Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose

Bachelorarbeit aus dem Jahr 2007 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,3, Universität Bremen, Sprache: Deutsch, Abstract: Der weltweite Börsenhandel ist ein äußerst komplexer Wirtschaftsbereich, in dem sich Veränderungen weder durch mathematische Berechnungen (Formeln) noch durch sichere Faustregeln vorher bestimmen lassen. Dies gilt sowohl für die Aktienindizes als auch für alle Aktienwerte. Selbst wenn sich bestimmte Korrelationen zwischen einzelnen Kenngrößen (Variablen) unter Berücksichtigung vorausgegangener Börsenjahre erkennen lassen, können augenblickliche politische Ereignisse, Unruhen, Katastrophen usw. sämtliche Vorhersagetendenzen zunichte machen.
Im Bereich der Informatik gibt es seit mehreren Jahrzehnten Bestrebungen, mit künstlichen neuronalen Netzen (KNN) komplexe Sachverhalte, wie z.B. den Börsenhandel, Aussagen abzuverlangen, die Entscheidungen bezüglich solcher Sachverhalte erleichtern sollen. Künstliche neuronale Netzwerke und künstliche Neuronen haben ihren Ursprung in der Biologie. In der Informatik, dieser Bereich wird heute auch Neuroinformatik genannt, geht es dabei weniger um das Nachbilden natürlicher neuronaler Netze, sondern um eine Abstraktion von Informationsverarbeitung in einem künstlichen neuronalen Netz. Erst durch schnelle Computer kann der komplexe Lernprozess von künstlichen neuronalen Netzen in, z.B. für den Börsenhandel, akzeptablen Zeiträumen ablaufen.
In der vorliegenden Arbeit geht es schwerpunktmäßig darum, den Aktienindex DAX vorherzusagen. Für diesen Anwendungsbereich soll die Regressionsanalyse (multiple Regressionsanalyse) dabei helfen, die Ergebnisse der Prognose mit den künstlichen neuronalen Netzen zu optimieren, in dem aus einer Menge von Variablen die relevantesten extrahiert werden. Ein abschließender Vergleich soll zeigen welches Verfahren besser ist. Verglichen werden die künstlichen neuronalen Netze, die Regressionsanalyse, die künstlichen neuronalen Netze in Kombination mit der Regressionsanalyse und der Durchschnitt aller Verfahren.