Kombination Künstlicher Neuronaler Netze: Zur Prognose von Wechselkursen
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Elektronisch E-Book |
| Sprache: | German |
| Veröffentlicht: |
Wiesbaden
Deutscher Universitätsverlag
2003
|
| Ausgabe: | Gabler Edition Wissenschaft |
| Schlagworte: | |
| Online-Zugang: | Volltext |
| Beschreibung: | Wechselkursprognosen gelten als äußerst problematisch. Künstliche Neuronale Netze werden in solch schwierigen Fällen häufig eingesetzt, denn sie bieten sich an, um nichtlineare Zusammenhänge im ökonomischen Kontext zu untersuchen. Allerdings können einzelne Künstliche Neuronale Netze ihrer Aufgabe oft nicht gerecht werden. Frank Richter zeigt, dass sich bessere Prognosen erstellen lassen, wenn statt eines einzelnen Modells eine Modellkombination verwendet wird, die die Stärken einzelner Modelle nutzt, ihre Schwächen hingegen weitestgehend ausschaltet. Er präsentiert Möglichkeiten der Kombination Künstlicher Neuronaler Netze und belegt anhand einer empirischen Untersuchung zur Vorhersage der Relation zwischen US-Dollar und DM die Vorteile von Kombinationsmodellen. Es zeichnet sich ab, dass für Wechselkursprognosen die Verwendung einer adäquaten Nutzenfunktion eine wichtige Rolle spielt |
| Beschreibung: | 1 Online-Ressource (XVIII, 259S. 79 Abb) |
| ISBN: | 9783322815705 9783824479009 |
| DOI: | 10.1007/978-3-322-81570-5 |
Internformat
MARC
| LEADER | 00000nmm a2200000zc 4500 | ||
|---|---|---|---|
| 001 | BV041605676 | ||
| 003 | DE-604 | ||
| 005 | 00000000000000.0 | ||
| 007 | cr|uuu---uuuuu | ||
| 008 | 140130s2003 |||| o||u| ||||||ger d | ||
| 020 | |a 9783322815705 |c Online |9 978-3-322-81570-5 | ||
| 020 | |a 9783824479009 |c Print |9 978-3-8244-7900-9 | ||
| 024 | 7 | |a 10.1007/978-3-322-81570-5 |2 doi | |
| 035 | |a (OCoLC)863819863 | ||
| 035 | |a (DE-599)BVBBV041605676 | ||
| 040 | |a DE-604 |b ger |e aacr | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-634 |a DE-91 |a DE-92 |a DE-573 |a DE-1102 |a DE-860 |a DE-824 |a DE-703 |a DE-706 | ||
| 082 | 0 | |a 650 |2 23 | |
| 084 | |a WIR 000 |2 stub | ||
| 100 | 1 | |a Richter, Frank |e Verfasser |4 aut | |
| 245 | 1 | 0 | |a Kombination Künstlicher Neuronaler Netze |b Zur Prognose von Wechselkursen |c von Frank Richter |
| 250 | |a Gabler Edition Wissenschaft | ||
| 264 | 1 | |a Wiesbaden |b Deutscher Universitätsverlag |c 2003 | |
| 300 | |a 1 Online-Ressource (XVIII, 259S. 79 Abb) | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b c |2 rdamedia | ||
| 338 | |b cr |2 rdacarrier | ||
| 500 | |a Wechselkursprognosen gelten als äußerst problematisch. Künstliche Neuronale Netze werden in solch schwierigen Fällen häufig eingesetzt, denn sie bieten sich an, um nichtlineare Zusammenhänge im ökonomischen Kontext zu untersuchen. Allerdings können einzelne Künstliche Neuronale Netze ihrer Aufgabe oft nicht gerecht werden. Frank Richter zeigt, dass sich bessere Prognosen erstellen lassen, wenn statt eines einzelnen Modells eine Modellkombination verwendet wird, die die Stärken einzelner Modelle nutzt, ihre Schwächen hingegen weitestgehend ausschaltet. Er präsentiert Möglichkeiten der Kombination Künstlicher Neuronaler Netze und belegt anhand einer empirischen Untersuchung zur Vorhersage der Relation zwischen US-Dollar und DM die Vorteile von Kombinationsmodellen. Es zeichnet sich ab, dass für Wechselkursprognosen die Verwendung einer adäquaten Nutzenfunktion eine wichtige Rolle spielt | ||
