verschiedensten Verfallsfrist- und Basispreiskombinationen. Aus den Konsistenzgründen wurde der Datensatz zuerst auf den Zeitraum 01.01.2001 bis 10.11.2001 verkürzt. Wegen der überwältigenden Größe des gesamten verbleibenden Datensatzes (über 40000 Beobachtungen für Call-Optionen) einerseits, und des relativ kurzen Zeitraumes von ca. 170 Handelstage andererseits, mussten pro Tag mehrere Optionen in den endgültigen Datensatz übernommen werden. Für jeden Handelstag wurden 12 Optionen ausgewählt mit 3 kürzesten Verfallsfristen und mit jeweils vier vom at-the-money-Verhältnis am geringsten entfernten Basispreisen. Dies ist dadurch begründet, dass solche Optionen allgemein viel liquider sind und besser vorhersagbar sind.
Zur strengeren Sicherung der Generalisierung wurde dieser 1524 Beobachtungen lange Datensatz weiterhin in einen Training- und Testing-Datensätze unterteilt. Der Training-Datensatz erfasst den Zeitraum 02.01.2001- 29.06.2001 und wird zum Trainieren des neuronalen Netzwerkes verwendet, der Test-Datensatz erfasst den Zeitraum 02.07.2001- 10.09.2001 und wird ausschließlich zur investitionsbezogenen Auswertung der Gütigkeit der Netzwerksprognose verwendet.
Zusammenfassung der Kapitel
EINFÜHRUNG: Die Einleitung beleuchtet die zunehmende Bedeutung künstlicher neuronaler Netze in der Finanzprognose und grenzt diese von traditionellen ökonometrischen Methoden ab.
1. DATENSATZ UND DATA PREPROCESSING: Dieses Kapitel erläutert die Datengewinnung von der Chicago Mercantile Exchange sowie die selektive Aufbereitung und Unterteilung der Daten in Trainings- und Testsets.
2. AUSWAHL DER VARIABLEN: Es wird begründet, welche ökonomischen Variablen als Input für das neuronale Netz dienen, wobei eine Anlehnung an die Black-Scholes-Formel unter Berücksichtigung der Prognosefähigkeit erfolgt.
3. SOFTWARE, NETZAUFBAU UND TRAINIEREN:: Hier wird die verwendete Software NeuroSolutions vorgestellt und der spezifische Aufbau des Netzwerkes inklusive der Lernalgorithmen detailliert beschrieben.
4. TESTEN: Das Kapitel beurteilt die Prognoseleistung des trainierten Netzes anhand eines Out-of-Sample-Testdatensatzes und einer simulierten Handelsstrategie.
5. WEITERE AUSBLICKE/VERBESSERUNGSPOTENTIAL:: Abschließend werden Ansätze zur Optimierung der Vorhersagegenauigkeit diskutiert, insbesondere die Reduktion von Autokorrelation im Fehlerterm.
Schlüsselwörter
Künstliche neuronale Netze, KNN, S&P-500, Call-Optionen, Finanzprognose, Black-Scholes-Formel, Zeitreihenanalyse, NeuroSolutions, Markteffizienz, Volatilität, Investmentstrategie, Zeitverzögerung, Generalisierung, Data Preprocessing.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die Effektivität von künstlichen neuronalen Netzen bei der kurzfristigen Vorhersage von Optionspreisen am Finanzmarkt.
Was sind die zentralen Themenfelder?
Im Fokus stehen die Datenvorverarbeitung von Optionspreisen, der Aufbau eines neuronalen Netzwerkes sowie die praktische Evaluierung der Prognoseleistung.
Was ist das primäre Ziel der Forschungsfrage?
Das Ziel ist die Feststellung, ob ein KNN durch das Lernen nichtlinearer Zusammenhänge eine bessere Rendite erzielen kann als naive Anlagestrategien.
Welche wissenschaftliche Methode wird verwendet?
Es wird ein rückwärtsgekoppeltes neuronales Netz (Back-Propagation) unter Verwendung des Lernalgorithmus Scaled Conjugate Gradient in der Software NeuroSolutions eingesetzt.
Was wird im Hauptteil behandelt?
Der Hauptteil beschreibt die Auswahl der Input-Variablen, den architektonischen Aufbau des Netzes sowie die empirische Testphase auf Basis realer Marktdaten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit ist durch Begriffe wie neuronale Netze, Optionsbewertung, Volatilität und zeitreihenbasierte Finanzprognose geprägt.
Warum wurde die Black-Scholes-Formel zur Variablenauswahl herangezogen?
Die Formel dient als theoretische Basis, um die wesentlichen preistreibenden Faktoren einer Option zu identifizieren, die dann als Input für das neuronale Modell dienen.
Wie wurde die Handelsstrategie im Test-Kapitel bewertet?
Die Bewertung erfolgte durch eine hypothetische Gewinnsimulation, bei der Kauf- und Verkaufsentscheidungen basierend auf den Prognosen des KNN getroffen wurden.
- Quote paper
- Volodymyr Perederiy (Author), 2002, Aktienkursprognose mit künstlichen neuronalen Netzen: KURZFRISTIGE PROGNOSE DER PREISE VON CALL-OPTIONEN AUF S&P-500-INDEX MITTELS KNN, Munich, GRIN Verlag, https://www.grin.com/document/28347
