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

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

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.