| 505 | 0 | |a 1 Einleitung -- 1.1 Problemstellung -- 1.2 Kapitelübersicht -- 2 Prognose einer ökonomischen Zeitreihe -- 2.1 Prognosen und Modelle -- 2.2 Wechselkursprognosen -- 3 Optimale Modelle -- 3.1 Der bedingte Erwartungswert -- 3.2 Separierung des Inputraumes -- 3.3 Bias-Varianz-Dilemma -- 4 Fehlermaße -- 4.1 Der quadratische Fehler -- 4.2 Die mittlere absolute Abweichung -- 4.3 Sharpe-Ratio -- 5 Kombinationsmodelle -- 5.1 Kombination einzelner Modelle -- 5.2 Kombination von Modulen -- 5.3 Gruppen-Ansatz versus modularer Ansatz -- 6 Künstliche Neuronale Netze -- 6.1 Struktur und Funktionsweise von KNN -- 6.2 Abbildungskapazität -- 6.3 KNN zur Funktionsapproximation -- 6.4 Lernen mit KNN -- 6.5 Datenvorverarbeitung -- 6.6 Lernverfahren für KNN -- 6.7 Komplexitätskontrolle -- 7 Prognose einer Finanzzeitreihe mit KNN -- 7.1 Finanzzeitreihe USD/DEM -- 7.2 Monte-Carlo-Simulation -- 7.3 Inputs -- 7.4 Beispieldaten -- 7.5 Topologie -- 7.6 Lernverfahren -- 7.6.2 Abbruchkriterium -- 7.7 Performance-Maße für die Prognosemodelle -- 7.8 Ergebnisse des Trainings -- 7.9 Modellauswahl -- 7.10 Unterschiedliche Fehlermaße -- 7.11 Modellkombination mit einzelnen KNN -- 8 Mixture Density Networks -- 8.1 Inverse Probleme -- 8.2 Aufbau eines MDN-Modells -- 8.3 Beispielmodelle für ein inverses Problem -- 8.4 Modellierung USD/DEM mit MDN -- 9 Evolution von KNN und MDN -- 9.1 Genetische Algorithmen -- 9.2 Evolution von MDN-Modellen -- 9.3 Anwendung -- 10 Schlussbetrachtungen | |
| 650 | 4 | |a Economics | |
| 650 | 4 | |a Management information systems | |
| 650 | 4 | |a Economics/Management Science | |
| 650 | 4 | |a Business/Management Science, general | |
| 650 | 4 | |a Business Information Systems | |
| 650 | 4 | |a Management | |
| 650 | 4 | |a Wirtschaft | |
| 650 | 0 | 7 | |a Wechselkurs |0 (DE-588)4064921-0 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prognose |0 (DE-588)4047390-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prognosemodell |0 (DE-588)4125215-9 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Neuronales Netz |0 (DE-588)4226127-2 |2 gnd |9 rswk-swf |
| 655 | 7 | |8 1\p |0 (DE-588)4113937-9 |a Hochschulschrift |2 gnd-content | |
| 689 | 0 | 0 | |a Wechselkurs |0 (DE-588)4064921-0 |D s |
| 689 | 0 | 1 | |a Prognose |0 (DE-588)4047390-9 |D s |
| 689 | 0 | 2 | |a Neuronales Netz |0 (DE-588)4226127-2 |D s |
| 689 | 0 | |8 2\p |5 DE-604 | |
| 689 | 1 | 0 | |a Prognosemodell |0 (DE-588)4125215-9 |D s |
| 689 | 1 | |8 3\p |5 DE-604 | |
| 856 | 4 | 0 | |u https://doi.org/10.1007/978-3-322-81570-5 |x Verlag |3 Volltext |
| 912 | |a ZDB-2-SWI |a ZDB-2-BAD | ||
| 940 | 1 | |q ZDB-2-SWI_Archive | |
| 940 | 1 | |q ZDB-2-SWI_2000/2004 | |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-027046810 | ||
| 883 | 1 | |8 1\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
| 883 | 1 | |8 2\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
| 883 | 1 | |8 3\p |a cgwrk |d 20201028 |q DE-101 |u https://d-nb.info/provenance/plan#cgwrk | |
Datensatz im Suchindex
| _version_ | 1804151801224626176 |
|---|---|
| any_adam_object | |
| author | Richter, Frank |
| author_facet | Richter, Frank |
| author_role | aut |
