Die Vorteile Künstlicher Neuronaler Netze

Mit dem Erfolg der Technische Analyse nahm und nimmt gleichzeitig ihre Verbreitung zu. Immer mehr Anleger und Händler richten ihr Verhalten entsprechend aus. Die Ergebnisse der Aktien-Analysen wirken damit auf den Markt zurück. Alte erfolgreiche Kursmuster verlieren an Relevanz, an ihre Stelle treten neue und komplexere Kursmuster. Die Anforderungen an die Erfahrung und die Intelligenz des Analysten steigen.

Das bedeutet, dass eine erfolgversprechende Aktien-Analyse meist aus einer relativ großen Anzahl von Einflussfaktoren bestehen wird. Zusätzlich werden die Zusammenhänge zwischen ihnen und der Zielgröße, d.h. dem Zukunftskurs meist unstetig sein. Beides sind Dinge, mit denen wir Menschen im Prinzip große Schwierigkeiten haben. Das hat seine Gründe. Das Denken in der vierten Dimension, geschweige denn der zehnten, sowie das Verständnis für stark wechselhafte Zusammenhänge waren einfach nicht Gegenstand der biologischen Evolution.

Bereits in den Anfangsjahren des Computers, in den 40er und 50er Jahren, stand das Thema Künstliche Neuronale Netze in der Forschung auf der Tagesordnung. Erste Modelle zur Erklärung der Assoziationsfähigkeit des menschlichen Gehirns wurden jedoch schon Ende des 19. Jahrhunderts anhand neurophysiologischer Kenntnisse entwickelt. Der Durchbruch bei der Entwicklung Neuronaler Netze erfolgte Mitte der 80er Jahre mit der Veröffentlichung eines äußerst leistungsfähigen Lernverfahrens. Mittlerweile haben sich Künstliche Neuronale Netze in Industrie und Forschung bei der Lösung einer Vielzahl von Problemstellungen bewährt.

Es lag also nahe, diese Technologie auch auf die Analyse von Finanzmarktdaten zu übertragen. Künstliche Neuronale Netze können selbständig und ohne Vorwissen hochkomplexe Finanzmarktmodelle entwickeln. Anders als beim biologischen Vorbild verfügen sie über die Fähigkeit mit einer großen Anzahl von Eingangsvariablen zu operieren und sind zudem noch in der Lage, dabei stark wechselhafte (nichtlineare) Zusammenhänge abzubilden. Aber wie das menschliche Gehirn sind sie in der Lage, die in den Daten enthaltenden Widersprüche aufzulösen und das enthaltende Wissen für die Zukunft zu verallgemeinern. Dies jedoch emotionslos und exakt für eine sehr große Anzahl von Daten, so wie es der Mensch nicht vermag.

Der Einsatz von Neuronalen Netzen bei Aktienkursprognosen bzw. Finanzmarktprognosen verschafft dem Händler einen Informationsvorsprung gegenüber den anderen Marktteilnehmern.

>> weiter

Die Technische Analyse
als Grundprinzip

Die Vorteile Künstlicher
Neuronaler Netze

Prognosen auf
wissenschaftlicher Basis

Die Bewertung
neuronaler Tradingsysteme

Neuronale Netze
der nächsten Generation

Tipps zur
praktischen Nutzung