Die vorliegende Arbeit ist in 8 Kapitel gegliedert. Das dem einleitenden Kapitel 1 folgende Kapitel 2 beschäftigt sich mit der Thematik „neuronale Netze“. Nach einer kurzen Einführung, einem historischen Überblick und der Verbindung zu dem biologischem Vorbild folgt eine Darstellung des Aufbaus von simulierten, künstlichen neuronalen Netzen. Das letzte Unterkapitel 2.8 beschäftigt sich schließlich mit dem „Lernen“ in neuronalen Netzen. Es enthält eine Unterscheidung der Arten des Lernens, sowie anschließend eine formale Darstellung von einigen bedeutenden Lernregeln.
Kapitel 3 behandelt kurz den Nutzen und den Aufbau evolutionärer Algorithmen, bevor im Anschluss daran deren Eigenschaften und Entwicklung erklärt werden. Im Kapitel 4 werden einige Grundlagen zum Bereich Finanzprognosen dargestellt. Es wird sowohl auf Renditegenerierungsprozesse als auch auf die Markteffizienzthesen von Fama, die technische und fundamentale Analyse, sowie die nichtlineare Analyse von Finanzmärkten eingegangen. Im sich anschließenden Kapitel 5 werden drei bestehende Ansätze neuronaler Netze im Bereich der Finanzwirtschaft vorgestellt, bevor im Kapitel 6 Möglichkeiten und Probleme der reinen Zeitreihenprognose mittels NN erörtert werden.
In den, in Kapitel 7 vorgestellten, in JAVA realisierten Prognosetools, wird die reine Zeitreihenprognose bzw. technische Zeitreihenanalyse verwendet, im Gegensatz zu Prognosetechniken, welche verschiedene weitere (ökonomische) Faktoren benutzen. Diese Beschränkung musste gemacht werden, um nicht den Rahmen der hier vorliegenden Arbeit zu sprengen.
Nach einer Erklärung der Struktur der verwendeten neuronalen Netze, auf denen die Prognosetools aufbauen, folgt eine Darstellung eines objektorientierten Ansatzes zu Realisierung neuronaler Netze nach J. Rogers in Java. Anschließend wird der Nutzen evolutionärer Algorithmen in dem implementierten Ansatz erläutert, bevor die Prognosetools einzeln vorgestellt werden. Nach einer Darstellung der Ergebnisse der verwendeten Prognosetools für zwei künstlich erzeugte Zeitreihen und fünf Renditezeitreihen von real existierenden Wertpapieren bzw. für einen Aktienindex schließt sich Kapitel 8 mit der Zusammenfassung der in dieser Arbeit gewonnenen Erkenntnisse und Verbesserungsmöglichkeiten des implementierten Ansatzes an.
