Was ist ein neuronales Netzwerk?
Ein neuronales Netzwerk ist eine Reihe von Algorithmen, die versuchen, die zugrunde liegenden Beziehungen in einem Datensatz durch einen Prozess zu erkennen, der die Funktionsweise des menschlichen Gehirns nachahmt. In diesem Sinne beziehen sich neuronale Netze auf Neuronensysteme, 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 in der Entwicklung von Handelssystemen rasch an Popularität.
Grundlagen neuronaler Netze
Neuronale Netze in der Finanzwelt helfen bei der Entwicklung von Prozessen wie Zeitreihenprognosen, algorithmischem Handel, Wertpapierklassifizierung, Kreditrisikomodellen und der Erstellung eigener Indikatoren und Preisderivate.
Ein neuronales Netzwerk funktioniert ähnlich wie das neuronale Netzwerk des menschlichen Gehirns. Ein "Neuron" in einem neuronalen Netzwerk ist eine mathematische Funktion, die Informationen nach einer bestimmten Architektur sammelt und klassifiziert. Das Netzwerk ähnelt stark statistischen Methoden wie der Kurvenanpassung und der Regressionsanalyse.
Ein neuronales Netzwerk enthält Schichten miteinander verbundener Knoten. Jeder Knoten ist ein Perzeptron und ähnelt einer multiplen linearen Regression. Das Perzeptron speist das durch eine multiple lineare Regression erzeugte Signal in eine Aktivierungsfunktion ein, die nichtlinear sein kann.
In einem mehrschichtigen Perzeptron (MLP) sind Perzeptrone in miteinander verbundenen Schichten angeordnet. Die Eingabeebene 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; Mögliche Outputs könnten "Kaufen", "Halten" oder "Verkaufen" sein.
Versteckte Ebenen optimieren die Eingabegewichtung, bis die Fehlertoleranz des neuronalen Netzwerks minimal ist. Es wird angenommen, dass versteckte Schichten hervorstechende Merkmale in den Eingabedaten extrapolieren, die eine Vorhersagekraft in Bezug auf die Ausgaben haben. Dies beschreibt die Merkmalsextraktion, die einen Nutzen erzielt, der statistischen Techniken wie der Hauptkomponentenanalyse ähnlich ist.
Die zentralen Thesen
- Neuronale Netze sind eine Reihe von Algorithmen, die die Operationen eines menschlichen Gehirns nachahmen, um Zusammenhänge zwischen riesigen Datenmengen zu erkennen. Sie werden in einer Vielzahl von Anwendungen in Finanzdienstleistungen eingesetzt, von Prognose- und Marketinguntersuchungen bis hin zu Betrugserkennung und Risikobewertung. Die Verwendung neuronaler Netze für die Börsenpreisvorhersage variiert.
Anwendung neuronaler Netze
Neuronale Netze werden in großem Umfang mit Anwendungen für Finanzoperationen, Unternehmensplanung, Handel, Geschäftsanalysen und Produktwartung verwendet. Neuronale Netze sind auch in Geschäftsanwendungen wie Prognose- und Marktforschungslösungen, Betrugserkennung und Risikobewertung weit verbreitet.
Ein neuronales Netzwerk wertet Preisdaten aus und sucht nach Möglichkeiten, auf der Grundlage der Datenanalyse Handelsentscheidungen zu treffen. Die Netzwerke können subtile nichtlineare Abhängigkeiten und Muster unterscheiden, die andere Methoden der technischen Analyse nicht können. Untersuchungen zufolge ist die Genauigkeit neuronaler Netze bei der Vorhersage von Kursen für Aktien unterschiedlich. Einige Modelle sagen die korrekten Aktienkurse in 50 bis 60 Prozent der Fälle voraus, während andere in 70 Prozent aller Fälle genau sind. Einige gehen davon aus, dass ein Investor von einem neuronalen Netz nur eine Effizienzsteigerung von 10 Prozent erwarten kann.
Es wird immer Datensätze und Aufgabenklassen geben, die mithilfe zuvor entwickelter Algorithmen besser analysiert werden können. Es kommt nicht so sehr auf den Algorithmus an; Es sind die gut aufbereiteten Eingabedaten des Zielindikators, die letztendlich den Erfolg eines neuronalen Netzwerks bestimmen.
