Einsatz von Künstlichen Neuronalen Netzen bei der Aktienkursprognose: Eine Stärken-Schwächen-Analyse

ISBN-13: 9783838613420 / Niemiecki / Miękka / 1999 / 126 str.

Bernd Weber

Opis

Inhaltsangabe: Problemstellung: Die Entwicklung globaler Aktienmarkte und der darin gehandelten einzelnen Aktienwerte wird bestimmt von Einflufaktoren aus der unternehmensinternen Wertschopfungskette und von dem Diskontinuitaten auslosenden situativen Kontext der betrachteten Unternehmen. Fur die Realisation von Gewinnen und zur Abschatzung zukunftiger Gewinnpotentiale ist eine eingehende Diagnose der aktienkursbestimmenden Informationen und Einflufaktoren notwendig. Die mit der Diagnose verbundene Analyse des Ist-Zustandes und Prognose zukunftiger Wird-Zustande setzt den Einsatz von Instrumenten fur den mit dieser Aufgabe verbundenen Informationsverarbeitungsproze voraus. In der Vergangenheit sind zu diesem Zweck eine Reihe von - in aller Regel nur einen Ausschnitt betrachtenden - Analyse- und Prognoseinstmmenten entwickelt und angewandt worden. Die Betrachtung nur einzelner aktienkursbestimmender Einflufaktoren erscheint fur die Prognosequalitat und des damit einhergehenden moglichst hohen lnformations- und Sicherheitsgrades als nicht ausreichend. Vor diesem Hintergrund ruckten Verfahren, die eine weitestgehende Berucksichtigung von verfugbaren Informationen zur Verbesserung der Prognosequalitat ermoglichen, in das Zentrum des Interesses. Eine Moglichkeit dieses Ziel zu erreichen, konnte im Einsatz von Kunstlichen Neuronalen Netzen bei der Aktienkursprognose liegen. Der Einsatz Kunstlicher Neuronaler Netze im okonomischen Bereich etabliert sich seit dem Ende der achtziger Jahre, nachdem das Hauptinteresse zuvor der Theorie galt. Als Einsatzgebiete sind solche Aufgabenfelder denkbar, fur die kein oder nur unzureichend deskriptives Wissen zur Problemlosung zur Verfugung steht, wodurch der Einsatz konventioneller Algorithmen ausgeschlossen oder zumindest eingeschrankt wird. Des weiteren wird den Kunstlichen Neuronalen Netzen eine Lernfahigkeit gegenuber variierenden Problemfeldern und eine Approximationsfahigkeit bei nur rudimentarem Datenmaterial zugesprochen.