Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten

Dr. Markus Rauscher ist wissenschaftlicher Mitarbeiter von Prof. Dr. Elmar Helten am Institut für Betriebswirtschaftliche Risikoforschung und Versicherungswirtschaft der Universität München.

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.