By Ignazio Benenati
Portfoliomanager werden stets mit Selektions- und Timingentscheidungen konfrontiert, die den Erfolg einer Anlage am Aktienmarkt maßgeblich bestimmen. Ignazio Benenati untersucht, wie sich künstliche neuronale Netze im Portfoliomanagement zur Lösung des Selektions- und Timingproblems einsetzen lassen. Der Autor bedient sich eines bestehenden Simulators, den er für seine Zwecke erweitert hat, und berücksichtigt verschiedene normative Portfoliomodelle. In einer empirischen Untersuchung werden die Ergebnisse anhand der Simulation eines Portfoliomanagers überprüft.
Read or Download Neuronale Netze im Portfoliomanagement PDF
Similar german_9 books
Produktideen stellen das Innovationspotenzial eines Unternehmens dar. Allerdings gelingt es häufig nicht, dieses Potenzial für marktfähige Produktinnovationen auszuschöpfen, weil ein koordiniertes Ideenmanagement fehlt. Konrad Schachtner untersucht, wie die Ideenaktivitäten innerhalb des Produktinnovationsprozesses zu organisieren und informationstechnisch zu unterstützen sind, um die erfolgversprechendsten Produktideen zu finden und in neue Produktkonzepte umzusetzen.
Staat und Stadt: Systematische, vergleichende und problemorientierte Analysen „dezentraler“ Politik
Die lokale Politik ist von einem Paradox gekennzeichnet: Einerseits finden auf dieser Politikebene wesentliche, Wirtschaft, Gesellschaft und persönliche Lebensumstände der Staatsbürger prägende politische Ereignisse statt, andererseits ist die lokale Ebene in den Kategorien von Macht und Finanzen das schwächste Glied - im föderalen approach ebenso wie in zentralistischen Regierungssystemen.
Prüfungstrainer Mathematik: Klausur- und Übungsaufgaben mit vollständigen Musterlösungen
"Schritt - für - Schritt" vollständig vorgerechnete Musterlösungen zu allen dargestellten Aufgaben. Das Buch eignet sich zur begleitenden Unterstützung der Vorlesung im Selbststudium ebenso wie zur gezielten Klausurvorbereitung. Zusätzliche Kommentare informieren über typische "Stolperfallen" und praktische Hinweise in der Prüfungssituation.
- Working Capital und Cash Flow: Finanzströme durch Prozessmanagement optimieren (German Edition)
- Untersuchung der energiewirtschaftlichen Verhältnisse in einem Textilbetrieb und Vorschläge zur Verbesserung der Energieanwendung
- Untersuchungen an Kohlenstoffsteinen (Forschungsberichte des Landes Nordrhein-Westfalen) (German Edition)
- Gleichgewichtsuntersuchungen über den gemeinsamen Einfluß von Mangan und Schwefel auf das physikalisch-chemische Verhalten des im flüssigen Eisen gelösten Kohlenstoffs im Bereich der Kohlenstoffsättigung
- Grundlagen für die Reibungsmessung an Garnen und Zwirnen
- Macht und Herrschaft: Sozialwissenschaftliche Konzeptionen und Theorien
Additional info for Neuronale Netze im Portfoliomanagement
Sample text
2. 28) lassen eine rekursive Berechnung der oj zu. ivierungsfunktion, läßt sich die Backpropagation-Regel wie folgt zusammenfassen: mit. , falls j verdeckte Zelle ist. 1 Probleme im Zusammenhang mit Backpropagation Das Lernverfahren Backpropagation besitzt einige von Nachteile, die sich aus der Verwendung eines Gradientenabstiegsverfahrens ergeben. Da es sich bei Backpropagation um ein lokales Verfahren handelt, werden nicht die Eigenschaften der gesamten Fehlerfläche sondern immer nur eine kleine lokale Umgebung berücksichtigt.
1993)]. Die Parameter, die die Topologie des Fehlergebirges festlegen, wie beispielsweise Netzwerkarchitektur, Fehlerfunktion, Aktivierungsfunktion kann man als primäre Netzwerkparameter bezeichnen. Sie bilden die erste Parameterklassc. 5 zeigt ein Beispiel für das Fehlergebirge des XOR-Problems, das durch die Festlegung der Parameter der ersten Klasse entsteht. Die zweite Klasse wird von den sekundären Netzwerkparameter gebildet, die einen Punkt auf dem Fehlergebirge festlegen und das Bewegungsverhalten zum Optimum bestimmen.
Betrachtet man diesen transformierten Raum, stellt man fest, daß die Sigmoide die Trainingspunkte nicht so gut annähert wie die Regression. Die im ursprünglichen Raum angepaßte Sigmoide ist im transformierten Raum deshalb schlechter angepaßt, weil die Logit-Transformation den Fehler der Sigmoiden in der Nähe von 0 und 1 vergrößert. Im mittleren Bereich hingegen ist die Änderung nicht gravierend. Die Logit-Transformation nimmt also eine Gewichtung im urprünglichen Raum vor. 1 aufgegeben. Auch dann wird beim Backpropagation eine Art Regression durchgeführt, aber die Gewichtung der Punkte in der Trainingsmenge wird anders vorgenommen.