Rating von Volkswirtschaften mit künstlich-neuronalen Netzen

رتبه‌بندی‌ها اهمیت فزاینده‌ای پیدا می‌کنند، زیرا داده‌های بسیار فشرده را نشان می‌دهند که به راحتی قابل تفسیر هستند و مبنایی برای تصمیم‌گیری فراهم می‌کنند. با این حال، اغلب شفاف نیست که چگونه رتبه بندی ها به دست می آیند. استفان سی. کامرر رتبه‌بندی و فرآیند رتبه‌بندی را به روشی کاملاً مستدل ارائه می‌کند و با در نظر گرفتن درجات مختلف فشرده‌سازی داده‌ها، یک تحلیل اقتصادی خرد از رفتار تقاضا انجام می‌دهد. نویسنده یک مدل کلی برای شبکه‌های عصبی مصنوعی طراحی کرده و از الگوریتم‌های ترمودینامیکی (Simulated Annealing و Threshold Accepting) برای نشان دادن دیدگاه جدیدی با شبکه‌های عصبی استفاده می‌کند. او یک چند ضلعی جادویی را به عنوان مدلی برای اقتصادهای ملی می سازد که به عنوان پایه ای برای شبیه سازی ها عمل می کند. اینها به عنوان نمونه هایی برای بازارهای کار در ژاپن، ایالات متحده آمریکا و آلمان انجام می شود.

Ratings gewinnen zunehmend an Bedeutung, da sie ein hochverdichtetes Datum darstellen, das leicht interpretiert werden kann und eine Grundlage zur Entscheidungsfindung bietet. Jedoch wird häufig nicht transparent, wie die Bewertungen zustande kommen. Stephan C. Kammerer stellt das Rating und den Ratingprozess formal fundiert dar und führt eine mikroökonomische Analyse des Nachfrageverhaltens unter Berücksichtigung unterschiedlicher Datenverdichtungsgrade durch. Der Autor konzipiert ein allgemeines Modell für künstlich-neuronale Netze und zeigt mit Hilfe thermodynamischer Algorithmen (Simulated Annealing und Threshold Accepting) eine neue Perspektive mit neuronalen Netzen auf. Er konstruiert ein Magisches Vieleck als Modell für Volkswirtschaften, das als Grundlage für Simulationen dient. Diese werden exemplarisch für die Arbeitsmärkte Japans, der USA und Deutschlands durchgeführt.