Neurales Netzwerk
Was ist ein neuronales Netz?
Ein neuronales Netzwerk ist eine Reihe von Algorithmen, die versuchen, zugrunde liegende Beziehungen in einem Datensatz durch einen Prozess zu erkennen, der die Funktionsweise des menschlichen Gehirns nachahmt. In diesem Sinne beziehen sich neuronale Netze auf Systeme von Neuronen, entweder organischer oder künstlicher Natur. Neuronale Netze können sich an sich ändernde Eingaben anpassen; So generiert das Netzwerk das bestmögliche Ergebnis, ohne dass die Ausgabekriterien neu gestaltet werden müssen. Das Konzept der neuronalen Netze, das seine Wurzeln in der künstlichen Intelligenz hat, gewinnt bei der Entwicklung von Handelssystemen schnell an Popularität.
Die zentralen Thesen
- Neuronale Netze sind eine Reihe von Algorithmen, die die Operationen eines menschlichen Gehirns nachahmen, um Beziehungen zwischen riesigen Datenmengen zu erkennen.
- Sie werden in einer Vielzahl von Anwendungen im Finanzdienstleistungsbereich eingesetzt, von Prognosen und Marktforschung bis hin zu Betrugserkennung und Risikobewertung.
- Die Verwendung neuronaler Netze zur Vorhersage von Börsenkursen variiert.
Grundlagen neuronaler Netze
Neuronale Netze in der Finanzwelt helfen bei der Entwicklung solcher Prozesse wie Zeitreihenprognosen, algorithmischer Handel, Wertpapierklassifizierung, Kreditrisikomodellierung und Konstruktion eigener Indikatoren und Preisderivate.
Ein neuronales Netzwerk funktioniert ähnlich wie das neuronale Netzwerk des menschlichen Gehirns. Ein „Neuron“ in einem neuronalen Netz ist eine mathematische Funktion, die Informationen nach einer bestimmten Architektur sammelt und klassifiziert. Das Netzwerk weist eine starke Ähnlichkeit mit statistischen Methoden wie Kurvenanpassung und Regressionsanalyse auf.
Ein neuronales Netz enthält Schichten miteinander verbundener Knoten. Jeder Knoten ist ein Perzeptron und ähnelt einer multiplen linearen Regression. Das Perzeptron speist das durch eine mehrfache lineare Regression erzeugte Signal in eine Aktivierungsfunktion ein, die nichtlinear sein kann.
In einem mehrschichtigen Perzeptron (MLP) sind Perzeptronen in miteinander verbundenen Schichten angeordnet. Die Eingabeschicht sammelt Eingabemuster. Die Ausgabeschicht weist Klassifizierungen oder Ausgabesignale auf, auf die Eingabemuster abgebildet werden können. Zum Beispiel können die Muster eine Liste von Mengen für technische Indikatoren über ein Wertpapier umfassen; potenzielle Outputs könnten „Kaufen“, „Halten“ oder „Verkaufen“ sein.
Versteckte Schichten optimieren die Eingabegewichtungen, bis die Fehlerspanne des neuronalen Netzwerks minimal ist. Es wird die Hypothese aufgestellt, dass verborgene Schichten hervorstechende Merkmale in den Eingabedaten extrapolieren, die eine Vorhersagekraft in Bezug auf die Ausgaben haben. Dies beschreibt die Merkmalsextraktion, die einen ähnlichen Nutzen wie statistische Techniken wie die Hauptkomponentenanalyse erzielt.
Anwendung neuronaler Netze
Neuronale Netze sind weit verbreitet mit Anwendungen für Finanzoperationen, Unternehmensplanung, Handel, Geschäftsanalyse und Produktwartung. Neuronale Netze haben sich auch in Geschäftsanwendungen wie Prognose- und Marktforschungslösungen, Betrugserkennung und Risikobewertung weit verbreitet.
Ein neuronales Netz wertet Kursdaten aus und deckt auf Basis der Datenanalyse Möglichkeiten für Handelsentscheidungen auf. Die Netzwerke können subtile nichtlineare Abhängigkeiten und Muster unterscheiden, die andere Methoden der technischen Analyse nicht können. Untersuchungen zufolge unterscheidet sich die Genauigkeit neuronaler Netze bei der Erstellung von Preisvorhersagen für Aktien. Einige Modelle sagen in 50 bis 60 Prozent der Fälle die richtigen Aktienkurse voraus, während andere in 70 Prozent aller Fälle genau sind. Einige haben postuliert, dass eine Verbesserung der Effizienz um 10 Prozent alles ist, was ein Investor von einem neuronalen Netzwerk verlangen kann.
Es wird immer Datensätze und Aufgabenklassen geben, die mit zuvor entwickelten Algorithmen besser analysiert werden können. Es ist nicht so sehr der Algorithmus, der zählt; es sind die gut aufbereiteten Eingabedaten des Zielindikators, die letztendlich über den Erfolg eines neuronalen Netzes entscheiden.