Kombination Künstlicher Neuronaler Netze: Zur Prognose von Wechselkursen

پیش بینی نرخ ارز به شدت مشکل ساز در نظر گرفته می شود. شبکه‌های عصبی مصنوعی اغلب در چنین موارد دشواری استفاده می‌شوند، زیرا برای بررسی روابط غیرخطی در یک زمینه اقتصادی ایده‌آل هستند. با این حال، شبکه های عصبی مصنوعی منفرد اغلب نمی توانند وظایف خود را به درستی انجام دهند.

فرانک ریشتر نشان می دهد که اگر به جای یک مدل واحد، از ترکیبی از مدل ها استفاده شود که از نقاط قوت مدل های فردی استفاده کند، پیش بینی های بهتری می توان انجام داد. اما نقاط ضعف آنها تا حد امکان خاموش شد. او احتمالات ترکیب شبکه های عصبی مصنوعی را ارائه می دهد و مزایای مدل های ترکیبی را بر اساس یک مطالعه تجربی برای پیش بینی رابطه بین دلار آمریکا و DM اثبات می کند. آشکار می شود که استفاده از یک تابع مطلوبیت مناسب نقش مهمی برای پیش بینی نرخ ارز ایفا می کند.

Wechselkursprognosen gelten als äußerst problematisch. Künstliche Neuronale Netze werden in solch schwierigen Fällen häufig eingesetzt, denn sie bieten sich an, um nichtlineare Zusammenhänge im ökonomischen Kontext zu untersuchen. Allerdings können einzelne Künstliche Neuronale Netze ihrer Aufgabe oft nicht gerecht werden.

Frank Richter zeigt, dass sich bessere Prognosen erstellen lassen, wenn statt eines einzelnen Modells eine Modellkombination verwendet wird, die die Stärken einzelner Modelle nutzt, ihre Schwächen hingegen weitestgehend ausschaltet. Er präsentiert Möglichkeiten der Kombination Künstlicher Neuronaler Netze und belegt anhand einer empirischen Untersuchung zur Vorhersage der Relation zwischen US-Dollar und DM die Vorteile von Kombinationsmodellen. Es zeichnet sich ab, dass für Wechselkursprognosen die Verwendung einer adäquaten Nutzenfunktion eine wichtige Rolle spielt.