Was ist ein Künstliches Neuronales Netz (KNN)?
Aktienkursprognosen mit KNN
Das vorgestellte Prognosesystem basiert auf der Technologie sogenannter Künstlicher Neuronaler Netze.
Ein Künstliches Neuronales Netz ist ein lernfähiges, intelligentes Computerprogramm. Es ist in der Lage, selbständig Zusammenhänge zu erkennen, beispielsweise an der Börse. Diese Künstliche Intelligenz basiert auf dem Prinzip des biologischen Gehirnes. Derartige Programme werden in der Industrie seit einiger Zeit erfolgreich eingesetzt, z.B. in der Qualitätssicherung (frühzeitige Erkennung von Fehlern).
Als Börsenexperte verfügt ein Künstliche Neuronale Netz über ein umfangreiches Börsenwissen, das es selber vorher erlernt hat. Die Erkennung diesen Wissens, den komplexen für Menschen schwer erkennbaren, Zusammenhängen, geschieht selbständig. Vorwissen ist nicht erforderlich.
Das vorliegende System arbeitet auf der Basis von technischen Daten, d.h. mit den Börsenkursen selber. Fundamentale Faktoren spielen keine Rolle.
Das Wissen ist, vereinfacht ausgedrückt, intern durch repräsentative Kursmuster dargestellt, welchen jeweils eine bestimmte Zukunftsaussage zugeordnet ist. Für die aktuelle Prognose wird zu dem aktuellen Muster das ähnlichste gespeicherte Muster gesucht. Anhand diesen wird eine Zukunftsaussage abgeleitet.
ProfitStation.de verwendet ein Künstliches Neuronales Netz der nächsten Generation. Es basiert einerseits auf einer Weiterentwicklung der Technologie an sich und andererseits auf der konsequenten Anpassung an die Eigenheiten und Erfordernisse der Finanzmärkte. Das vorgestellte System verfügt über verbesserte Generalisationseigenschaften.
Wie kann man nun die Prognosen hinsichtlich ihrer Güte einschätzen? Der Versuch, die aufgestellten Regeln zu verstehen ist schwierig, da diese auf Grund der komplexen Realität ebenso komplex sein müssen. Generell sinnvoller ist deshalb eine praktische Analyse der Arbeitsweise. Zu diesem Zweck werden die Prognosen real getestet (Musterdepot).
Das grundlegende mathematische Prinzip
Künstliche Neuronale Netze stellen mathematische Funktionen/Zusammenhänge zwischen mehreren Eingangsvariablen und Ausgangsvariable(n)/Zielgröße(n) dar.
Im Fall von Börsenprognosen ist das der Zusammenhang zwischen Kursdaten und einem zukünftigen Kurs bzw. der Prognose.
Ein Zusammenhang ist durch die Anzahl der Eingangsvariablen und seine Linearität/Gleichlauf gekennzeichnet (Dimensionen der Komplexität).
Mit klassischen mathematischen Verfahren lassen sich entweder lineare Probleme mit vielen Eingangsvariablen/Einflussfaktoren oder nichtlineare Probleme mit wenigen
Einflussfaktoren behandeln.
Nichtlineare Probleme mit vielen Einflussfaktoren (beide Dimensionen maximal) stellen sich als sehr problematisch dar. Künstliche Neuronale Netze lösen dieses Problem.
Die Ermittlung des zu ermittelnden Zusammenhanges durch das Neuronale Netz wird als Lernvorgang bezeichnet. Dabei wird keine mathematische Gleichung im herkömmlichen Sinne gelöst. Vielmehr werden dem Netz ständig die Lernbeispiele/Muster repräsentiert, für die es dann jeweils neue "unscharfe" Repräsentanten bildet sowie dessen Güte ermittelt. Dieser sukzessive Prozess erfolgt solange, bis die Güte der Repräsentanten ausreichend ist. Diese Vorgehensweise entspricht dem biologischen Lernen.
Im Gegensatz zum Menschen kann das Künstliche Neuronale Netz jedoch Modelle mit sehr vielen Einflussgrößen erstellen, die zudem stark nichtlinear sein können (s.o.). Daneben kann eine große Anzahl von Daten untersucht werden, außerdem können subjektive Einflüsse ausgeschlossen werden.
Der Gefahr der Überanpassung an die verwendeten Beispieldaten wird durch eine spezielle Technik, sowohl bei der sog. Initialisierung des Netzes (Anfangszustand vor dem Lernen) als auch dem eigentlichen Lernvorgang entgegengewirkt.
Der Lern- bzw. Trainingsvorgang
Künstliche Neuronale Netze existieren als eine Vielzahl von unterschiedlich aufgebauten Modellen. Das Grundprinzip gebräuchlicher Modelle ist das sogenannte Multi-Layer-Perzeptron:
Ein solches Netz besteht aus:
- den Verarbeitungsknoten, den Neuronen
- den Verbindungen zwischen den Neuronen.
Die Neuronen verarbeiten die Information, welche an ihren Eingängen anliegt und geben das Ergebnis an einem Ausgang aus. Über die Verbindungen wird das Ausgangssignal an verschiedene Neuronen weitergeleitet.
In der obigen Grafik erfolgt der Informationsfluss von links nach rechts. Rückkopplungen existieren beim Perzeptron nicht. Im vorliegenden Fall besteht das Perzeptron aus vier Schichten bzw. aus zwei verdeckten (inneren) Schichten (die vom Input oder vom Output her nicht zu "sehen" sind).
Jede Verbindung leitet die Information mehr oder weniger stark weiter. Damit verarbeitet jedes Neuron die vorhandene Information anders, es ist quasi auf bestimmte Informationen spezialisiert. Somit wird das Wissen des Neuronalen Netzes durch die spezifischen Durchlasswerte der Verbindungen abgebildet.
Der Vorgang, der diesen Verbindungen ihre spezifischen Werte zuordnet, also die Durchlassfähigkeit, wird als Training oder Lernen bezeichnet.
Bei einem Perzeptron wird dafür ein sog. Backpropagation-Verfahren angewendet. Oft werden diese Netze deshalb auch als Backpropagation-Netzwerke bezeichnet.