Finanzmarktprognose mit neuronalen Netzen

Más información sobre el libro

Künstliche Neuronale Netze sind ein relativ neues Werkzeug in der kurzfristigen Finanzmarktanalyse. In dieser Dissertation werden Chancen und Risiken bei der Prognose der Ein-Tages-Rendite eines Wertpapiers mit Neuronalen Netzen untersucht. Die Auswirkungen gängiger Parameter werden analysiert, und es werden verschiedene Methoden vorgestellt, um das häufige Overfitting zu verhindern oder zu minimieren. Anstelle des herkömmlichen Trainings mit Backpropagation wird ein Genetisch-Evolutionäres Verfahren entwickelt, das die eigenen Parameter in den Trainingsprozess integriert und dynamisch zwischen einem Genetischen Algorithmus und einem Evolutionären Verfahren wechselt. Dieses Verfahren kann neben dem Training von Neuronalen Netzen auch eine Vielzahl von Optimierungsproblemen lösen. Die Arbeit richtet sich an Analysten, die Kursprognosen erstellen möchten, sowie an Programmierer von Neuronalen Netzen oder Genetischen Algorithmen. Die Programmschritte werden so dargestellt, dass sie auch für Nicht-Programmierer verständlich sind. Zudem wird ein Algorithmus (inklusive Programmlisting) vorgestellt, der eine lineare Zählung von Tagen ermöglicht und dabei Wochenenden herausrechnet, was eine Platzersparnis von 28% erzielt.