| author_sort | Richter, Frank |
| author_variant | f r fr |
| building | Verbundindex |
| bvnumber | BV041605676 |
| classification_tum | WIR 000 |
| collection | ZDB-2-SWI ZDB-2-BAD |
| contents | 1 Einleitung -- 1.1 Problemstellung -- 1.2 Kapitelübersicht -- 2 Prognose einer ökonomischen Zeitreihe -- 2.1 Prognosen und Modelle -- 2.2 Wechselkursprognosen -- 3 Optimale Modelle -- 3.1 Der bedingte Erwartungswert -- 3.2 Separierung des Inputraumes -- 3.3 Bias-Varianz-Dilemma -- 4 Fehlermaße -- 4.1 Der quadratische Fehler -- 4.2 Die mittlere absolute Abweichung -- 4.3 Sharpe-Ratio -- 5 Kombinationsmodelle -- 5.1 Kombination einzelner Modelle -- 5.2 Kombination von Modulen -- 5.3 Gruppen-Ansatz versus modularer Ansatz -- 6 Künstliche Neuronale Netze -- 6.1 Struktur und Funktionsweise von KNN -- 6.2 Abbildungskapazität -- 6.3 KNN zur Funktionsapproximation -- 6.4 Lernen mit KNN -- 6.5 Datenvorverarbeitung -- 6.6 Lernverfahren für KNN -- 6.7 Komplexitätskontrolle -- 7 Prognose einer Finanzzeitreihe mit KNN -- 7.1 Finanzzeitreihe USD/DEM -- 7.2 Monte-Carlo-Simulation -- 7.3 Inputs -- 7.4 Beispieldaten -- 7.5 Topologie -- 7.6 Lernverfahren -- 7.6.2 Abbruchkriterium -- 7.7 Performance-Maße für die Prognosemodelle -- 7.8 Ergebnisse des Trainings -- 7.9 Modellauswahl -- 7.10 Unterschiedliche Fehlermaße -- 7.11 Modellkombination mit einzelnen KNN -- 8 Mixture Density Networks -- 8.1 Inverse Probleme -- 8.2 Aufbau eines MDN-Modells -- 8.3 Beispielmodelle für ein inverses Problem -- 8.4 Modellierung USD/DEM mit MDN -- 9 Evolution von KNN und MDN -- 9.1 Genetische Algorithmen -- 9.2 Evolution von MDN-Modellen -- 9.3 Anwendung -- 10 Schlussbetrachtungen |
| ctrlnum | (OCoLC)863819863 (DE-599)BVBBV041605676 |
| dewey-full | 650 |
| dewey-hundreds | 600 - Technology (Applied sciences) |
| dewey-ones | 650 - Management and auxiliary services |
| dewey-raw | 650 |
| dewey-search | 650 |
| dewey-sort | 3650 |
| dewey-tens | 650 - Management and auxiliary services |
| discipline | Wirtschaftswissenschaften |
| doi_str_mv | 10.1007/978-3-322-81570-5 |
| edition | Gabler Edition Wissenschaft |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>04786nmm a2200637zc 4500</leader><controlfield tag="001">BV041605676</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">00000000000000.0</controlfield><controlfield tag="007">cr|uuu---uuuuu</controlfield><controlfield tag="008">140130s2003 |||| o||u| ||||||ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783322815705</subfield><subfield code="c">Online</subfield><subfield code="9">978-3-322-81570-5</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783824479009</subfield><subfield code="c">Print</subfield><subfield code="9">978-3-8244-7900-9</subfield></datafield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.1007/978-3-322-81570-5</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)863819863</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV041605676</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">aacr</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-634</subfield><subfield code="a">DE-91</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-706</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">650</subfield><subfield code="2">23</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">WIR 