Menu Expand

Cite BOOK

Style

Rauscher, F. (2001). Hybrider Prognoseansatz zur Wechselkursanalyse. Kombinationsmöglichkeiten von multivariater Kointegration, Neuronalen Netzen und Multi-Task Learning. Verlag Wissenschaft & Praxis. https://doi.org/10.3790/978-3-89644-849-1
Rauscher, Folke Axel. Hybrider Prognoseansatz zur Wechselkursanalyse: Kombinationsmöglichkeiten von multivariater Kointegration, Neuronalen Netzen und Multi-Task Learning. Verlag Wissenschaft & Praxis, 2001. Book. https://doi.org/10.3790/978-3-89644-849-1
Rauscher, F (2001): Hybrider Prognoseansatz zur Wechselkursanalyse: Kombinationsmöglichkeiten von multivariater Kointegration, Neuronalen Netzen und Multi-Task Learning, Verlag Wissenschaft & Praxis, [online] https://doi.org/10.3790/978-3-89644-849-1

Format

Hybrider Prognoseansatz zur Wechselkursanalyse

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

Rauscher, Folke Axel

Schriftenreihe Wirtschafts- und Sozialwissenschaften, Vol. 43

(2001)

Additional Information

Book Details

Pricing

Abstract

Das Ziel der Arbeit ist es, einen integrierten, multivariaten, nichtlinearen so genannten hybriden Prognoseansatz zu entwickeln, der sich an der zugrunde liegenden Devisenmarktcharakteristik und spezifischen Problemstellung der Wechselkursanalyse orientiert.

