Kuenstliche Neuronale Netze versus oekonometrische und zeitreihenanalytische Verfahren zur Prognose oekonomischer Zeitreihen

Kunstliche Neuronale Netze (KNN) avancierten in der Finanzanalyse und -prognose in den letzten Jahren zu einem wissenschaftlichen Mode- und Reizthema gleichermaen. Nach einer Darstellung des Backpropagation Algorithmus erfolgt die Konzeption einer deterministischen, iterativen Vorgehensweise zur Generierung eines neuronalen Prognosemodells. Der Real-World-Bezug entsteht durch Simulationsstudien, auf deren Basis die Prognoseleistung der KNN mit jungeren Verfahren aus der Zeitreihenanalyse (Kointegration und Fehlerkorrekturmodelle) zur DM/US-$-Wechselkursprognose kritisch verglichen und evaluiert werden soll. Dazu erfolgt ein Performance-Vergleich von statistischen, neuro-statistischen und neuronalen Fehlerkorrekturmodellen. Den theoretischen Rahmen bilden traditionelle und moderne Wechselkurstheorien. Im Rahmen der komparativen Analyse werden Leistungsfahigkeit und Grenzen der neuronalen Prognose-Tools evident.

Künstliche Neuronale Netze (KNN) avancierten in der Finanzanalyse und -prognose in den letzten Jahren zu einem wissenschaftlichen Mode- und Reizthema gleichermaßen. Nach einer Darstellung des Backpropagation Algorithmus erfolgt die Konzeption einer deterministischen, iterativen Vorgehensweise zur Generierung eines neuronalen Prognosemodells. Der Real-World-Bezug entsteht durch Simulationsstudien, auf deren Basis die Prognoseleistung der KNN mit jüngeren Verfahren aus der Zeitreihenanalyse (Kointegration und Fehlerkorrekturmodelle) zur DM/US-$-Wechselkursprognose kritisch verglichen und evaluiert werden soll. Dazu erfolgt ein Performance-Vergleich von statistischen, neuro-statistischen und neuronalen Fehlerkorrekturmodellen. Den theoretischen Rahmen bilden traditionelle und moderne Wechselkurstheorien. Im Rahmen der komparativen Analyse werden Leistungsfähigkeit und Grenzen der neuronalen Prognose-Tools evident.