Aufgabe dieser Arbeit ist die Darstelllung der Vorgehensweise bei der Konstruktion von Handelsmodellen,
die Empfehlungen für den Devisenhandel geben können, um als Simulation für wissenschaftliche
Zwecke oder als Ratgeber für Devisenhändler dienen zu können. Der besondere
Wert für die Wissenschaft besteht darin, daß die statistischen Eigenschaften vonWechselkursprognosen
nicht zwingend mit ihrer Profitabilität einhergehen. Somit ist ein statistisch überlegenes
Modell nicht zwingend ein gutes Modell für das Verhalten derMarktteilnehmer. In dieser Arbeit
werden außerdem die Funktionsweise zweier nichtparametrischer Modellfamilien dargestellt –
neuronale Netze und genetische Algorithmen.
Inhaltsverzeichnis
1. Einleitung
2. Design von Echtzeit-Handelsmodellen
2.1. Aufbau des Handelsmodells
2.2. Der simulierte Händler
2.3. Ein Modellbeispiel
2.4. Handel mit Volatilitäten: Das Konzept des Straddle
3. Aufbau nichtlinearer Prognosemodelle
3.1. Funktionsweise künstlicher neuronaler Netze
3.2. Modellgenerierung durch genetische Algorithmen
4. Empirische Ergebnisse
4.1. Vorhersage von Wechselkursen mit KNN
4.2. Vorhersage von Wechselkursen mit Genetischen Algorithmen
4.3. Vorhersage von Wechselkurs-Volatilität
5. Zusammenfassung
A. Mathematischer Anhang
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Konstruktion und Profitabilität von automatisierten Handelsmodellen für den Devisenmarkt unter Verwendung nicht-linearer Prognoseverfahren. Das primäre Ziel ist es, die Eignung von neuronalen Netzen und genetischen Algorithmen im Vergleich zu klassischen statistischen Benchmark-Modellen zur Generierung von Handelsempfehlungen zu analysieren.
- Konstruktion und Design von Echtzeit-Handelsmodellen
- Methodik künstlicher neuronaler Netze zur Funktionsapproximation
- Einsatz genetischer Algorithmen zur automatisierten Modellgenerierung
- Empirische Evaluierung der Profitabilität von Handelsstrategien
- Vergleich von Handelsmodellen unter Risikoaspekten
Auszug aus dem Buch
2.1. Aufbau des Handelsmodells
Die Aufgabe des eigentlichen Handelsmodells ist es, Entscheidungsempfehlungen für den simulierten Händler zu generieren. Hierzu werden die gefilterten Preisinformationen von den vier „Modulen“ des Modells verarbeitet. Das erste Modul ist die Berechnung der aktuellen Rendite. Dabei muß beachtet werden, daß Devisenhändler in der Regel Positionen langsam aufbauen. Daher wird zur Berechnung der Rendite der Durchschnittspreis p herangezogen, der gezahlt wurde, um die aktuelle Position zu erreichen. Wurde ein neues Geschäft mit dem Index i eingegangen, berechnet sich p wie folgt:
Dabei stehen gi−1 und gi für die vorhergehende und die aktuelle Position, pi ist der aktuelle Preis und pi−1 ist der Durchschnittspreis vor dem Handel. Zu Beginn, wenn die Position gleich Null ist, ist der Durchschnittspreis noch nicht definiert. Wenn von einer neutralen Position (gi−1 = 0) ausgegangen, bzw. wenn eine gegensätzliche Position eingegangen wird (gigi−1 < 0), also wenn man gegenüber einer Währung nicht mehr „short“, sondern „long“ eingestellt ist, entspricht der Durchschnittspreis dem aktuellen Preis. Wird eine Position ausgebaut, wird der Durchschnittspreis aktualisiert; bei einer Verringerung der Position ändert sich der Durchschnittspreis nicht.
Mit dem so gebildeten Durchschnittspreis wird die Rendite ri eines Geschäftes berechnet: Dabei ist die Position g'i gleich Null, wenn eine gegensätzliche Position eingegangen wird, und sonst entspricht sie gi.
