Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA und Anwendung dieser Systeme auf Kapitalmarktdaten (PDF)

Diplomarbeit aus dem Jahr 2002 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Hochschule Karlsruhe - Technik und Wirtschaft (Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)), Sprache: Deutsch, Abstract: 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.