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung in die Thematik
1.2 Ziel der Arbeit
1.3 Aufbau der Arbeit
2 Neuronale Netze
2.1 Was sind neuronale Netze ?
2.2 Anwendungsgebiete neuronaler Netze
2.3 Eigenschaften neuronaler Netze
2.4 Geschichte neuronaler Netze
2.5 Biologische Neuronen
2.5.1 Aufbau einer Nervenzelle
2.6 Neuronen in der Simulation vs. Neuronen in der Natur
2.7 Konzepte des Konnektionismus
2.7.1 Aufbau und Darstellung KNN
2.7.2 Bestandteile neuronaler Netze
2.7.3 Zelltypen nach Position im Netzwerk
2.7.4 Aktivierungszustand
2.7.5 Ausgabefunktion
2.7.6 Arten von Verbindungsnetzwerken
2.7.6.1 Netze ohne Rückkopplung (Feedforward-Netze)
2.7.6.2 Netze mit Rückkopplungen
2.7.7 Propagierungsregel und Aktivierungsfunktion
2.7.8 Lernregel
2.8 Lernen in neuronalen Netzen
2.8.1 Arten des Lernens
2.8.1.1 Überwachtes Lernen
2.8.1.2 Bestärkendes Lernen
2.8.1.3 Unüberwachtes Lernen
2.8.2 Realisierungsmöglichkeiten von Lernprozessen in KNN
2.8.2.1 Hebbsche Lernregel
2.8.2.2 Delta-Regel
2.8.2.3 Backpropagation-Regel
2.8.2.4 Backpropagation mit Momentum-Term
3 Evolutionäre Algorithmen
3.1 Motivation
3.2 Was sind evolutionäre Algorithmen ?
3.3 Struktureller Aufbau evolutionärer Algorithmen
3.4 Eigenschaften genetischer Algorithmen
3.5 Entwicklung evolutionärer Algorithmen
4 Finanzprognosen
4.1 Motivation
4.2 Methoden und Probleme der Finanzanalyse
4.2.1 Renditegenerierungsprozesse
4.2.1.1 Lineare Renditegenerierungsprozesse
4.2.1.2 Nichtlineare, dynamische Renditegenerierungsprozesse
4.3 These effizienter Kapitalmärkte
4.4 Technische Analyse
4.5 Fundamentale Analyse
4.6 Nichtlineare Analyse von Finanzmärkten
4.6.1 NN als Instrument zur nichtlinearen Analyse von Finanzdaten
5 Einsatz NN in der Finanzwirtschaft
5.1 Modell von Kimoto et al.
5.2 Modell von SNI/SENN
5.3 Modell der SGZ-Bank AG
6 Zeitreihenprognose mittels neuronaler Netze
6.1 Schwierigkeiten und Probleme bei Zeitreihenprognosen
6.2 Verschiedene Architekturen neuronaler Netze zur Zeitreihenprognose
7 Eigener Ansatz
7.1 Einführung
7.2 Grundlagen
7.2.1 Aufteilung der Datenmenge
7.2.2 Partiell rekurrente neuronale Netze
7.2.2.1 Hierarchische Elman-Netze
7.2.3 Ein objektorientierter Ansatz für neuronale Netze
7.2.4 Evolutionäre Algorithmen
7.2.4.1 EA zur Optimierung der Netzstruktur
7.2.4.2 EA zur Optimierung der Fühlerstruktur
7.3 Die einzelnen Prognosetools
7.3.1 Weitere Java-Klassen
7.3.2 tsprogNN
7.3.3 tsprogNN2
7.3.4 tsprogNNEA
7.3.5 tsprogNNEA2
7.3.6 createprog
7.3.7 createprog2
7.3.8 Dateistrukturen
7.3.8.1 Dateiformat der Zeitreihendatei
7.3.8.2 Dateiformat der Zeitreihendatei bei Finanzmarktdaten
7.3.8.3 Dateiformat der trainierten PRNN
7.3.8.4 Dateiformat der Prognosedateien
7.4 Ergebnisse
7.4.1 Sägezahn
7.4.2 Sin(x)+Sin(x²)
7.4.3 DAX
7.4.4 BP
7.4.5 IBM
7.4.6 JPM
7.4.7 MSFT
8 Zusammenfassung und Ausblick
Zielsetzung & Themen
Ziel der Arbeit ist die Entwicklung eines in JAVA realisierten hybriden Systems zur Zeitreihenprognose mittels neuronaler Netze und evolutionärer Algorithmen, um komplexe Strukturen in Kapitalmarktzeitreihen zu analysieren und Vorhersagen zu treffen.
- Grundlagen neuronaler Netze und Konzepte des Konnektionismus
- Einsatz evolutionärer Algorithmen zur Optimierung von Netz- und Fühlerstrukturen
- Theoretische Grundlagen zur Finanzanalyse und Effizienz von Kapitalmärkten
- Realisierung partiell rekurrenter neuronaler Netze in einem objektorientierten Ansatz
- Empirische Untersuchung des Systems anhand künstlicher Zeitreihen und realer Finanzmarktdaten
Auszug aus dem Buch
1.1 Einführung in die Thematik
Die Kapitalmarktforschung bzw. die Finanzanalyse beschäftigen sich unter anderem mit Themen wie der Effizienz von Kapitalmärkten, dem Einfluss relevanter Informationen auf den Preisbildungsprozess von Wertpapieren, der am Markt gültigen Rendite/Risiko-Beziehung und Möglichkeiten bzw. Handelsstrategien zur Erzielung von signifikanten Überrenditen, bezogen auf eine als geltend betrachtete Rendite/Risiko-Beziehung.
Durch die heutigen Informationssysteme ist der Nachrichten- bzw. Informationsaustausch binnen Bruchteilen von Sekunden um den kompletten Globus möglich, was die berechtigte Frage aufwirft, ob die Finanzmärkte von heute bzw. deren Funktionsweise mit denen aus der Vergangenheit noch viele Gemeinsamkeiten haben.
Ist aus ehemals separaten Finanzmärkten ein globaler, integrierter Finanzmarkt entstanden, dessen Verständnis und Analyse anderer Methoden bedarf als der bisher für die separaten Märkte angewandten?
Wie sich im Kapitel 4 dieser Arbeit noch zeigen wird, werden gerade für die Analyse integrierter Finanzmärkte neuere Verfahren im Bereich der empirischen Kapitalmarktforschung eingesetzt.
Zwei dieser neueren Verfahren (neuronale Netze und evolutionäre Algorithmen) aus dem Bereich der künstlichen Intelligenz bzw. aus dem Bereich maschinelles Lernen (siehe unten) werden im Rahmen dieser Arbeit verwendet und in einem in JAVA realisierten hybriden System zur Zeitreihenprognose für Kapitalmarktzeitreihen implementiert.
Seit den fünfziger Jahren wird versucht, Computern die Fähigkeit beizubringen, „selbständig“ zu lernen. Der Oberbegriff hierfür ist „Maschinelles Lernen“, eine Formulierung, die 1959 von Samuel geschaffen wurde, dem es als Erster gelang, eine ernsthafte Aufgabe durch einen Computer zu „lernen“.
