Del 47 - Versicherung und Risikoforschung

Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten

Am Beispiel deutscher Lebensversicherungsunternehmen

Häftad, Tyska, 2004

Av Markus Rauscher

819 kr

Beställningsvara. Skickas inom 10-15 vardagar

Fri frakt för medlemmar vid köp för minst 249 kr.

Markus Rauscher untersucht die Qualitat mit Hilfe kunstlicher neuronaler Netze erstellter Vorhersagen hinsichtlich der Volatilitat und Korrelation von DAX und REXP. Um die Eignung bestimmter Konstellationen zu ermitteln, findet eine Vielzahl unterschiedlicher Architekturen und Lernalgorithmen Verwendung. Die den herkommlichen Methoden uberlegenen neuronalen Modelle werden dargestellt und sich daraus ergebende Moglichkeiten diskutiert.

Produktinformation

Utgivningsdatum2004-11-29
Mått148 x 210 x 13 mm
Vikt306 g
FormatHäftad
SpråkTyska
SerieVersicherung und Risikoforschung
Antal sidor205
Upplaga2004
FörlagDeutscher Universitats-Verlag
ISBN9783824482276

Tillhör följande kategorier

Finansiering inom Ekonomi och ledarskap
Offentliga sektorn inom Ekonomi och ledarskap

1 Einleitung.- 1.1 Problemstellung.- 1.2 Gang der Untersuchung.- 2 Risiko in der Kapitalanlage von Lebensversicherungsunternehmen und Dessen Messung.- 2.1 Lebensversicherungsprodukte.- 2.2 Kapitalanlage in Lebensversicherungen.- 2.3 Definitorische Grundlagen zu Risiko und Dessen Messung.- 2.4 Risikomaße in der Kapitalanlage von Lebensversicherungsunternehmen.- 3 Grundlagen Künstlicher Neuronaler Netze.- 3.1 Einordnung Künstlicher Neuronaler Netze.- 3.2 Natürliche und Künstliche Neuronale Netze.- 3.3 Künstliche Neuronale Netze als Instrumente der Zeitreihenanalyse.- 3.4 Historischer Abriss der Entwicklung Künstlicher Neuronaler Netze.- 4 Konstruktion Künstlicher Neuronaler Netze.- 4.1 Variablen der Modellierung von Knn.- 4.2 Delta-Regel und Backpropagation-Algorithmus.- 4.3 Schwierigkeiten des Backpropagation-Algorithmus.- 4.4 Weiterentwicklungen des Backpropagation-Algorithmus.- 4.5 Andere Lernmethoden.- 4.6 Häufig Verwendete Netzwerktypen.- 5 Anwendungen Künstlicher Neuronaler Netze.- 5.1 Überblick.- 5.2 Allgemeine Anwendungen.- 5.3 Ökonomische Anwendungen.- 5.4 Erkenntnisse aus Bisherigen Anwendungen.- 6 Grundlagen der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze.- 6.1 Konkretisierung der Problemstellung.- 6.2 Datenbasis.- 6.3 Eingesetzte Softwaresysteme.- 6.4 Verwendete Modelle.- 6.5 Gütemaße.- 6.6 Vorgehen zur Untersuchung.- 7 Ergebnisse der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze.- 7.1 Trainingergebnisse der Dreischichtigen Modelle.- 7.2 Trainingsergebnisse der Vierschichtigen Modelle.- 7.3 Zusammenfassende Trainingsergebnisse.- 7.4 Out-of-Sample-Test der Dreischichtigen Modelle.- 7.5 Out-of-Sample-Test Der Vierschichtigen Modelle.- 7.6 ZusammenfassendeOut-of-Sample-Ergebnisse.- 7.7 Zusammenfassung der Empirischen Ergebnisse.- 8 Thesenförmige Zusammenfassung.- Anhang 1: Verwendung von Daten und Modellen.- Anhang 2: Javanns.- Anhang 3: Ergebnisse Naive Prognose.- Anhang 4: Ergebnisse Mean Reversión.- Anhang 5: Trainingsergebnisse Dreischichtiger MLP.- Anhang 6: Trainingsergebnisse Vierschichtiger MLP (DAX).- Anhang 7: Trainingsergebnisse Vierschichtiger MLP (REXP).- Anhang 8: Trainingsergebnisse Vierschichtiger MLP (KORR).- Anhang 9: Gütemabe (Training) Dreischichtiger MLP.- Anhang 10: Gütemabe (Training) Vierschichtiger MLP.- Anhang 11: Rangfolge (Validierung) Dreischichtiger MLP.- Anhang 12: Rangfolge (Validierung) Vierschichtiger MLP.