000</subfield><subfield code="2">stub</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Richter, Frank</subfield><subfield code="e">Verfasser</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Kombination Künstlicher Neuronaler Netze</subfield><subfield code="b">Zur Prognose von Wechselkursen</subfield><subfield code="c">von Frank Richter</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">Gabler Edition Wissenschaft</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Wiesbaden</subfield><subfield code="b">Deutscher Universitätsverlag</subfield><subfield code="c">2003</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (XVIII, 259S. 79 Abb)</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Wechselkursprognosen gelten als äußerst problematisch. Künstliche Neuronale Netze werden in solch schwierigen Fällen häufig eingesetzt, denn sie bieten sich an, um nichtlineare Zusammenhänge im ökonomischen Kontext zu untersuchen. Allerdings können einzelne Künstliche Neuronale Netze ihrer Aufgabe oft nicht gerecht werden. Frank Richter zeigt, dass sich bessere Prognosen erstellen lassen, wenn statt eines einzelnen Modells eine Modellkombination verwendet wird, die die Stärken einzelner Modelle nutzt, ihre Schwächen hingegen weitestgehend ausschaltet. Er präsentiert Möglichkeiten der Kombination Künstlicher Neuronaler Netze und belegt anhand einer empirischen Untersuchung zur Vorhersage der Relation zwischen US-Dollar und DM die Vorteile von Kombinationsmodellen. Es zeichnet sich ab, dass für Wechselkursprognosen die Verwendung einer adäquaten Nutzenfunktion eine wichtige Rolle spielt</subfield></datafield><datafield tag="505" ind1="0" ind2=" "><subfield code="a">1 Einleitung -- 1.1 Problemstellung -- 1.2 Kapitelübersicht -- 2 Prognose einer ökonomischen Zeitreihe -- 2.1 Prognosen und Modelle -- 2.2 Wechselkursprognosen -- 3 Optimale Modelle -- 3.1 Der bedingte Erwartungswert -- 3.2 Separierung des Inputraumes -- 3.3 Bias-Varianz-Dilemma -- 4 Fehlermaße -- 4.1 Der quadratische Fehler -- 4.2 Die mittlere absolute Abweichung -- 4.3 Sharpe-Ratio -- 5 Kombinationsmodelle -- 5.1 Kombination einzelner Modelle -- 5.2 Kombination von Modulen -- 5.3 Gruppen-Ansatz versus modularer Ansatz -- 6 Künstliche Neuronale Netze -- 6.1 Struktur und Funktionsweise von KNN -- 6.2 Abbildungskapazität -- 6.3 KNN zur Funktionsapproximation -- 6.4 Lernen mit KNN -- 6.5 Datenvorverarbeitung -- 6.6 Lernverfahren für KNN -- 6.7 Komplexitätskontrolle -- 7 Prognose einer Finanzzeitreihe mit KNN -- 7.1 Finanzzeitreihe USD/DEM -- 7.2 Monte-Carlo-Simulation -- 7.3 Inputs -- 7.4 Beispieldaten -- 7.5 Topologie -- 7.6 Lernverfahren -- 7.6.2 Abbruchkriterium -- 7.7 Performance-Maße für die Prognosemodelle -- 7.8 Ergebnisse des Trainings -- 7.9 Modellauswahl -- 7.10 Unterschiedliche Fehlermaße -- 7.11 Modellkombination mit einzelnen KNN -- 8 Mixture Density Networks -- 8.1 Inverse Probleme -- 8.2 Aufbau eines MDN-Modells -- 8.3 Beispielmodelle für ein inverses Problem -- 8.4 Modellierung USD/DEM mit MDN -- 9 Evolution von KNN und MDN -- 9.1 Genetische Algorithmen -- 9.2 Evolution von MDN-Modellen -- 9.3 Anwendung -- 10 Schlussbetrachtungen</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Economics</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Management information