Implementierung von Systemen zur Zeitreihenprognose mittels Neuronaler Netze und Evolutionärer Algorithmen in JAVA und Anwendung dieser Systeme auf Ka
-
- Taschenbuch
- eBook ausgewählt
-
Form:Einzelkauf Download
-
Sprache:Deutsch
39,99 €
inkl. gesetzl. MwSt.Beschreibung
Produktdetails
Format
Kopierschutz
Nein
Family Sharing
Nein
Text-to-Speech
Nein
Erscheinungsdatum
04.07.2018
Verlag
GRINSeitenzahl
160 (Printausgabe)
Dateigröße
1074 KB
Auflage
1. Auflage
Sprache
Deutsch
EAN
9783668742574
Diplomarbeit aus dem Jahr 2002 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Hochschule Karlsruhe - Technik und Wirtschaft (Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)), Sprache: Deutsch, Abstract: Die vorliegende Arbeit ist in 8 Kapitel gegliedert. Das dem einleitenden Kapitel 1 folgende Kapitel 2 beschäftigt sich mit der Thematik "neuronale Netze". Nach einer kurzen Einführung, einem historischen Überblick und der Verbindung zu dem biologischem Vorbild folgt eine Darstellung des Aufbaus von simulierten, künstlichen neuronalen Netzen. Das letzte Unterkapitel 2.8 beschäftigt sich schließlich mit dem "Lernen" in neuronalen Netzen. Es enthält eine Unterscheidung der Arten des Lernens, sowie anschließend eine formale Darstellung von einigen bedeutenden Lernregeln.
Kapitel 3 behandelt kurz den Nutzen und den Aufbau evolutionärer Algorithmen, bevor im Anschluss daran deren Eigenschaften und Entwicklung erklärt werden. Im Kapitel 4 werden einige Grundlagen zum Bereich Finanzprognosen dargestellt. Es wird sowohl auf Renditegenerierungsprozesse als auch auf die Markteffizienzthesen von Fama, die technische und fundamentale Analyse, sowie die nichtlineare Analyse von Finanzmärkten eingegangen. Im sich anschließenden Kapitel 5 werden drei bestehende Ansätze neuronaler Netze im Bereich der Finanzwirtschaft vorgestellt, bevor im Kapitel 6 Möglichkeiten und Probleme der reinen Zeitreihenprognose mittels NN erörtert werden.
In den, in Kapitel 7 vorgestellten, in JAVA realisierten Prognosetools, wird die reine Zeitreihenprognose bzw. technische Zeitreihenanalyse verwendet, im Gegensatz zu Prognosetechniken, welche verschiedene weitere (ökonomische) Faktoren benutzen. Diese Beschränkung musste gemacht werden, um nicht den Rahmen der hier vorliegenden Arbeit zu sprengen.
Nach einer Erklärung der Struktur der verwendeten neuronalen Netze, auf denen die Prognosetools aufbauen, folgt eine Darstellung eines objektorientierten Ansatzes zu Realisierung neuronaler Netze nach J. Rogers in Java. Anschließend wird der Nutzen evolutionärer Algorithmen in dem implementierten Ansatz erläutert, bevor die Prognosetools einzeln vorgestellt werden. Nach einer Darstellung der Ergebnisse der verwendeten Prognosetools für zwei künstlich erzeugte Zeitreihen und fünf Renditezeitreihen von real existierenden Wertpapieren bzw. für einen Aktienindex schließt sich Kapitel 8 mit der Zusammenfassung der in dieser Arbeit gewonnenen Erkenntnisse und Verbesserungsmöglichkeiten des implementierten Ansatzes an.
Kapitel 3 behandelt kurz den Nutzen und den Aufbau evolutionärer Algorithmen, bevor im Anschluss daran deren Eigenschaften und Entwicklung erklärt werden. Im Kapitel 4 werden einige Grundlagen zum Bereich Finanzprognosen dargestellt. Es wird sowohl auf Renditegenerierungsprozesse als auch auf die Markteffizienzthesen von Fama, die technische und fundamentale Analyse, sowie die nichtlineare Analyse von Finanzmärkten eingegangen. Im sich anschließenden Kapitel 5 werden drei bestehende Ansätze neuronaler Netze im Bereich der Finanzwirtschaft vorgestellt, bevor im Kapitel 6 Möglichkeiten und Probleme der reinen Zeitreihenprognose mittels NN erörtert werden.
In den, in Kapitel 7 vorgestellten, in JAVA realisierten Prognosetools, wird die reine Zeitreihenprognose bzw. technische Zeitreihenanalyse verwendet, im Gegensatz zu Prognosetechniken, welche verschiedene weitere (ökonomische) Faktoren benutzen. Diese Beschränkung musste gemacht werden, um nicht den Rahmen der hier vorliegenden Arbeit zu sprengen.
Nach einer Erklärung der Struktur der verwendeten neuronalen Netze, auf denen die Prognosetools aufbauen, folgt eine Darstellung eines objektorientierten Ansatzes zu Realisierung neuronaler Netze nach J. Rogers in Java. Anschließend wird der Nutzen evolutionärer Algorithmen in dem implementierten Ansatz erläutert, bevor die Prognosetools einzeln vorgestellt werden. Nach einer Darstellung der Ergebnisse der verwendeten Prognosetools für zwei künstlich erzeugte Zeitreihen und fünf Renditezeitreihen von real existierenden Wertpapieren bzw. für einen Aktienindex schließt sich Kapitel 8 mit der Zusammenfassung der in dieser Arbeit gewonnenen Erkenntnisse und Verbesserungsmöglichkeiten des implementierten Ansatzes an.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice