Melden Sie sich hier an, um auf Kommentare und die Whitepaper-Datenbank zugreifen zu können.

Kein Log-In? Dann jetzt kostenlos registrieren.

Falls Sie Ihr Passwort vergessen haben, können Sie es hier per E-Mail anfordern.

Der Zugang zur Reseller Only!-Community ist registrierten Fachhändlern, Systemhäusern und Dienstleistern vorbehalten.

Registrieren Sie sich hier, um Zugang zu diesem Bereich zu beantragen. Die Freigabe Ihres Zugangs erfolgt nach Prüfung Ihrer Anmeldung durch die Redaktion.

10.07.1992 - 

Entscheidungsgrundlage für die Kreditwirtschaft

Neuronale Netze für die Prognose wirtschaftlicher Entwicklungen

Der Einsatz neuronaler Netze eröffnet völlig neue Perspektiven für das Erkennen komplexer wirtschaftlicher Entwicklungen. Für die Vorhersage von Zins-, Konjunktur- und Kursentwicklungen sowie von Absatzzahlen und Auftragserwartungen, für die Risikoanalyse sowie für Prognosen scheint dieses mathematische Instrument zur fundierten Entscheidungsfindung allen bisher verfügbaren Methoden überlegen.

Schon heute zeichnet sich ab, daß die Disziplin der Neuro-Informatik einen starken Aufschwung nehmen und speziell der Kreditwirtschaft eine zusätzliche Entscheidungsgrundlage liefern kann.

Die Fähigkeit, Entwicklungen zu prognostizieren, ist eine zentrale Voraussetzung zur rationalen Entscheidungsfindung, da der Wert von Handlungsanweisungen stets auch an den Konsequenzen dieser Handlungen gemessen wird.

Chart- und Fundamentanalyse

Dies gilt insbesondere für den Finanzsektor, etwa im Devisen- oder Aktiengeschäft. Die bekannteste Technik in diesem Rahmen ist die Chartanalyse, die nur die Vergangenheitsinformationen einer bestimmten Zeitreihe auswertet. Im Gegensatz dazu versucht die Fundamentanalyse eine Beschreibung -der tatsächlichen Dynamik des Marktgeschehens zu geben. Der Erfolg der Chartanalyse ist durch die begrenzte Inputinformation, der der Fundamentalanalyse durch die Komplexität des Marktes und durch die Vernachlässigung der psychologischen Entscheidungsvorgänge limitiert.

Grundsätzlich beruht jede Prognose auf Daten der Vergangenheit, aus denen eine Struktur extrahiert wird. Von dieser wird angenommen, daß sie über die Zeit hinweg invariant oder zumindest näherungsweise konstant ist, so daß mit ihrer Hilfe Daten über die Zukunft - also Prognosewerte - errechnet werden können . Die Hypothese der Strukturbeständigkeit in einer noch unbekannten Zukunft läßt sich zwar nicht beweisen, jedoch an bekannten Teilen der Zeitreihe überprüfen. Der mathematische Kern der Aufgabe besteht im Übergang von Daten der Vergangenheit zu einer Struktur, die etwa die Form von

Differenzen- oder Differentialgleichungen annehmen kann.

Die bislang üblichen mathematischen Techniken konzentrierten sich auf zwei spezielle Typen von Strukturen. Entweder berücksichtigten sie sehr viele Variablen, ließen aber nur lineare Wechselwirkungen der Einflußgrößen untereinander zu. Oder sie erlaubten ein komplexes Verhalten sehr weniger Variablen. Die Ökonomie läßt sich in keinen dieser beiden Spezialfälle einordnen. Ökonomische Systeme sind von Natur aus Vielvariablensysteme, die nur beschränkt separierbar sind und deren nichtlineare Dynamik immer nur in Überlagerung vieler Einflußfaktoren zu beobachten ist.

Im Gegensatz zur Physik ist es im ökonomischen Bereich auch nicht möglich, ein Laborexperiment aufzubauen, in dem fast alle Variablen konstant gehalten und einige wenige in ihrem Wechselspiel zueinander beobachtet werden. Ebenso wenig läßt sich ein Experiment unter denselben Rahmenbedingungen wiederholen. Daher ist es auch nicht möglich, einzelne Variablen zu verändern und so verschiedene Szenarien durchzuspielen, um daraus ihren Einfluß auf die Marktdynamik abzulesen und auf diesem Weg zu einer optimalen Modellierung zu kommen.

Neuronale Netze dürften für die Ökonomie einen Glücksfall darstellen. Durch ihre Eignung zur simultanen . Modellierung vieler Einflußfaktoren und nichtlinearer Wechselwirkungen ist nämlich ein mathematisches Instrument vorhanden, das einen Rahmen für komplexe Modellierungsanforderungen in der Ökonometrie bietet. Damit lassen sich Prognosen von Zins-, Konjunktur- und Kursentwicklungen, aber auch Vorhersagen von Absatzzahlen, Auftragserwartungen und Preisentwicklungen untersuchen.

Inhaltliche Interpretation

Für das langfristige Zusammenwachsen der Wissensgebiete neuronale Netze und Ökonomie ist es aber auch wichtig, daß nicht nur der formale Nutzen des mathematische untersucht wird, sondern auch eine inhaltliche Interpretation im betrachteten Anwendungsfeld gegeben werden kann .

Dies gilt insbesondere für das Gebiet der neuronalen Netze das von seiner historischen Wurzel her nicht mit ökonomischen Fragen verknüpft war. Nun läßt sich die mathematische Beschreibung eines einzelnen Neurons aber auch als ein Modell für den Begriff Entscheidung verstehen.

Ein neuronales Netz läßt sich dann entweder als komplexes Modell des Input-Outputverhaltens eines einzelnen Marktteilnehmers (individuelles Modell) oder aber als Interaktionsmodell vieler Entscheidungsträger interpretieren (Modell des Marktgeschehens)

Bei einem derart rückgekoppelten System, das das Geschehen des gesamten Marktes nachbilden soll, wird die Einschwingungsbewegung vieler Entscheidungen auf ein Gleichgewichtsverhalten hin nachvollzogen, wie es beispielsweise auch im Börsensaal geschieht.

Ständiges Lernen aus Beobachtungsdaten

Neuro-Prognosesysteme sind für die Modellierung ökonomischer Strukturen auch deshalb besonders geeignet, weil sie auf Erfahrung aufbauen. Aus gegebenen Beobachtungsdaten modellieren sie durch Lernen einen Ausschnitt der Wirklichkeit.

Dafür fließt eine Fülle von Eingangsinformationen in die Neuronen, in denen dann die Verknüpfung und Verarbeitung dieser Informationen vorgenommen wird.

Als erstes werden die Input-Informationen in jedem Neuron verzerrt, also gegenüber der Eingangsstärke verstärkt oder abgeschwächt. Im nächsten Schritt werden die vielfältigen Eingangsdaten einfach überlagert und zu einem Gesamteindruck zusammengefaßt.

Analogie zum menschlichen Denkprozeß

Mathematisch gesehen wird dazu die Summe über die gewichteten Eingangsgrößen gebildet. Dann wird diese Summe mit einem Schwellenwert verglichen. Ist der gesammelte Input kleiner als der Schwellenwert, soll das System nicht reagieren (0); wird der Schwellenwert überschritten, schaltet das System sprunghaft auf Output (1) um und führt eine Schalterfunktion durch . Dieses Verhalten erfordert eine nichtlineare Modellierung und diese Schwellenwertlogik stellt eine Analogie zum menschlichen Denkprozeß dar.

Gibt das neuronale Netz nun eine nicht korrekte Prognose ab, so wird der innere Zustand des Netzes dergestalt geändert, daß die Prognosegüte steigt. Allerdings sind viele Beispieldaten erforderlich, um ein sinnvolles Ergebnis zu erzielen. Man versucht diesen intensiven Lernprozeß soweit zu bringen, daß neuronale Netze auch dann richtige Entscheidungen fällen können, wenn nur Daten und Fakten vorliegen, die unvollständig und ungenau, teilweise widersprüchlich und von unterschiedlicher Gewichtung im Einfluß auf eine Entwicklung sind. Durch diese Fähigkeit, die Struktur in den gegebenen Daten durch Lernalgorithmen selbständig heraus zu destillieren, sind die neuronalen Netze auch Expertensystemen überlegen, die sich grundsätzlich ebenfalls als Prognosesystem eignen wurden.

Bei der Eingabe der gesammelten Daten der Vergangenheit zur Erstellung eines Neuro-Modells muß nämlich weniger Problemverständnis vorhanden sein als beim Experten, der aufgrund seiner Wissensbasis zusammen mit einem Computerfachmann ein Regelsystem konstruiert.

Die Experten widersprechen sich

Folglich gibt ein Expertensystem nur das Strukturverständnis eines Experten wieder. Und Experten widersprechen sich häufig, eben weil der Mensch ökonomische Zusammenhänge mit ihrer Vielzahl an sich überlagernden, in ihrer Tendenz gegenläufigen Variablen nur schwer überblickt.

Dr. Hans Georg Zimmermann, Siemens AG, Zentralbereich Forschung und Entwicklung