In Abgrenzung zu künstlichen neuronalen Netze (KNN), bei welchen (selbstlernende) Algorithmen eine entscheidende Rolle spielen, wird an den internationalen Börsen der automatisierte, ebenfalls algorithmisch programmierte Hochfrequenzhandel argwöhnisch beobachtet. Bereits heute werden etwa drei Viertel aller Transaktionen an der NYSE von Algorithmen ausgeführt. KNN sind Forschungsgegenstand der Neuroinformatik und fallen unter den Begriff der KI, dabei stellen sich diverse Fragen. Die für Börsenspekulanten interessanteste Frage dürfte sein: Können neuronale Netze (NN) heute und in Zukunft an den Finanzmärkten gewinnbringend eingesetzt werden?
Finalziel dieser Arbeit ist, den aktuellen wissenschaftlichen Forschungsstand und die von unterschiedlichen Seiten postulierten Einsatzmöglichkeiten der KNN in der Börsenspekulation darzulegen. Hierfür muss ein grundlegendes Verständnis über den Aufbau und die Funktionsweise der KNN, die Fuzzy-Logik und zum Thema Algorithmen geschaffen werden.
Um die skizzierten Ziele erreichen zu können, werden zunächst ausgewählte Grundlagen erarbeitet, d.h. relevante Termini werden definiert und die Fuzzy-Logik wird einleitend beschrieben. Das 3. Kapitel beschreibt den theoretisch-wissenschaftlichen Status quo der KNN, wohingegen das vierte Kapitel gegenwärtige Praxisbeispiele beleuchtet. In beiden Kapiteln wird die mögliche Anwendung KNN, um idealerweise Entwicklungen an den Finanzmärkten prognostizieren zu können, analysiert.
Inhaltsverzeichnis
1 Einleitung
2 Terminologische Grundlegung
2.1 Begriffsdefinitionen
2.2 Fuzzy-Logik
3 Aktueller Forschungsstand: Neuronale Netze
3.1 Grundsätzliche Funktionsweise eines künstlichen neuronalen Netzwerkes
3.2 Struktur und Funktionsweise eines Multi-Layer-Perceptrons (MLP)
3.3 Theoretischer Ausblick: Neuronale Netze in der Börsenspekulation
4 Anwendungsbeispiele Neuronaler Netze zur Aktienkursprognose
4.1 ProfitStation.de – Der neuronale Börsenexperte
4.2 Integrierte Börsensoftware „SHAREholder“
4.3 Damantis GmbH: automatisierter Aktienanalyse
5 Schluss
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist es, den aktuellen wissenschaftlichen Forschungsstand sowie die postulierten Einsatzmöglichkeiten von künstlichen neuronalen Netzen (KNN) in der Börsenspekulation darzulegen und kritisch zu reflektieren. Die zentrale Forschungsfrage untersucht, ob neuronale Netze heute und in Zukunft an den Finanzmärkten gewinnbringend zur Aktienkursprognose eingesetzt werden können.
- Grundlagen der KI und Fuzzy-Logik
- Funktionsweise und Struktur künstlicher neuronaler Netze (MLP)
- Analyse kommerzieller Softwareanwendungen mit KNN-Technologie
- Kritische Diskussion der Black-Box-Problematik bei der Aktienkursprognose
- Potenziale und Grenzen von KI-gestützten Entscheidungshilfen
Auszug aus dem Buch
3.1 Grundsätzliche Funktionsweise eines künstlichen neuronalen Netzwerkes
KNN als struktur-entdeckende Verfahren setzen genau bei diesen Einschränkungen an: Einem KNN müssen weder kausale Verbindungen vorgegeben werden, noch müssen diese linear sein. Unterschiedliche Skalenniveaus können sinnstiftend berücksichtigt werden. KNN berücksichtigen zahlreiche Variablen, wenngleich mehr Input-Variablen tendenziell mehr Speicherkapazität benötigen, und sie justieren selbst durch algorithmische Lernprozesse die Gewichte zwischen den einzelnen Neuronen. Es ist eine Analogie zwischen einer biologischen Nervenzelle und dem biologischen Lernen verglichen mit KNN und deren Lernalgorithmen erkennbar, eine explizite Gegenüberstellung wird an dieser Stelle nicht durchgeführt. Wesentliches Merkmal der KNN ist: Sie reagieren auf Signale ihrer Umgebung.
