Der weltweite Börsenhandel ist ein äußerst komplexer Wirtschaftsbereich, in dem sich Veränderungen weder durch mathematische Berechnungen (Formeln) noch durch sichere Faustregeln vorher bestimmen lassen. Dies gilt sowohl für die Aktienindizes als auch für alle Aktienwerte. Selbst wenn sich bestimmte Korrelationen zwischen einzelnen Kenngrößen (Variablen) unter Berücksichtigung vorausgegangener Börsenjahre erkennen lassen, können augenblickliche politische Ereignisse, Unruhen, Katastrophen usw. sämtliche Vorhersagetendenzen zunichte machen.
Im Bereich der Informatik gibt es seit mehreren Jahrzehnten Bestrebungen, mit künstlichen neuronalen Netzen (KNN) komplexe Sachverhalte, wie z.B. den Börsenhandel, Aussagen abzuverlangen, die Entscheidungen bezüglich solcher Sachverhalte erleichtern sollen. Künstliche neuronale Netzwerke und künstliche Neuronen haben ihren Ursprung in der Biologie. In der Informatik, dieser Bereich wird heute auch Neuroinformatik genannt, geht es dabei weniger um das Nachbilden natürlicher neuronaler Netze, sondern um eine Abstraktion von Informationsverarbeitung in einem künstlichen neuronalen Netz. Erst durch schnelle Computer kann der komplexe Lernprozess von künstlichen neuronalen Netzen in, z.B. für den Börsenhandel, akzeptablen Zeiträumen ablaufen.
In der vorliegenden Arbeit geht es schwerpunktmäßig darum, den Aktienindex DAX vorherzusagen. Für diesen Anwendungsbereich soll die Regressionsanalyse (multiple Regressionsanalyse) dabei helfen, die Ergebnisse der Prognose mit den künstlichen neuronalen Netzen zu optimieren, in dem aus einer Menge von Variablen die relevantesten extrahiert werden. Ein abschließender Vergleich soll zeigen welches Verfahren besser ist. Verglichen werden die künstlichen neuronalen Netze, die Regressionsanalyse, die künstlichen neuronalen Netze in Kombination mit der Regressionsanalyse und der Durchschnitt aller Verfahren.
Inhaltsverzeichnis
- 1. Einleitung
- 2. Konzept
- 3. Grundlagen
- 3.1. DAX
- 3.1.1. Was ist der DAX?
- 3.1.2. Kenngrößen
- 3.1.3. Prognose
- 3.1.4. Auf den DAX handeln
- 3.2. Regressionsanalyse
- 3.2.1. Einleitung
- 3.2.2. Einsatzgebiete
- 3.2.3. Arten der Regressionen
- 3.2.4. Einfache lineare Regression
- 3.2.5. Multiple lineare Regression
- 3.2.6. Kennzahlen der Regressionsanalyse
- 3.3. Künstliche neuronale Netze
- 3.3.1. Einleitung
- 3.3.2. Das Neuron
- 3.3.3. Das künstliche neuronale Netz
- 3.3.4. Vorwärts- und rückwärtsgekoppelte Netze
- 3.3.5. Lernverfahren
- 3.3.6. Einsatzgebiete
- 3.4. State of the Art
- 3.4.1. Optimierung der technischen Analyse
- 3.4.2. Optimierung auf Geschwindigkeit
- 3.4.3. Optimierung der Indexprognose durch technische Analyse
- 3.4.4. Auswahl geeigneter Eingangsdaten
- 3.4.5. Optimierung durch andere Verfahren
- 3.4.6. Nutzen für die eigene Arbeit
- 3.1. DAX
- 4. Prototypische Realisierung und Auswertungen
- 4.1. Daten-Selektor
- 4.2. Regressionsanalyse
- 4.2.1. Anforderungsdefinition
- 4.2.2. Aufbau der Regressionsanalyse im Flussdiagramm
- 4.2.3. Durchführung der Regressionsanalysen und Auswertungen
- 4.3. Künstliche neuronale Netze
- 4.3.1. Anforderungsdefinition
- 4.3.2. Konzeption im Flussdiagramm
