Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten: Am Beispiel deutscher Lebensversicherungsunternehmen

اندازه‌گیری ریسک به‌عنوان یک وظیفه فرعی مدیریت ریسک، یک کار ابتدایی برای سرمایه‌گذاران نهادی است. برای این منظور، نوسانات و ضرایب همبستگی با ابزارها و روش‌های مختلفی در دسترس است. به نظر می رسد شبکه های عصبی مصنوعی بسیار مناسب هستند. این توسط تحقیقات در زمینه‌های دیگر پیشنهاد می‌شود که شباهت‌های اساسی با مشکل پیش‌بینی ریسک نشان می‌دهند.

مارکوس راوشر کیفیت پیش‌بینی‌های انجام شده با کمک شبکه‌های عصبی مصنوعی را با توجه به نوسانات و همبستگی DAX و DAX بررسی می‌کند. REXP. تعداد زیادی از معماری ها و الگوریتم های یادگیری مختلف برای تعیین مناسب بودن صورت های فلکی خاص استفاده می شود. مدل‌های عصبی که نسبت به روش‌های مرسوم برتری دارند، ارائه شده و احتمالات حاصل مورد بحث قرار گرفته است.

Die Risikomessung als Teilaufgabe des Risikomanagements stellt für institutionelle Kapitalanleger eine elementare Aufgabe dar. Hierzu werden Volatilitäten und Korrelationskoeffizienten prognostiziert, wobei verschiedene Instrumente und Methoden zur Verfügung stehen. Künstliche neuronale Netze scheinen besonders gut geeignet zu sein; darauf lassen Untersuchungen in anderen Feldern schließen, die grundsätzliche Ähnlichkeiten mit dem Problem der Risikoprognose aufweisen.

Markus Rauscher untersucht die Qualität mit Hilfe künstlicher neuronaler Netze erstellter Vorhersagen hinsichtlich der Volatilität und Korrelation von DAX und REXP. Um die Eignung bestimmter Konstellationen zu ermitteln, findet eine Vielzahl unterschiedlicher Architekturen und Lernalgorithmen Verwendung. Die den herkömmlichen Methoden überlegenen neuronalen Modelle werden dargestellt und sich daraus ergebende Möglichkeiten diskutiert.