Künstliche neuronale Netze in der Finanzprognose

Künstliche neuronale Netze in der Finanzprognose. Security Selection basiert auf Parameterschätzungen künstlicher neuronaler Netze In dieser Arbeit wird am Beispiel der Optimierung eines Aktienportefeuilles die Eignung künstlicher neuronaler Netze zur Prognose finanzwirtschaftlicher Größen nachgewiesen. Bei der Bewertung des Prognosemodells relativ zu dem gewählten Referenzindex, dem DAX-Index, läßt sich innerhalb des Betrachtungszeitraums von zehn Jahren eine Rendite von bis zu 45 % aufzeigen. Künstliche neuronale Netze sind informationsverarbeitende Systeme, die aus gleichartigen Bausteinen zusammengesetzt sind und untereinander Informationen austauschen. Ein wesentliches Element künstlicher neuronaler Netze ist es, selbständig an Beispielen zu lernen, ohne explizit programmiert werden zu müssen. Im Vergleich zu anderen aus der Statistik bekannten nicht-linearen Verfahren wie Regressionen, Splines oder Polynomen sind künstliche neuronale Netze aufgrund ihrer Eigenschaften für die Schätzung von Wertpapierkursen besonders geeignet. Die auf dem künstlichen neuronalen Netz aufsetzende Portefeuilleoptimierung ist ein sogenanntes Single Index-Modell, das auf der von Markowitz vorgestellten Portfolio-Theorie basiert und von Sharpe zu der Kapitalmarkttheorie weiterentwickelt wurde. Dieses mächtige Instrument wird in der Praxis angewendet und bildet sogar Grundlage für Weiterentwicklungen, wie z. B. Multifaktormodelle.