Die aktuelle Rendite rc ist der Buchgewinn eines Handels, wenn die Position nicht neutral (gi = 0) ist. Wenn pc der Preis ist, um wieder eine neutrale Position einzugehen, berechnet sich die aktuelle Rendite aus: rc = gi (pc/pi − 1).
Zusammenfassung der Kapitel
1. Einleitung: Definiert die Aufgabenstellung der Arbeit und gibt einen Überblick über die behandelten Modellfamilien wie neuronale Netze und genetische Algorithmen.
2. Design von Echtzeit-Handelsmodellen: Erläutert die Architektur, den Prozess der Positionsberechnung und die Kriterien für ein effektives Echtzeit-Handelssystem.
3. Aufbau nichtlinearer Prognosemodelle: Beschreibt die theoretischen Grundlagen und die Funktionsweise von künstlichen neuronalen Netzen sowie genetischen Algorithmen zur Modellgenerierung.
4. Empirische Ergebnisse: Präsentiert die Leistungsfähigkeit der entwickelten Handelsmodelle anhand realer Wechselkursdaten und vergleicht diese mit klassischen Benchmarks.
5. Zusammenfassung: Fasst die wichtigsten Erkenntnisse der Arbeit zusammen und bewertet den Nutzen der untersuchten nichtparametrischen Ansätze für die Handelspraxis.
A. Mathematischer Anhang: Detaillierte Herleitung der verwendeten Erfolgskennzahlen wie Gesamtrendite, Sharp-Ratio und effektive Rendite unter Risiko.
Schlüsselwörter
Devisenmarkt, Handelsmodelle, Künstliche Neuronale Netze, Genetische Algorithmen, Wechselkursprognose, Volatilität, Echtzeit-Handel, Handelsstrategien, Finanzmarktdaten, Risikoaversion, Sharpe-Ratio, Modellkombination, Backpropagation, Overfitting, Rendite
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit befasst sich mit der Entwicklung und Untersuchung von automatisierten Handelsmodellen für den Devisenmarkt, die auf nicht-linearen Prognosemodellen basieren.
Was sind die zentralen Themenfelder?
Im Zentrum stehen der Aufbau von Handelsarchitekturen, der Einsatz künstlicher neuronaler Netze und genetischer Algorithmen zur Kurs- und Volatilitätsprognose sowie die anschließende empirische Bewertung der Handelsperformance.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist der Nachweis, ob nichtparametrische Prognosemodelle statistisch überlegene Ergebnisse liefern und ob sich diese Vorteile in eine höhere Profitabilität bei der Anwendung als Handelsstrategie übersetzen lassen.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden Methoden des maschinellen Lernens angewendet, spezifisch künstliche neuronale Netze, rekurrente neuronale Netze (RNN) und genetische Algorithmen zur Modelloptimierung.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in das Design von Handelsmodellen, die Erläuterung der Prognosemethoden sowie die Darstellung und Analyse der empirischen Handelsergebnisse für verschiedene Wechselkurse.
Welche Keywords charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie Devisenmarkt, neuronale Netze, Volatilität, Handelsstrategien und statistische Kennzahlen zur Risikobewertung wie die Sharp-Ratio charakterisiert.
Wie unterscheiden sich die hier untersuchten Handelsmodelle von klassischen Ansätzen?
Im Gegensatz zu klassischen parametrischen Modellen setzen neuronale Netze und genetische Algorithmen nur sehr wenige a-priori-Annahmen voraus und sind besser in der Lage, nicht-lineare Zusammenhänge in den Finanzmarktdaten abzubilden.
Welche Rolle spielt die Volatilität in dieser Untersuchung?
Die Volatilität wird einerseits als zu prognostizierende Variable behandelt und andererseits zur Konstruktion von speziellen Strategien, wie dem sogenannten Straddle-Konzept, genutzt.
- Arbeit zitieren
- Owe Jessen (Autor:in), 2004, Design und Profitabilität von Devisen-Handelsstrategien auf der Grundlage nichtlinearer Prognosemodelle, München, GRIN Verlag, https://www.grin.com/document/36718