Table of Contents

Section Title Page Action Price
Vorwort V
Abstract VII
Inhaltsverzeichnis IX
Abbildungsverzeichnis XV
Tabellenverzeichnis XVII
1 Einleitung 1
1.1 Problemstellung 1
1.2 Zielsetzung 4
1.3 Abgrenzung zu anderen Arbeiten 5
1.3.1 Gerhards (1994) 5
1.3.2 Steurer (1997) 5
1.3.3 Grimm (1997) 5
1.3.4 Caruana (1997) 6
1.3.5 Poddig (1996) 6
1.4 Forschungshypothesen und Annahmen 7
1.5 Gliederung und Inhaltsübersicht 9
2 Vorhersage von Wechselkursen 13
2.1 Grundlagen 13
2.1.1 Prozeßmodell 14
2.1.2 Definition Wechselkurs 16
2.1.3 Prognosefokus und Motivation 17
2.2 Wechselkurstheorien 19
2.2.1 Kaufkraftparitätentheorie 20
2.2.2 Zinsparitätentheorie 25
2.2.3 Weitere Wechselkurstheorien 27
2.2.4 Empirie theoretischer Wechselkursmodelle 34
2.3 Kritik, Erweiterung und Datenbasis 37
2.3.1 Gründe für schlechte empirische Ergebnisse theoretischer Wechselkursmodelle 37
2.3.2 Erweiterter Ansatz zur Vorhersage von Wechselkursen 40
2.3.3 Datengrundlage 47
2.4 Zieldefinition 57
3 Evaluierung der Prognoseleistung 59
3.1 Grundlagen der Performance-Messung 59
3.2 Evaluierungskriterien 61
3.3 Gütemaße 64
3.3.1 Primäre statistische Maße 65
3.3.2 Rendite-Maße 71
3.3.3 Risiko-Maße 76
3.3.4 Kombinations-Maße 82
3.3.5 Benchmark-Maße 83
3.4 Beurteilungsmetrik 86
4 Finanzmarkteigenschaften 93
4.1 Charakteristiken internationaler Finanzmärkte 95
4.1.1 Finanzmarktliberalisierung 95
4.1.2 Nichtlinearität 97
4.1.3 Ineffizienz 102
4.1.4 Nichtstationarität 107
4.2 Analyse der Finanzmarktintegration 111
4.3 Hybrider Prognoseansatz 115
5 Nichtlineare multivariate Kointegration 119
5.1 Test verfahren auf den Integrationsgrad 119
5.1.1 Test nach Dickey/Fuller 120
5.1.2 Test nach Phillips/Perron 122
5.1.3 Empirische Anwendung 123
5.1.4 Modellierungsmöglichkeiten nichtstationärer Zeitreihen 124
5.2 Konzept der Kointegration 126
5.2.1 Engle-Granger-Verfahren 126
5.2.2 Johansen-Verfahren 128
5.3 Beurteilung der Kointegrationsansätze 133
5.3.1 Vor- und Nachteile 133
5.3.2 Schlußfolgerungen 135
5.4 Vektorielle Fehlerkorrekturmodelle 137
5.4.1 Theoretisches Grundmodell 138
5.4.2 Modifizierung des Grundmodells 143
5.4.3 Kommentierung der bisherigen Ergebnisse 153
5.5 Übertragung auf Neuronale Netze 154
5.5.1 „Conditional Cointegration“ 154
5.5.2 Nichtlineare Fehlerkorrektur 156
5.6 Neuronale Fehlerkorrekturmodelle 157
5.6.1 Neuronale Netzwerk Modellierung 158
5.6.2 Empirische Untersuchungen 170
5.6.3 Zusammenfassung 174
6 Multi-Task Learning 177
6.1 Maschinelles Lernen und Multi-Task Learning 178
6.1.1 Prior Knowledge 179
6.1.2 Induktive Lernsysteme 179
6.1.3 Multi-Task Learning Bias 181
6.2 MTL zur integrierten Finanzmarktanalyse 182
6.2.1 Anforderungen 182
6.2.2 Konsequenzen 183
6.2.3 Kritikpunkte einer segmentierten Finanzanalyse 183
6.2.4 Erweiterungen einer integrierten Finanzanalyse 184
6.3 Multi-Task Learning und Neuronale Netze 186
6.3.1 Berücksichtigung zusätzlicher Informationen 186
6.3.2 Wissenstransfer ähnlicher Aufgaben 186
6.3.3 Multiple Ausgabeneuronen 189
6.3.4 Neuronales Multi-Task Learning 190
6.4 Theorie und Funktionsweise von MTL 193
6.4.1 Verstärkung der Dateninformation 193
6.4.2 Sinnvolle Auswahl von Attributen 195
6.4.3 Abschauen relevanter Inputverbindungen 196
6.4.4 Repräsentations-Bias 198
6.4.5 Zusammenfassung der Multi-Task Learning Mechanismen 200
6.5 Identifikation von Hilfsaufgaben 203
6.5.1 Multiple Aufgabenrepräsentationen und Fehlermetriken 204
6.5.2 Unterschiedliche Zeithorizonte 206
6.5.3 Fokussierung des Lernsystems 208
6.5.4 Lernen von Lehrern 210
6.5.5 Verwendung beim Prognoseschritt nicht mehr zugänglicher Informationen 212
6.5.6 Lernen mit Werten aus der Zukunft 214
6.5.7 Transfer von recyceltem Wissen 217
6.5.8 Kointegrierte Ausgabezeitreihen 218
6.6 Empirische Multi-Task Learning Untersuchungen 220
6.6.1 Realisierung der Multi-Task Learning Modelle 220
6.6.2 Verbesserte Modellierung von Kointegrationssystemen durch gleichzeitiges Erlernen aller kointegrierten Variablen 225
6.6.3 Induktion zusätzlichen Wissens durch simultanes Erlernen theoretischer Zusammenhänge 231
6.6.4 Unterstützung der Problemrepräsentation durch Berücksichtigung internationaler Wechselkursbeziehungen 235
6.6.5 Binden von Freiheitsgraden durch Erzwingen von Konsistenzbedingungen 241
6.6.6 Erhöhung der Generalisierungsfähigkeit durch Beschreibung der Zielaufgabe als Zustand 246
6.6.7 Abschließende Bemerkungen 250
7 Schlußbetrachtungen 253
7.1 Zusammenfassung der Ergebnisse 253
7.2 Abschließende Würdigung 257
7.3 Ausblick 258
A Datenbeschreibung 261
A.1 Zeitreihen für USA 262
A.2 Zeitreihen für Japan 263
A.3 Zeitreihen für Deutschland 264
A.4 Wechselkurse 264
B Integrationsgrad-Testergebnisse 265
C Software und Informationssysteme 267
Literaturverzeichnis 269