systems</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Economics/Management Science</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Business/Management Science, general</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Business Information Systems</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Management</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Wirtschaft</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Wechselkurs</subfield><subfield code="0">(DE-588)4064921-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prognose</subfield><subfield code="0">(DE-588)4047390-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prognosemodell</subfield><subfield code="0">(DE-588)4125215-9</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="8">1\p</subfield><subfield code="0">(DE-588)4113937-9</subfield><subfield code="a">Hochschulschrift</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Wechselkurs</subfield><subfield code="0">(DE-588)4064921-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Prognose</subfield><subfield code="0">(DE-588)4047390-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Neuronales Netz</subfield><subfield code="0">(DE-588)4226127-2</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="8">2\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Prognosemodell</subfield><subfield code="0">(DE-588)4125215-9</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="8">3\p</subfield><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="0"><subfield code="u">https://doi.org/10.1007/978-3-322-81570-5</subfield><subfield code="x">Verlag</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-2-SWI</subfield><subfield code="a">ZDB-2-BAD</subfield></datafield><datafield tag="940" ind1="1" ind2=" "><subfield code="q">ZDB-2-SWI_Archive</subfield></datafield><datafield tag="940" ind1="1" ind2=" "><subfield code="q">ZDB-2-SWI_2000/2004</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-027046810</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">2\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">3\p</subfield><subfield code="a">cgwrk</subfield><subfield code="d">20201028</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#cgwrk</subfield></datafield></record></collection> |
| genre | 1\p (DE-588)4113937-9 Hochschulschrift gnd-content |
| genre_facet | Hochschulschrift |
| id | DE-604.BV041605676 |
| illustrated | Not Illustrated |
| indexdate | 2024-07-10T01:00:35Z |
| institution | BVB |
| isbn | 9783322815705 9783824479009 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-027046810 |
| oclc_num | 863819863 |
| open_access_boolean | |
| owner | DE-634 DE-91 DE-BY-TUM DE-92 DE-573 DE-1102 DE-860 DE-824 DE-703 DE-706 |
| owner_facet | DE-634 DE-91 DE-BY-TUM DE-92 DE-573 DE-1102 DE-860 DE-824 DE-703 DE-706 |
| physical | 1 Online-Ressource (XVIII, 259S. 79 Abb) |
| psigel | ZDB-2-SWI ZDB-2-BAD ZDB-2-SWI_Archive ZDB-2-SWI_2000/2004 |
| publishDate | 2003 |
| publishDateSearch | 2003 |
| publishDateSort | 2003 |
| publisher | Deutscher Universitätsverlag |
| record_format | marc |
