Finanzmarktprognose mit neuronalen Netzen

Künstliche Neuronale Netze sind ein relativ junges Werkzeug in der kurzfristigen Finanzmarktanalyse. In der vorliegenden Dissertation werden die Chancen und Risiken aufgezeigt, die bei der profitablen Prognose der Ein-Tages-Rendite eines Wertpapiers mittels Neuronaler Netze entstehen. Dazu werden die Auswirkungen der häufig verwendeten Parameter untersucht und unterschiedliche Methoden verwendet, um das typische Overfitting von Neuronalen Netzen zu verhindern beziehungsweise zu minimieren. Als Alternative zum Training mittels Backpropagation wird ein Genetisch-Evolutionäres Verfahren entwickelt, welches auch die eigenen Parameter mit in den Trainingsprozess einbezieht und dynamisch zwischen einem Genetischen Algorithmus und einem Evolutionären Verfahren wechseln kann. Hierdurch vermag das Verfahren neben dem Training von Neuronalen Netzen eine Vielzahl von beliebigen Optimierungsproblemen zu lösen. Die Arbeit richtet sich nicht nur an Analysten, die mittels Neuronaler Netze Kursprognosen erstellen wollen, sondern auch an Programmierer von Neuronalen Netzen oder Genetischen Algorithmen. Dabei werden die nötigen Programmschritte so dargestellt, dass sie auch für Nicht-Programmierer nachvollziehbar sind. Des Weiteren wird ein Algorithmus (inklusive Programmlisting) vorgestellt, der ähnlich dem julianischen Datum eine lineare Zählung von Tagen ermöglicht, dabei jedoch Wochenenden herausrechnet und somit eine Platzersparnis von 28% erzielt.