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

Inhaltsverzeichnis

• Einleitung
• Einführung in die Thematik
• Ziel der Arbeit
• Aufbau der Arbeit
• Neuronale Netze
• Was sind neuronale Netze?
• Anwendungsgebiete neuronaler Netze
• Eigenschaften neuronaler Netze
• Geschichte neuronaler Netze
• Biologische Neuronen
• Aufbau einer Nervenzelle
• Neuronen in der Simulation vs. Neuronen in der Natur
• Konzepte des Konnektionismus
• Aufbau und Darstellung KNN
• Bestandteile neuronaler Netze
• Zelltypen nach Position im Netzwerk
• Aktivierungszustand
• Ausgabefunktion
• Arten von Verbindungsnetzwerken
• Netze ohne Rückkopplung (Feedforward-Netze)
• Netze mit Rückkopplungen
• Propagierungsregel und Aktivierungsfunktion
• Lernregel
• Lernen in neuronalen Netzen
• Arten des Lernens
• Überwachtes Lernen
• Bestärkendes Lernen
• Unüberwachtes Lernen
• Realisierungsmöglichkeiten von Lernprozessen in KNN
• Hebbsche Lernregel
• Delta-Regel
• Backpropagation-Regel
• Backpropagation mit Momentum-Term
• Evolutionäre Algorithmen
• Motivation
• Was sind evolutionäre Algorithmen?
• Struktureller Aufbau evolutionärer Algorithmen
• Eigenschaften genetischer Algorithmen
• Entwicklung evolutionärer Algorithmen
• Finanzprognosen
• Motivation
• Methoden und Probleme der Finanzanalyse
• Renditegenerierungsprozesse
• Lineare Renditegenerierungsprozesse
• Nichtlineare, dynamische Renditegenerierungsprozesse
• These effizienter Kapitalmärkte
• Technische Analyse
• Fundamentale Analyse
• Nichtlineare Analyse von Finanzmärkten
• NN als Instrument zur nichtlinearen Analyse von Finanzdaten
• Einsatz NN in der Finanzwirtschaft
• Modell von Kimoto et al.
• Modell von SNI/SENN
• Modell der SGZ-Bank AG
• Zeitreihenprognose mittels neuronaler Netze
• Schwierigkeiten und Probleme bei Zeitreihenprognosen
• Verschiedene Architekturen neuronaler Netze zur Zeitreihenprognose
• Eigener Ansatz
• Einführung
• Grundlagen
• Aufteilung der Datenmenge
• Partiell rekurrente neuronale Netze
• Hierarchische Elman-Netze
• Ein objektorientierter Ansatz für neuronale Netze
• Evolutionäre Algorithmen
• EA zur Optimierung der Netzstruktur
• EA zur Optimierung der Fühlerstruktur
• Die einzelnen Prognosetools
• Weitere Java-Klassen
• tsprogNN
• tsprogNN2
• tsprogNNEA
• tsprogNNEA2
• createprog
• createprog2
• Dateistrukturen
• Dateiformat der Zeitreihendatei
• Dateiformat der Zeitreihendatei bei Finanzmarktdaten
• Dateiformat der trainierten PRNN
• Dateiformat der Prognosedateien
• Ergebnisse
• Sägezahn
• Sin(x)+Sin(x²)
• DAX
• BP
• IBM
• JPM
• MSFT

Zielsetzung und Themenschwerpunkte

Die Diplomarbeit befasst sich mit der Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA. Ziel ist es, diese Systeme auf Kapitalmarktdaten anzuwenden und deren Eignung für die Prognose von Finanzmarktentwicklungen zu evaluieren.

• Anwendungen Neuronaler Netze in der Finanzwirtschaft
• Zeitreihenprognose mit Neuronalen Netzen
• Entwicklung und Implementierung von Prognosetools in JAVA
• Einsatz Evolutionärer Algorithmen zur Optimierung Neuronaler Netze
• Evaluation der Prognoseleistung auf Kapitalmarktdaten

Zusammenfassung der Kapitel

• Einleitung: Die Einleitung führt in die Thematik der Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen ein. Sie beschreibt die Zielsetzung der Arbeit und den Aufbau der einzelnen Kapitel.
• Neuronale Netze: Dieses Kapitel bietet eine umfassende Einführung in die Funktionsweise und Eigenschaften Neuronaler Netze. Es werden verschiedene Arten von Neuronalen Netzen vorgestellt, sowie deren Lernprozesse und Anwendungsgebiete erläutert.
• Evolutionäre Algorithmen: Dieses Kapitel beschäftigt sich mit der Funktionsweise und Anwendung von Evolutionären Algorithmen. Es werden verschiedene Arten von Algorithmen vorgestellt und deren Eignung für die Optimierung von Neuronalen Netzen erläutert.
• Finanzprognosen: Dieses Kapitel erläutert die Motivation und die Herausforderungen der Finanzanalyse. Es werden verschiedene Methoden und Ansätze zur Prognose von Finanzmarktentwicklungen vorgestellt, einschließlich der These effizienter Kapitalmärkte.
• Einsatz NN in der Finanzwirtschaft: Dieses Kapitel befasst sich mit der Anwendung Neuronaler Netze in der Finanzwirtschaft. Es werden verschiedene Modelle vorgestellt, die bereits erfolgreich zur Prognose von Finanzmarktentwicklungen eingesetzt werden.
• Zeitreihenprognose mittels neuronaler Netze: Dieses Kapitel beleuchtet die Schwierigkeiten und Probleme bei der Zeitreihenprognose mittels Neuronaler Netze. Es werden verschiedene Architekturen von Neuronalen Netzen vorgestellt, die für diese Aufgabe besonders geeignet sind.
• Eigener Ansatz: Dieses Kapitel beschreibt den eigenen Ansatz zur Entwicklung von Prognosetools in JAVA. Es werden die verwendeten Datenmengen, die Architektur der Neuronalen Netze und die Implementierung der Evolutionären Algorithmen erläutert.

Schlüsselwörter

Die zentralen Schlüsselwörter dieser Arbeit sind: Zeitreihenprognose, Neuronale Netze, Evolutionäre Algorithmen, JAVA, Finanzmarkt, Kapitalmarktdaten, Prognosetools, Optimierung.

Häufig gestellte Fragen

Wie werden neuronale Netze für Finanzprognosen genutzt?

Künstliche neuronale Netze werden zur nichtlinearen Analyse von Kapitalmarktdaten eingesetzt, um Muster in Zeitreihen (wie Aktienkursen oder Indizes) zu erkennen und zukünftige Entwicklungen vorherzusagen.

Welche Rolle spielen evolutionäre Algorithmen in diesem System?

Evolutionäre Algorithmen werden verwendet, um die Struktur der neuronalen Netze sowie die Fühlerstruktur zu optimieren, um die Prognosegenauigkeit zu erhöhen.

Was ist Backpropagation?

Backpropagation ist eine bedeutende Lernregel für neuronale Netze, bei der Fehler rückwärts durch das Netzwerk geleitet werden, um die Gewichtungen der Verbindungen anzupassen.

Warum ist die Zeitreihenprognose bei Finanzdaten schwierig?

Finanzmärkte folgen oft nichtlinearen, dynamischen Prozessen und unterliegen der These effizienter Kapitalmärkte, was einfache lineare Vorhersagemodelle oft unzureichend macht.

In welcher Programmiersprache wurden die Prognosetools realisiert?

Die Implementierung der Systeme erfolgte in JAVA unter Verwendung eines objektorientierten Ansatzes.