| spelling | Richter, Frank Verfasser aut Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen von Frank Richter Gabler Edition Wissenschaft Wiesbaden Deutscher Universitätsverlag 2003 1 Online-Ressource (XVIII, 259S. 79 Abb) txt rdacontent c rdamedia cr rdacarrier Wechselkursprognosen gelten als äußerst problematisch. Künstliche Neuronale Netze werden in solch schwierigen Fällen häufig eingesetzt, denn sie bieten sich an, um nichtlineare Zusammenhänge im ökonomischen Kontext zu untersuchen. Allerdings können einzelne Künstliche Neuronale Netze ihrer Aufgabe oft nicht gerecht werden. Frank Richter zeigt, dass sich bessere Prognosen erstellen lassen, wenn statt eines einzelnen Modells eine Modellkombination verwendet wird, die die Stärken einzelner Modelle nutzt, ihre Schwächen hingegen weitestgehend ausschaltet. Er präsentiert Möglichkeiten der Kombination Künstlicher Neuronaler Netze und belegt anhand einer empirischen Untersuchung zur Vorhersage der Relation zwischen US-Dollar und DM die Vorteile von Kombinationsmodellen. Es zeichnet sich ab, dass für Wechselkursprognosen die Verwendung einer adäquaten Nutzenfunktion eine wichtige Rolle spielt 1 Einleitung -- 1.1 Problemstellung -- 1.2 Kapitelübersicht -- 2 Prognose einer ökonomischen Zeitreihe -- 2.1 Prognosen und Modelle -- 2.2 Wechselkursprognosen -- 3 Optimale Modelle -- 3.1 Der bedingte Erwartungswert -- 3.2 Separierung des Inputraumes -- 3.3 Bias-Varianz-Dilemma -- 4 Fehlermaße -- 4.1 Der quadratische Fehler -- 4.2 Die mittlere absolute Abweichung -- 4.3 Sharpe-Ratio -- 5 Kombinationsmodelle -- 5.1 Kombination einzelner Modelle -- 5.2 Kombination von Modulen -- 5.3 Gruppen-Ansatz versus modularer Ansatz -- 6 Künstliche Neuronale Netze -- 6.1 Struktur und Funktionsweise von KNN -- 6.2 Abbildungskapazität -- 6.3 KNN zur Funktionsapproximation -- 6.4 Lernen mit KNN -- 6.5 Datenvorverarbeitung -- 6.6 Lernverfahren für KNN -- 6.7 Komplexitätskontrolle -- 7 Prognose einer Finanzzeitreihe mit KNN -- 7.1 Finanzzeitreihe USD/DEM -- 7.2 Monte-Carlo-Simulation -- 7.3 Inputs -- 7.4 Beispieldaten -- 7.5 Topologie -- 7.6 Lernverfahren -- 7.6.2 Abbruchkriterium -- 7.7 Performance-Maße für die Prognosemodelle -- 7.8 Ergebnisse des Trainings -- 7.9 Modellauswahl -- 7.10 Unterschiedliche Fehlermaße -- 7.11 Modellkombination mit einzelnen KNN -- 8 Mixture Density Networks -- 8.1 Inverse Probleme -- 8.2 Aufbau eines MDN-Modells -- 8.3 Beispielmodelle für ein inverses Problem -- 8.4 Modellierung USD/DEM mit MDN -- 9 Evolution von KNN und MDN -- 9.1 Genetische Algorithmen -- 9.2 Evolution von MDN-Modellen -- 9.3 Anwendung -- 10 Schlussbetrachtungen Economics Management information systems Economics/Management Science Business/Management Science, general Business Information Systems Management Wirtschaft Wechselkurs (DE-588)4064921-0 gnd rswk-swf Prognose (DE-588)4047390-9 gnd rswk-swf Prognosemodell (DE-588)4125215-9 gnd rswk-swf Neuronales Netz (DE-588)4226127-2 gnd rswk-swf 1\p (DE-588)4113937-9 Hochschulschrift gnd-content Wechselkurs (DE-588)4064921-0 s Prognose (DE-588)4047390-9 s Neuronales Netz (DE-588)4226127-2 s 2\p DE-604 Prognosemodell (DE-588)4125215-9 s 3\p DE-604 https://doi.org/10.1007/978-3-322-81570-5 Verlag Volltext 1\p cgwrk 20201028 DE-101 https://d-nb.info/provenance/plan#cgwrk 2\p cgwrk 20201028 DE-101 https://d-nb.info/provenance/plan#cgwrk 3\p cgwrk 20201028 DE-101 https://d-nb.info/provenance/plan#cgwrk |
