Kombination Künstlicher Neuronaler Netze

Dr. Frank Richter promovierte bei Prof. Dr. Heinz Schaefer am Institut für Konjunktur und Strukturforschung der Universität Bremen. Er ist als Spezialist im Bereich analytischer Anwendungen tätig.

• 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.