Hybrider Prognoseansatz zur Wechselkursanalyse.

Name: Hybrider Prognoseansatz zur Wechselkursanalyse. | Kombinationsmöglichkeiten von multivariater Kointegration, Neuronalen Netzen und Multi-Task Learning.
Brand: Verlag Wissenschaft & Praxis
Price: 79.9 EUR
Availability: OnlineOnly

Kombinationsmöglichkeiten von multivariater Kointegration, Neuronalen Netzen und Multi-Task Learning.

Folke Axel Rauscher(Autor*in)

Verlag Wissenschaft & Praxis

1. Auflage

Erschienen am 26. März 2023

XVIII, 289 Seiten

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-3-89644-849-1 (ISBN)

79,90 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Wasserzeichen-DRM

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Inhalt

Intro
Vorwort
Abstract
Inhaltsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Abgrenzung zu anderen Arbeiten
1.3.1 Gerhards (1994)
1.3.2 Steurer (1997)
1.3.3 Grimm (1997)
1.3.4 Caruana (1997)
1.3.5 Poddig (1996)
1.4 Forschungshypothesen und Annahmen
1.5 Gliederung und Inhaltsübersicht
2 Vorhersage von Wechselkursen
2.1 Grundlagen
2.1.1 Prozeßmodell
2.1.2 Definition Wechselkurs
2.1.3 Prognosefokus und Motivation
2.2 Wechselkurstheorien
2.2.1 Kaufkraftparitätentheorie
2.2.2 Zinsparitätentheorie
2.2.3 Weitere Wechselkurstheorien
2.2.4 Empirie theoretischer Wechselkursmodelle
2.3 Kritik, Erweiterung und Datenbasis
2.3.1 Gründe für schlechte empirische Ergebnisse theoretischer Wechselkursmodelle
2.3.2 Erweiterter Ansatz zur Vorhersage von Wechselkursen
2.3.3 Datengrundlage
2.4 Zieldefinition
3 Evaluierung der Prognoseleistung
3.1 Grundlagen der Performance-Messung
3.2 Evaluierungskriterien
3.3 Gütemaße
3.3.1 Primäre statistische Maße
3.3.2 Rendite-Maße
3.3.3 Risiko-Maße
3.3.4 Kombinations-Maße
3.3.5 Benchmark-Maße
3.4 Beurteilungsmetrik
4 Finanzmarkteigenschaften
4.1 Charakteristiken internationaler Finanzmärkte
4.1.1 Finanzmarktliberalisierung
4.1.2 Nichtlinearität
4.1.3 Ineffizienz
4.1.4 Nichtstationarität
4.2 Analyse der Finanzmarktintegration
4.3 Hybrider Prognoseansatz
5 Nichtlineare multivariate Kointegration
5.1 Test verfahren auf den Integrationsgrad
5.1.1 Test nach Dickey/Fuller
5.1.2 Test nach Phillips/Perron
5.1.3 Empirische Anwendung
5.1.4 Modellierungsmöglichkeiten nichtstationärer Zeitreihen
5.2 Konzept der Kointegration
5.2.1 Engle-Granger-Verfahren
5.2.2 Johansen-Verfahren
5.3 Beurteilung der Kointegrationsansätze
5.3.1 Vor- und Nachteile
5.3.2 Schlußfolgerungen
5.4 Vektorielle Fehlerkorrekturmodelle
5.4.1 Theoretisches Grundmodell
5.4.2 Modifizierung des Grundmodells
5.4.3 Kommentierung der bisherigen Ergebnisse
5.5 Übertragung auf Neuronale Netze
5.5.1 "Conditional Cointegration"
5.5.2 Nichtlineare Fehlerkorrektur
5.6 Neuronale Fehlerkorrekturmodelle
5.6.1 Neuronale Netzwerk Modellierung
5.6.2 Empirische Untersuchungen
5.6.3 Zusammenfassung
6 Multi-Task Learning
6.1 Maschinelles Lernen und Multi-Task Learning
6.1.1 Prior Knowledge
6.1.2 Induktive Lernsysteme
6.1.3 Multi-Task Learning Bias
6.2 MTL zur integrierten Finanzmarktanalyse
6.2.1 Anforderungen
6.2.2 Konsequenzen
6.2.3 Kritikpunkte einer segmentierten Finanzanalyse
6.2.4 Erweiterungen einer integrierten Finanzanalyse
6.3 Multi-Task Learning und Neuronale Netze
6.3.1 Berücksichtigung zusätzlicher Informationen
6.3.2 Wissenstransfer ähnlicher Aufgaben
6.3.3 Multiple Ausgabeneuronen
6.3.4 Neuronales Multi-Task Learning
6.4 Theorie und Funktionsweise von MTL
6.4.1 Verstärkung der Dateninformation
6.4.2 Sinnvolle Auswahl von Attributen
6.4.3 Abschauen relevanter Inputverbindungen
6.4.4 Repräsentations-Bias
6.4.5 Zusammenfassung der Multi-Task Learning Mechanismen
6.5 Identifikation von Hilfsaufgaben
6.5.1 Multiple Aufgabenrepräsentationen und Fehlermetriken
6.5.2 Unterschiedliche Zeithorizonte
6.5.3 Fokussierung des Lernsystems
6.5.4 Lernen von Lehrern
6.5.5 Verwendung beim Prognoseschritt nicht mehr zugänglicher Informationen
6.5.6 Lernen mit Werten aus der Zukunft
6.5.7 Transfer von recyceltem Wissen
6.5.8 Kointegrierte Ausgabezeitreihen
6.6 Empirische Multi-Task Learning Untersuchungen
6.6.1 Realisierung der Multi-Task Learning Modelle
6.6.2 Verbesserte Modellierung von Kointegrationssystemen durch gleichzeitiges Erlernen aller kointegrierten Variablen
6.6.3 Induktion zusätzlichen Wissens durch simultanes Erlernen theoretischer Zusammenhänge
6.6.4 Unterstützung der Problemrepräsentation durch Berücksichtigung internationaler Wechselkursbeziehungen
6.6.5 Binden von Freiheitsgraden durch Erzwingen von Konsistenzbedingungen
6.6.6 Erhöhung der Generalisierungsfähigkeit durch Beschreibung der Zielaufgabe als Zustand
6.6.7 Abschließende Bemerkungen
7 Schlußbetrachtungen
7.1 Zusammenfassung der Ergebnisse
7.2 Abschließende Würdigung
7.3 Ausblick
A Datenbeschreibung
A.1 Zeitreihen für USA
A.2 Zeitreihen für Japan
A.3 Zeitreihen für Deutschland
A.4 Wechselkurse
B Integrationsgrad-Testergebnisse
C Software und Informationssysteme
Literaturverzeichnis

Inhalt (PDF)

Systemvoraussetzungen

Als PDF speichern Als Link merken