| spellingShingle | Richter, Frank Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen 1 Einleitung -- 1.1 Problemstellung -- 1.2 Kapitelübersicht -- 2 Prognose einer ökonomischen Zeitreihe -- 2.1 Prognosen und Modelle -- 2.2 Wechselkursprognosen -- 3 Optimale Modelle -- 3.1 Der bedingte Erwartungswert -- 3.2 Separierung des Inputraumes -- 3.3 Bias-Varianz-Dilemma -- 4 Fehlermaße -- 4.1 Der quadratische Fehler -- 4.2 Die mittlere absolute Abweichung -- 4.3 Sharpe-Ratio -- 5 Kombinationsmodelle -- 5.1 Kombination einzelner Modelle -- 5.2 Kombination von Modulen -- 5.3 Gruppen-Ansatz versus modularer Ansatz -- 6 Künstliche Neuronale Netze -- 6.1 Struktur und Funktionsweise von KNN -- 6.2 Abbildungskapazität -- 6.3 KNN zur Funktionsapproximation -- 6.4 Lernen mit KNN -- 6.5 Datenvorverarbeitung -- 6.6 Lernverfahren für KNN -- 6.7 Komplexitätskontrolle -- 7 Prognose einer Finanzzeitreihe mit KNN -- 7.1 Finanzzeitreihe USD/DEM -- 7.2 Monte-Carlo-Simulation -- 7.3 Inputs -- 7.4 Beispieldaten -- 7.5 Topologie -- 7.6 Lernverfahren -- 7.6.2 Abbruchkriterium -- 7.7 Performance-Maße für die Prognosemodelle -- 7.8 Ergebnisse des Trainings -- 7.9 Modellauswahl -- 7.10 Unterschiedliche Fehlermaße -- 7.11 Modellkombination mit einzelnen KNN -- 8 Mixture Density Networks -- 8.1 Inverse Probleme -- 8.2 Aufbau eines MDN-Modells -- 8.3 Beispielmodelle für ein inverses Problem -- 8.4 Modellierung USD/DEM mit MDN -- 9 Evolution von KNN und MDN -- 9.1 Genetische Algorithmen -- 9.2 Evolution von MDN-Modellen -- 9.3 Anwendung -- 10 Schlussbetrachtungen Economics Management information systems Economics/Management Science Business/Management Science, general Business Information Systems Management Wirtschaft Wechselkurs (DE-588)4064921-0 gnd Prognose (DE-588)4047390-9 gnd Prognosemodell (DE-588)4125215-9 gnd Neuronales Netz (DE-588)4226127-2 gnd |
| subject_GND | (DE-588)4064921-0 (DE-588)4047390-9 (DE-588)4125215-9 (DE-588)4226127-2 (DE-588)4113937-9 |
| title | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen |
| title_auth | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen |
| title_exact_search | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen |
| title_full | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen von Frank Richter |
| title_fullStr | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen von Frank Richter |
| title_full_unstemmed | Kombination Künstlicher Neuronaler Netze Zur Prognose von Wechselkursen von Frank Richter |
| title_short | Kombination Künstlicher Neuronaler Netze |
| title_sort | kombination kunstlicher neuronaler netze zur prognose von wechselkursen |
| title_sub | Zur Prognose von Wechselkursen |
| topic | Economics Management information systems Economics/Management Science Business/Management Science, general Business Information Systems Management Wirtschaft Wechselkurs (DE-588)4064921-0 gnd Prognose (DE-588)4047390-9 gnd Prognosemodell (DE-588)4125215-9 gnd Neuronales Netz (DE-588)4226127-2 gnd |
| topic_facet | Economics Management information systems Economics/Management Science Business/Management Science, general Business Information Systems Management Wirtschaft Wechselkurs Prognose Prognosemodell Neuronales Netz Hochschulschrift |
| url | https://doi.org/10.1007/978-3-322-81570-5 |
| work_keys_str_mv | AT richterfrank kombinationkunstlicherneuronalernetzezurprognosevonwechselkursen |