Die Informationsverarbeitung (IV) und Speicherung von Wissen läuft in KNN – analog dem biologischen Nervensystem – wie folgt ab: Systemexterne Informationen sind die Basis für die IV. Die Neuronen 1-4 der Eingabeschicht nehmen diese Reizeinwirkungen wahr und leiten sie unverändert weiter. Die Neuronen der verdeckten Schicht übernehmen die IV. Die Neuronen 5-7 gehören zur ersten, die Neuronen 8-9 zur zweiten verdeckten Schicht. Algorithmische Lernprozesse generieren Wissen. Die unterschiedlichen und sich ändernden Gewichte der Verbindungen zwischen den Neuronen symbolisieren den aktuellen Wissensstand. Die IV wird parallel und nicht streng sequentiell ausgeführt.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Thematik der neuronalen Netzwerke ein und definiert die Zielsetzung sowie die Vorgehensweise der Arbeit im Kontext der modernen Finanzmarktanalyse.
2 Terminologische Grundlegung: Hier werden grundlegende Begriffe der Börsenspekulation, der Algorithmen sowie der Fuzzy-Logik erläutert, um das notwendige Verständnis für die weiteren Kapitel zu schaffen.
3 Aktueller Forschungsstand: Neuronale Netze: Dieses Kapitel beschreibt die Funktionsweise und Struktur künstlicher neuronaler Netze sowie deren theoretisches Potenzial für die Prognose von Aktienkursen.
4 Anwendungsbeispiele Neuronaler Netze zur Aktienkursprognose: Der Fokus liegt hier auf der Untersuchung konkreter kommerzieller Softwarelösungen, die neuronale Netze zur Analyse von Aktienkursen einsetzen.
5 Schluss: Das Schlusskapitel fasst die gewonnenen Erkenntnisse zusammen und reflektiert kritisch die Limitationen sowie die zukünftige Relevanz von KNN in der Finanzbranche.
Schlüsselwörter
Künstliche neuronale Netze, KNN, Börsenspekulation, Aktienkursprognose, Künstliche Intelligenz, Fuzzy-Logik, Multi-Layer-Perceptron, Backpropagation, Deep Learning, Finanzmarkt, Algorithmen, Big Data, Technische Analyse, Wissensstand, Lernalgorithmen.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von künstlichen neuronalen Netzen zur Prognose von Aktienkursen und analysiert, wie diese Technologie in der heutigen Börsenpraxis Anwendung findet.
Was sind die zentralen Themenfelder?
Die Schwerpunkte liegen auf der Funktionsweise neuronaler Netzwerke, der Abgrenzung zur klassischen Logik, der praktischen Anwendung in Börsensoftware und der kritischen Reflexion wissenschaftlicher sowie kommerzieller Ansätze.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist die Darlegung des aktuellen wissenschaftlichen Forschungsstands zu KNN in der Börsenspekulation, um die Frage zu beantworten, ob diese gewinnbringend an Finanzmärkten eingesetzt werden können.
Welche wissenschaftliche Methode wird verwendet?
Es wird eine literaturgestützte Analyse durchgeführt, die theoretische Grundlagen aus der Neuroinformatik mit einer praxisorientierten Begutachtung existierender Börsen-Softwareanbieter verknüpft.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung der Funktionsweise von KNN und die Untersuchung von Praxisbeispielen wie ProfitStation.de, SHAREholder und Damantis GmbH.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Künstliche neuronale Netze, Aktienkursprognose, FinTech, Algorithmen und Machine Learning definiert.
Welche spezifische Rolle spielt das Multi-Layer-Perceptron (MLP)?
Das MLP wird als der in der Praxis am häufigsten anzutreffende Netztyp beschrieben, der durch überwachtes Lernen und den Backpropagation-Algorithmus zur Fehlerkorrektur befähigt wird.
Warum ist die "Black-Box-Problematik" für Börsenexperten relevant?
Börsenexperten benötigen Erklärbarkeit für Kaufentscheidungen; die mangelnde Interpretierbarkeit der internen Prozesse eines KNN stellt daher ein wesentliches Hindernis für die breite Akzeptanz in der Finanzwelt dar.
- Quote paper
- Philipp Stockinger (Author), 2017, Neuronale Netze in der Börsenspekulation, Munich, GRIN Verlag, https://www.grin.com/document/381264