- 4.3.3. Durchführung der künstlichen neuronalen Netze und Auswertungen
- 4.3.4. Auswertung
- 5. Alle Prognosen im abschließenden Vergleich
- 5.1. Durchführung
- 5.1.1. Durchlauf 1
- 5.1.2. Durchlauf 2
- 5.1.3. Durchlauf 3
- 5.1.4. Prognosen im Überblick von Freitag auf Montag
- 5.1.5. Prognosen im Überblick von Montag auf Dienstag
- 5.1.6. Prognosen im Überblick von Dienstag auf Mittwoch
- 5.1.7. Prognosen im Überblick von Mittwoch auf Donnerstag
- 5.1.8. Prognosen im Überblick von Donnerstag auf Freitag
- 5.1.9. Die Verfahren im Vergleich
- 5.1.10. Auswertung
- 5.1. Durchführung
- 6. Schlussbetrachtung und Ausblick
Zielsetzung und Themenschwerpunkte
Ziel dieser Arbeit ist die Vorhersage des DAX-Index unter Verwendung von Regressionsanalyse und künstlichen neuronalen Netzen. Es soll untersucht werden, inwiefern die Regressionsanalyse die Ergebnisse der Prognose mit künstlichen neuronalen Netzen optimieren kann. Die Arbeit analysiert die Anwendbarkeit dieser Methoden im Kontext der komplexen Dynamik des Aktienmarktes.
- Vorhersage des DAX-Index
- Anwendung der Regressionsanalyse
- Optimierung der Prognose durch künstliche neuronale Netze
- Vergleich verschiedener Prognoseverfahren
- Bewertung der Genauigkeit und Zuverlässigkeit der Prognosen
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beschreibt die Komplexität des weltweiten Börsenhandels und die Schwierigkeit, Veränderungen mit mathematischen Modellen präzise vorherzusagen. Sie führt in die Thematik der künstlichen neuronalen Netze (KNN) ein und hebt deren Anwendung im Kontext der Börsenprognose hervor. Der Fokus der Arbeit liegt auf der Vorhersage des DAX und der Optimierung dieser Vorhersage durch die Regressionsanalyse in Kombination mit KNN.
2. Konzept: (Kapitelbeschreibung fehlt im Ausgangstext - hier wäre eine Zusammenfassung des Konzepts einzufügen)
3. Grundlagen: Dieses Kapitel liefert die notwendigen Grundlagen für das Verständnis der Arbeit. Es erklärt den DAX, seine Kenngrößen und Prognosemethoden. Weiterhin werden die Regressionsanalyse (verschiedene Arten und Kennzahlen) sowie künstliche neuronale Netze (Aufbau, Lernverfahren und Einsatzgebiete) detailliert erläutert. Ein "State of the Art" Abschnitt diskutiert bestehende Ansätze zur Optimierung der DAX-Prognose.
4. Prototypische Realisierung und Auswertungen: Dieses Kapitel beschreibt die praktische Umsetzung der DAX-Prognose mittels Regressionsanalyse und künstlicher neuronaler Netze. Es präsentiert die Anforderungsdefinitionen, den Aufbau der jeweiligen Analyse in Flussdiagrammen und die Durchführung sowie die Auswertung der Ergebnisse beider Methoden. Die Kapitel unterteilen sich in die detaillierte Beschreibung des Daten-Selektors, der Regressionsanalyse und der künstlichen neuronalen Netze mit jeweiligen Unterabschnitten zur Anforderungsdefinition, Konzeption und Durchführung.
5. Alle Prognosen im abschließenden Vergleich: (Dieses Kapitel enthält Spoiler und wird gemäß Anweisung nicht zusammengefasst.)
Schlüsselwörter
DAX-Prognose, Regressionsanalyse, Künstliche neuronale Netze (KNN), Aktienindex, Indexprognose, Technische Analyse, Optimierung, Vorhersagemodelle, Börsenhandel.
