Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten

Die Risikomessung als Teilaufgabe des Risikomanagements stellt für institutionelle Kapitalanleger eine elementare Aufgabe dar. Hierzu werden Volatilitäten und Korrelationskoeffizienten prognostiziert, wobei verschiedene Instrumente und Methoden zur Verfügung stehen. Künstliche neuronale Netze scheinen besonders gut geeignet zu sein; darauf lassen Untersuchungen in anderen Feldern schließen, die grundsätzliche Ähnlichkeiten mit dem Problem der Risikoprognose aufweisen.
Markus Rauscher untersucht die Qualität mit Hilfe künstlicher neuronaler Netze erstellter Vorhersagen hinsichtlich der Volatilität und Korrelation von DAX und REXP. Um die Eignung bestimmter Konstellationen zu ermitteln, findet eine Vielzahl unterschiedlicher Architekturen und Lernalgorithmen Verwendung. Die den herkömmlichen Methoden überlegenen neuronalen Modelle werden dargestellt und sich daraus ergebende Möglichkeiten diskutiert.

Dr. Markus Rauscher ist wissenschaftlicher Mitarbeiter von Prof. Dr. Elmar Helten am Institut für Betriebswirtschaftliche Risikoforschung und Versicherungswirtschaft der Universität München.

1 Einleitung.- 1.1 Problemstellung.- 1.2 Gang der Untersuchung.- 2 Risiko in der Kapitalanlage von Lebensversicherungsunternehmen und Dessen Messung.- 2.1 Lebensversicherungsprodukte.- 2.2 Kapitalanlage in Lebensversicherungen.- 2.3 Definitorische Grundlagen zu Risiko und Dessen Messung.- 2.4 Risikomaße in der Kapitalanlage von Lebensversicherungsunternehmen.- 3 Grundlagen Künstlicher Neuronaler Netze.- 3.1 Einordnung Künstlicher Neuronaler Netze.- 3.2 Natürliche und Künstliche Neuronale Netze.- 3.3 Künstliche Neuronale Netze als Instrumente der Zeitreihenanalyse.- 3.4 Historischer Abriss der Entwicklung Künstlicher Neuronaler Netze.- 4 Konstruktion Künstlicher Neuronaler Netze.- 4.1 Variablen der Modellierung von Knn.- 4.2 Delta-Regel und Backpropagation-Algorithmus.- 4.3 Schwierigkeiten des Backpropagation-Algorithmus.- 4.4 Weiterentwicklungen des Backpropagation-Algorithmus.- 4.5 Andere Lernmethoden.- 4.6 Häufig Verwendete Netzwerktypen.- 5 Anwendungen Künstlicher Neuronaler Netze.- 5.1 Überblick.- 5.2 Allgemeine Anwendungen.- 5.3 Ökonomische Anwendungen.- 5.4 Erkenntnisse aus Bisherigen Anwendungen.- 6 Grundlagen der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze.- 6.1 Konkretisierung der Problemstellung.- 6.2 Datenbasis.- 6.3 Eingesetzte Softwaresysteme.- 6.4 Verwendete Modelle.- 6.5 Gütemaße.- 6.6 Vorgehen zur Untersuchung.- 7 Ergebnisse der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze.- 7.1 Trainingergebnisse der Dreischichtigen Modelle.- 7.2 Trainingsergebnisse der Vierschichtigen Modelle.- 7.3 Zusammenfassende Trainingsergebnisse.- 7.4 Out-of-Sample-Test der Dreischichtigen Modelle.- 7.5 Out-of-Sample-Test Der Vierschichtigen Modelle.- 7.6 ZusammenfassendeOut-of-Sample-Ergebnisse.- 7.7 Zusammenfassung der Empirischen Ergebnisse.- 8 Thesenförmige Zusammenfassung.- Anhang 1: Verwendung von Daten und Modellen.- Anhang 2: Javanns.- Anhang 3: Ergebnisse Naive Prognose.- Anhang 4: Ergebnisse Mean Reversión.- Anhang 5: Trainingsergebnisse Dreischichtiger MLP.- Anhang 6: Trainingsergebnisse Vierschichtiger MLP (DAX).- Anhang 7: Trainingsergebnisse Vierschichtiger MLP (REXP).- Anhang 8: Trainingsergebnisse Vierschichtiger MLP (KORR).- Anhang 9: Gütemabe (Training) Dreischichtiger MLP.- Anhang 10: Gütemabe (Training) Vierschichtiger MLP.- Anhang 11: Rangfolge (Validierung) Dreischichtiger MLP.- Anhang 12: Rangfolge (Validierung) Vierschichtiger MLP.