Zusammenfassung
Eine sorgfältige Modellselektion von nichtlinearen statistischen Modellen wie neuronalen Netzen ist von großer Bedeutung, da eine Überparametrisierung zu einer starken Beeinträchtigung der Generalisierungsfähigkeit führt. In diesem Beitrag wird untersucht, ob statistische Verfahren zur Bestimmung der Netzwerkarchitektur sinnvoll eingesetzt werden können. Dazu werden Hypothesentests, Informationskriterien und der Bootstrap zur Modellselektion verwendet. Die Selektionsverfahren werden anschließend verwendet um drei Wechselkurse (DEMGBP, DEMFRF und DEMITL) zu modellieren. Abschließend wird die Performance der neuronalen Netzwerke mit linearen Modellen verglichen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Akaike H. (1974): A New Look at the Statistical Model Identification, IEEE Transactions on Automatic Control, AC-19, 716–723
Anders U. (1997): Statistische neuronale Netze, Vahlen
Arminger G. (1993): Ökonometrische Schätzmethoden für neuronale Netze. In: Bol G., Nakhaeizadeh G., Vollmer K.-H.: Finanzmarktanwendungen Neuronaler Netze und ökonometrischer Verfahren, Physica, 25–39
Bates D.M.und Watts D.G. (1988): Nonlinear Regression Analysis and ist Application. John Wiley & Sons
Baun S. (1994): Neuronale Netze in der Aktienkursprognose, in: Neuronale Netze in der Ökonomie: Grundlagen und finanzwirtschaftliche Anwendungen, Hrsg. Rehkugler H. und Zimmermann H.G., München, Vahlen, 138–208
Bishop C.M. (1995): Neural Networks for Pattern Recognition, Clarendon Press
Davidson R. und MacKinnon R.G. (1993): Estimation and Inference in Econometrics, Oxford University Press
Efron B., Tibshirani R.J. (1993): An Introduction to the Bootstrap, Chapman & Hall
Granger C.W.J. and Teräsvirta T. (1993): Modeling Non-linear Economic Relationships, Oxford University Press
Greene W.H. (1993): Econometric Analysis, Macmillan
Holthusen J. (1995): Der Parallelwährungsansatz als Integrationsstrategie für die Entwicklung der Europäischen Gemeinschaft zur Währungsunion, Frankfurt am Main, Lang
Lee T.H., White H. und Granger C.W.J. (1991): Testing for Neglected Nonlinearity in Time Series Models, Journal of Econometrics, 56, 269–290
MacKinnon J.G. (1991): Critical Values for Cointegration Tests, in: Long-run Economic Relationships: Readings in Cointegration, Hrsg. Engle R.F. und Granger C.W.J., Oxford University Press
Miller M. (1994): Das Optimieren von Neuronalen Netzen für den Einsatz zur Prognose in der Ökonomie, in: Finanzmarktanwendungen neuronaler Netze und ökonometrischer Verfahren, Hrsg. Bol G., Nakhaeizadeh G. und Vollmer K.-H., Physica, 126–147
Moody J. (1992): The effective Number of Parameters: An Analysis of Generalization and Regularization in Nonlinear Learning Systems; Advances in Neural Information Processing Systems, 4, 847–857
Press W.H., Flannery B.P., Teukolsky S.A., Vetterling, W.T. (1992): Numerical Recipes in C, Cambridge University Press
Ripley B.D. (1996): Statistical Pattern Recognition and Neural Networks, Cambridge University Press
Rüger S.M. und Ossen A. (1995): Performance Evaluation of Feedforward Networks Using Computational Methods, Arbeitspapier, TU Berlin
Saarinen S., Bramley R. und Cybenko G., (1993): III-conditioning in neural network trainng problems, SIAM Journal on Scientific Computing 14, 693–714
Sarle W.S. (1994): Neural Networks and Statistical Models, Proceedings of the 19th Annual SAS Users Group International Conference
Teräsvirta T., Lin C.F. und Granger C.W.J. (1993): Power of the Neural Network Linearity Test, Journal of Time Series Analysis, 14 (2), 209–220
White H. (1989a): An Additional Hidden Unit Test for Neglected Nonlinearity in Multilayer Feedforward Networks, Proceedings of the International Joint Conference on Neural Networks, Washington, DC, SOS Printing, II, 451–455
White H. (1989b): Learning in Neural Networks: A Statistical Perspective, Neural Computation, 1, 425–464
White H. (1989c): Some Asymptotic Results for Learning in Single Hidden-Layer Feedforward Network Models, Journal of the American Statistical Association, 84(404), 1003–1013
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2000 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Hann, T.H. (2000). Neuronale Regressionsmodelle in der Devisenkursprognose. In: Bol, G., Nakhaeizadeh, G., Vollmer, KH. (eds) Datamining und Computational Finance. Wirtschaftswissenschaftliche Beiträge, vol 174. Physica, Heidelberg. https://doi.org/10.1007/978-3-642-57656-0_1
Download citation
DOI: https://doi.org/10.1007/978-3-642-57656-0_1
Publisher Name: Physica, Heidelberg
Print ISBN: 978-3-7908-1284-8
Online ISBN: 978-3-642-57656-0
eBook Packages: Springer Book Archive