Häufig gestellte Fragen (FAQ) zur DAX-Prognose mittels Regressionsanalyse und künstlicher neuronaler Netze
Was ist der Gegenstand dieser Arbeit?
Diese Arbeit befasst sich mit der Vorhersage des DAX-Index unter Verwendung von Regressionsanalyse und künstlichen neuronalen Netzen. Ziel ist es, die Anwendbarkeit dieser Methoden im Kontext der komplexen Dynamik des Aktienmarktes zu untersuchen und zu analysieren, inwiefern die Regressionsanalyse die Prognoseergebnisse mit künstlichen neuronalen Netzen optimieren kann.
Welche Methoden werden verwendet?
Die Arbeit verwendet zwei Hauptmethoden zur DAX-Prognose: Regressionsanalyse (einschließlich einfacher und multipler linearer Regression) und künstliche neuronale Netze. Die Ergebnisse beider Methoden werden verglichen und bewertet.
Welche Kapitel umfasst die Arbeit?
Die Arbeit gliedert sich in folgende Kapitel: Einleitung, Konzept (detaillierte Beschreibung fehlt im Ausgangstext), Grundlagen (DAX, Regressionsanalyse, künstliche neuronale Netze, State of the Art), Prototypische Realisierung und Auswertungen (Daten-Selektor, Regressionsanalyse, künstliche neuronale Netze), Alle Prognosen im abschließenden Vergleich und Schlussbetrachtung und Ausblick.
Was wird im Kapitel "Grundlagen" behandelt?
Das Kapitel "Grundlagen" erklärt den DAX, seine Kenngrößen und Prognosemethoden. Es erläutert detailliert die Regressionsanalyse (verschiedene Arten und Kennzahlen) und künstliche neuronale Netze (Aufbau, Lernverfahren und Einsatzgebiete). Ein "State of the Art" Abschnitt diskutiert bestehende Ansätze zur Optimierung der DAX-Prognose.
Was wird im Kapitel "Prototypische Realisierung und Auswertungen" behandelt?
Dieses Kapitel beschreibt die praktische Umsetzung der DAX-Prognose mittels Regressionsanalyse und künstlicher neuronaler Netze. Es beinhaltet die Anforderungsdefinitionen, den Aufbau der jeweiligen Analyse in Flussdiagrammen, die Durchführung und die Auswertung der Ergebnisse beider Methoden. Die Kapitel unterteilen sich in die detaillierte Beschreibung des Daten-Selektors, der Regressionsanalyse und der künstlichen neuronalen Netze mit jeweiligen Unterabschnitten zur Anforderungsdefinition, Konzeption und Durchführung.
Wie werden die Prognosen verglichen?
Das Kapitel "Alle Prognosen im abschließenden Vergleich" enthält einen detaillierten Vergleich der Prognosen, die mit verschiedenen Methoden (Regressionsanalyse und künstliche neuronale Netze) über verschiedene Zeiträume (Freitag auf Montag, Montag auf Dienstag usw.) erstellt wurden. Die Verfahren werden im Detail gegenübergestellt und die Ergebnisse ausgewertet.
Welche Schlüsselwörter beschreiben die Arbeit?
Schlüsselwörter sind: DAX-Prognose, Regressionsanalyse, Künstliche neuronale Netze (KNN), Aktienindex, Indexprognose, Technische Analyse, Optimierung, Vorhersagemodelle, Börsenhandel.
Welche Zielsetzung verfolgt die Arbeit?
Ziel der Arbeit ist die Vorhersage des DAX-Index unter Verwendung von Regressionsanalyse und künstlichen neuronalen Netzen. Es soll untersucht werden, inwiefern die Regressionsanalyse die Ergebnisse der Prognose mit künstlichen neuronalen Netzen optimieren kann.
- Arbeit zitieren
- B. Sc. Philipp von der Born (Autor:in), 2007, Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose, München, GRIN Verlag, https://www.grin.com/document/73403