Die Technologie Künstlicher Neuronaler Netze
Einleitung
Die ProfitStation.de zu Grunde liegenden mathematischen Marktmodelle basieren im Kern auf der Technologie Künstlicher Neuronaler Netze. Neuronale Netze sind Computerprogramme der Künstlichen Intelligenz, die selbständig aus der Börsenvergangenheit lernen. Die Analysen spiegeln damit das technische Marktpotenzial wider.
Die Technologie Künstlicher Neuronaler Netze ist in Anlehnung an das biologische Gehirn entstanden. Sie verbindet biologische Intelligenz und technische Rechenkraft. Bereits seit längerem wird diese Technologie in Wissenschaft und Technik erfolgreich zur Lösung komplizierter Aufgabenstellungen eingesetzt.
Das Prinzip des künstlichen Börsenexperten
Die Börse stellt wegen der Vielzahl von konkurrierenden und sich gegenseitig beeinflussenden Teilnehmern ein chaotisches System dar. Es gelten keine feststehenden Regeln, vielmehr ändern sich diese ständig. Voraussetzung für ein erfolgreiches Handeln ist deshalb ein ständiger Lernprozess von Seiten des Händlers - und seiner Systeme.
Im Gegensatz zu seinem biologischen Vorbild ist die Künstliche Intelligenz in der Lage, eine große Anzahl von historischen Daten nach hochdimensionalen und komplizierten Zusammenhängen zu untersuchen. Dieser Lernprozess erfolgt rein objektiv, d.h. subjektive Einflüsse wie Emotionen und Vorurteile können ausgeschlossen werden.
Das Neuronale Netz auf ProfitStation.de arbeitet auf technischer Basis, d.h. anhand von Kursdaten. Fundamentale Faktoren spielen auf Grund der kurzfristigen Natur der Prognosen keine Rolle.
Die Vorteile dieses innovativen Lösungsansatzes
Der Versuch ein Prognosesystem zu entwickeln, ist immer eine Suche nach einer Handlungsregel "Wenn Vergangenheit X, dann Zukunft Y".
Bei herkömmlicher Herangehensweise legt der Entwickler auf Basis bestimmter Vermutungen eine Regel FEST und variiert diese auf unsystematische Weise, um die Prognosegüte zu erhöhen.
Weil man jedoch, vor allem bei kurz- und mittelfristigen Prognosen, letztlich keine guten Vermutungen anstellen kann, sind klassische Systeme oft unzuverlässig. So gleicht eine solche Suche nach einer guten Regel wegen der nahezu unendlichen Anzahl verschiedenster möglicher Regeln einer Suche nach der sprichwörtlichen Nadel im Heuhaufen.
Verwendet man ein Neuronales Netz, so gibt man vorher KEINE feste Regel vor. Vielmehr sucht das Neuronale Netz selbständig nach der Regel, die auf Grund von Beispielen aus der Vergangenheit am plausibelsten ist. Vorwissen ist hierbei nicht erforderlich.
Die Funktionsweise Künstlicher Neuronaler Netze
Aufbau und Konzeption Künstlicher Neuronaler Netze sind an der Funktionsweise des menschlichen Gehirns orientiert. Ein Künstliches Neuronales Netz kann wichtige geistige Fähigkeiten nachbilden, wie bspw. das selbständige Lernen und Verallgemeinern von Beispielen sowie das schnelle Erkennen komplizierter Muster.
Das menschliche Gehirn besitzt für den Alltag unbestreitbare Vorteile, hat jedoch für die Verarbeitung von komplexen mathematischen Problemstellungen offensichtliche Limitierungen.
So ist z.B. die Fähigkeit von der Lösung von Quadratwurzeln nur schwach ausgeprägt.
Ebenso ist das Denken in höherdimensionalen Zusammenhängen stark begrenzt - wie sieht wohl bspw. eine 4-dimensionale Kugel aus?
Abhilfe müssen deshalb mathematische Verfahren bieten.
Komplexe mathematische Problemstellungen sind einerseits durch nicht konstante Zusammenhänge (Nichtlinearität) und andererseits durch eine größere Anzahl (Dimension) von Eingangsvariablen gekennzeichnet. Klassische mathematische Verfahren sind nun entweder linear und höherdimensional ODER nichtlinear und niedrigdimensional. Folglich sind entsprechende Modelle oft mit größeren Einschränkungen gegenüber der Realität behaftet.
Künstliche Neuronale Netze können dieses Dilemma auflösen. Diese Verfahren ermöglichen es, höherdimensionale UND nichtlineare Modelle zu bilden, die der Realität weit näher kommen. Im Gegensatz zu klassischen Verfahren sind hier zudem keine Vorannahmen notwendig, vielmehr erlernt das Netz selbständig anhand der vorliegenden Beispieldaten die zu Grunde liegende Struktur des Problems.
Neuronale Netze der nächsten Generation
Die verwendete Software ist das Ergebnis eines mehrjährigen, weiter andauernden Forschungs- und Entwicklungsprozesses. In dessen Verlauf wurde die Technologie Künstlicher Neuronaler Netze an die speziellen Bedingungen und Anforderungen der Finanzmärkte angepasst und weiterentwickelt.
Welche Größe sollte ein Neuronales Netz besitzen? Wie lassen sich die relevanten Einflussfaktoren finden? Wie kann die Aussagekraft der Daten verbessert werden? Wie wird ein Auswendiglernen (sog. Overfitting) verhindert und damit ein verbessertes Generalisationsvermögen erzielt? Auf diese und andere Fragestellungen wurden Antworten gefunden, die das Neuronale Netz in die Lage versetzen, optimale Prognose-Regeln aufzustellen.