Zusammenfassung der Kapitel
1 Einleitung: Stellt das Forschungsziel, die methodische Einbettung in maschinelles Lernen und den Aufbau der Arbeit vor.
2 Neuronale Netze: Erläutert die Grundlagen, Eigenschaften, Geschichte und Lernverfahren künstlicher neuronaler Netze im Vergleich zu biologischen Vorbildern.
3 Evolutionäre Algorithmen: Beschreibt das Prinzip der natürlichen Selektion, den strukturellen Aufbau und die genetischen Operatoren wie Kreuzung und Mutation.
4 Finanzprognosen: Diskutiert Methoden der Finanzanalyse, Markteffizienzthesen und die Notwendigkeit nichtlinearer Analyseansätze bei integrierten Finanzmärkten.
5 Einsatz NN in der Finanzwirtschaft: Präsentiert existierende Ansätze zur Anwendung neuronaler Netze bei der Kursprognose durch bekannte Banken und Institutionen.
6 Zeitreihenprognose mittels neuronaler Netze: Analysiert Probleme wie Rauschen und Nicht-Stationarität sowie verschiedene Architekturen zur Zeitreihenvorhersage.
7 Eigener Ansatz: Detailliert die Implementierung, die hierarchischen Elman-Netze, den objektorientierten Ansatz, die Optimierung durch evolutionäre Algorithmen und die Ergebnisse der Anwendungstools.
8 Zusammenfassung und Ausblick: Resümiert die Erkenntnisse und diskutiert Potenziale für künftige Erweiterungen und Verbesserungen des Systems.
Schlüsselwörter
Neuronale Netze, Evolutionäre Algorithmen, Finanzprognose, Zeitreihenanalyse, Java, Maschinelles Lernen, Partielle rekurrente Netze, Elman-Netze, Renditegenerierung, Markteffizienz, Backpropagation, Handelsstrategien, Optimierung, Finanzmarkt, Kursvorhersage.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundlegend?
Die Arbeit beschäftigt sich mit der Entwicklung eines hybriden Systems in Java, das neuronale Netze und evolutionäre Algorithmen kombiniert, um Zeitreihenanalysen und Prognosen insbesondere für Kapitalmarktdaten durchzuführen.
Welche zentralen Themenfelder werden abgedeckt?
Die zentralen Felder sind die Informatik (künstliche Intelligenz, neuronale Netze, evolutionäre Optimierung, objektorientierte Programmierung in Java) sowie die Wirtschaftswissenschaften (Finanzanalyse, Markteffizienztheorien, Zeitreihenprognose).
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Das Ziel ist die Realisierung eines Modells, das in der Lage ist, selbstständig Strukturen in Renditezeitreihen von Aktien oder Indizes zu erlernen, um diese zur Vorhersage zukünftiger Realisationen zu nutzen.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden partiell rekurrente neuronale Netze (hierarchische Elman-Netze) verwendet. Diese Netze werden durch einen zweistufigen evolutionären Algorithmus optimiert, der sowohl die Netzstruktur als auch die Auswahl der Eingabefaktoren (Fühlerstruktur) anpasst.
Was wird im Hauptteil der Arbeit behandelt?
Neben den theoretischen Grundlagen zu neuronalen Netzen, evolutionären Algorithmen und der Finanzanalyse wird der „eigene Ansatz“ im Detail vorgestellt. Dies umfasst die Implementierung der Java-Klassen, die methodische Vorgehensweise zur Optimierung und die Präsentation der Ergebnisse für verschiedene Finanzdaten.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die Arbeit lässt sich durch Begriffe wie Zeitreihenprognose, Neuronale Netze, Evolutionäre Algorithmen, Java-Implementierung, Finanzanalyse und Partielle Rekurrente Neuronale Netze (PRNN) beschreiben.
Warum wurden hierarchische Elman-Netze für den Ansatz gewählt?
Diese Netze sind eine spezielle Form partiell rekurrenter Netze, die einen Speichermechanismus besitzen. Dadurch sind sie besonders geeignet, zeitliche Zusammenhänge und Trends in dynamischen Zeitreihen zu erkennen, was mit Standard-Feedforward-Netzen schwieriger ist.
Welche Rolle spielen die "Fühler" bei der Optimierung?
Die "Fühler" repräsentieren die zeitlichen Abstände (Lags) der Eingabewerte zum Prognosezeitpunkt. Da die Suche nach der optimalen Kombination dieser Werte extrem kombinatorisch ist, wird hierfür ein evolutionärer Algorithmus eingesetzt, um die Prognosegüte zu steigern.
- Quote paper
- Jan Vogt (Author), 2002, Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA und Anwendung dieser Systeme auf Kapitalmarktdaten, Munich, GRIN Verlag, https://www.grin.com/document/432109
