• Open Daily: 10am - 10pm
    Alley-side Pickup: 10am - 7pm

    3038 Hennepin Ave Minneapolis, MN
    612-822-4611

Open Daily: 10am - 10pm | Alley-side Pickup: 10am - 7pm
3038 Hennepin Ave Minneapolis, MN
612-822-4611
Einsatz von Künstlichen Neuronalen Netzen bei der Aktienkursprognose: Eine Stärken-Schwächen-Analyse

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

Paperback

Investing & Finance

ISBN10: 3838613422
ISBN13: 9783838613420
Publisher: Diplom.de
Published: Apr 1 1999
Pages: 126
Weight: 0.38
Height: 0.30 Width: 5.83 Depth: 8.27
Language: German
Inhaltsangabe: Problemstellung: Die Entwicklung globaler Aktienmärkte und der darin gehandelten einzelnen Aktienwerte wird bestimmt von Einflu faktoren aus der unternehmensinternen Wertschöpfungskette und von dem Diskontinuitäten auslösenden situativen Kontext der betrachteten Unternehmen. Für die Realisation von Gewinnen und zur Abschätzung zukünftiger Gewinnpotentiale ist eine eingehende Diagnose der aktienkursbestimmenden Informationen und Einflu faktoren notwendig. Die mit der Diagnose verbundene Analyse des Ist-Zustandes und Prognose zukünftiger Wird-Zustände setzt den Einsatz von Instrumenten für 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 Einflu faktoren erscheint für die Prognosequalität und des damit einhergehenden möglichst hohen lnformations- und Sicherheitsgrades als nicht ausreichend. Vor diesem Hintergrund rückten Verfahren, die eine weitestgehende Berücksichtigung von verfügbaren Informationen zur Verbesserung der Prognosequalität ermöglichen, in das Zentrum des Interesses. Eine Möglichkeit dieses Ziel zu erreichen, könnte im Einsatz von Künstlichen Neuronalen Netzen bei der Aktienkursprognose liegen. Der Einsatz Künstlicher Neuronaler Netze im ökonomischen Bereich etabliert sich seit dem Ende der achtziger Jahre, nachdem das Hauptinteresse zuvor der Theorie galt. Als Einsatzgebiete sind solche Aufgabenfelder denkbar, für die kein oder nur unzureichend deskriptives Wissen zur Problemlösung zur Verfügung steht, wodurch der Einsatz konventioneller Algorithmen ausgeschlossen oder zumindest eingeschränkt wird. Des weiteren wird den Künstlichen Neuronalen Netzen eine Lernfähigkeit gegenüber variierenden Problemfeldern und eine Approximationsfähigkeit bei nur rudimentärem Datenmaterial zugesprochen.

Also in

Investing & Finance