Skip to main content
SpringerLink
Log in
Book cover

Prognoserechnung pp 317–348Cite as

Der Beitrag der Künstlichen Intelligenz zur betrieblichen Prognose

  • Chapter

Zusammenfassung

Viele leistungsfähige Prognosesysteme enthalten eine größere Anzahl unterschiedlicher Verfahren. Dabei erfordern Auswahl und Bedienung meist mathematische Experten. Um derartige Systeme einem breiteren Benutzerspektrum zugänglich zu machen, bleibt einerseits, sie vollkommen zu automatisieren. Dann hat man aber das Problem, daß sich bei weniger plausiblen Ergebnissen kaum Akzeptanz in der betrieblichen Praxis erreichen läßt (vgl. Kapitel 15/S. 249). Es wird dort darauf Wert gelegt, daß der Lösungsweg nachvollziehbar ist. Andererseits bestehen Möglichkeiten, Prognosesysteme “intelligenter” zu machen: Der Benutzer könnte durch den Prognoseprozeß “geführt” und bei der Methodenauswahl und -parametrierung “beraten” werden. Es wäre denkbar, daß das System die Ergebnisse interpretiert und Korrekturen vorschlägt. Außerdem könnte man dem Benutzer Verfahren an die Hand geben, die den funktionalen Zusammenhang von Eingabe- und Prognosewerten anhand der Daten selbständig erlernen. Somit bräuchte er nicht mehr mit mathematisch-statistischen Details einer Modellbildung vertraut sein. In diesem Beitrag wollen wir untersuchen, ob, inwieweit und an welchen Stellen dies durch die Künstliche Intelligenz (KI) geleistet werden kann und welche Experimente und Vorschläge bereits bekannt sind. Dazu geben wir einen Überblick über derzeitige Einsatzmöglichkeiten der KI in der betrieblichen Prognose. Wir dehnen den Begriff der Künstlichen Intelligenz auf das Gebiet der Neuroinformatik aus, das sich mit der Erforschung und Nachbildung von Intelligenz biologischer Systeme beschäftigt.

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   69.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Abraham, M.M. und Lodish, L.M., Promoter: An Expert Promotion Evaluation System, Marketing Science 6 (1987) 2, S. 101 ff.

    Article  Google Scholar 

  2. Anandalingan, G. und Cheng, L., Linear Combination of Forecasts: A General Bayesian Model, Journal of Forecasting 8 (1989), S. 199 ff.

    Article  Google Scholar 

  3. Armstrong, J.S. und Collopy, F., Causal Forces: Structuring Knowledge for Time-Series Extrapolation, Journal of Forecasting 12 (1993), S. 103 ff.

    Article  Google Scholar 

  4. Arms, R., Ollivier, M., Deord, B., Duvillon, M.A. und Robert, S., AMIA: An Expert System for Simulation Modelling and Sectoral Forecasting, in: Hashemi S. u.a. (Hrsg.), Expersys-91, Gournay sur Marne 1991, S. 263 ff.

    Google Scholar 

  5. Asoh, H. und Otsu, N., An Approximation of Nonlinear Discriminant Analysis by Multilayer Neural Networks, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Washington 1990, S. 211 ff.

    Google Scholar 

  6. Baun, S. und Isbert, H.-O., Der Einsatz Neuronaler Netze in der Finanzwirtschaft, in: Nagl, M. (Hrsg.): Congressband VI zur 16. Europäischen Congressmesse für Technische Kommunikation, Software- und Information Engineering, Velbert 1993, S. C611.01 ff.

    Google Scholar 

  7. Bergerson, K., A Commodity Trading Model Based on a Neural Network-Expert System Hybrid, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 289 ff.

    Google Scholar 

  8. Binks D.L. und Allinson N.M., Financial Data Recognition and Prediction Using Neural Networks, in: Kohonen, T. u.a. (Hrsg.), Proceedings of the International Conference on Artificial Neural Networks, Vol. 2, Espoo 1991, S. 1709 ff.

    Google Scholar 

  9. Blanchard, D., Expert System Predicts Top Five Stocks, Intelligent Systems Report 9 (1992)2, S. 15.

    Google Scholar 

  10. Bowen, J.E. und Bowen, W.E., Neural Nets vs. Expert Systems: Predicting in the Financial Field, in: IEEE (Hrsg.), Proceedings of the Conference on Artificial Intelligence Applications, Vol. 1, San Diego 1990, S. 72 ff.

    Chapter  Google Scholar 

  11. Brause, R., Neuronale Netze, Stuttgart 1991.

    Book  Google Scholar 

  12. Bunn, D., Forecasting with more than one Model, Journal of Forecasting 8 (1989), S. 161 ff.

    Article  Google Scholar 

  13. Chakraborty, K., Mehrotra, K., Mohan, CK. und Ranka, S., Forecasting the Behavior of Multivariate Time Series Using Neural Networks, Neural Networks 5 (1992), S. 961 ff.

    Article  Google Scholar 

  14. Cherkassy, V., Lee, Y. und Hossein, L.H., Self-Organizing Network for Regression: Efficient Implementation and Comparative Evaluation, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 79 ff.

    Google Scholar 

  15. Clark, J.A. und Gregor, S., An Expert System for Predicting Fluctuations in Currency Rates, in: Balagurusamy, E. (Hrsg.), Proceedings of the International Conference on Artificial Intelligence in Industry and Government, Hyderabad 1989, S. 24 ff.

    Google Scholar 

  16. Collopy, F. und Armstrong, J.S., Rule-based Forecasting: Development and Validation of an Expert Systems Approach to Combining Time Series Extrapolations, Management Science 38 (1992), S. 1394 ff.

    Article  Google Scholar 

  17. Comtesse, X., Petro-X: A Forecasting System for Oil Prices, in: Bernold, T. und Pfeifer, R. (Hrsg.), Proceedings of the International Conference on Commercial Expert Systems in Banking and Finance, Lugano 1988, S. 47 ff.

    Google Scholar 

  18. Connor, J. und Atlas, L., Recurrent Neural Networks and Time Series Prediction, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 301 ff.

    Google Scholar 

  19. Cortes-Rello, E. und Golshani, F., Uncertain Reasoning Using the Dempster-Shafer Method: An Application in Forecasting and Marketing Management, Expert Systems 7 (1990) 1, S. 9ff.

    Article  Google Scholar 

  20. DeSilets, L., Golden, B., Wang, Q. und Kumar, R., Prediction Salinity in the Chesapeake Bay Using Backpropagation, Computers and Operations Research 19 (1992), S. 277 ff.

    Article  Google Scholar 

  21. Dutta, S. und Shekhar, S., Bond Rating: A Non-Conservative Application of Neural Networks, in: IEEE (Hrsg.), Proceedings of the International Conference on Neural Networks, Vol. 1, San Diego 1988, S. 1 ff.

    Google Scholar 

  22. Eckardt, T., Möglichkeiten, Grenzen und Wirtschaftlichkeit der Realisierung von Methodenbankelementen auf arbeitsplatzorientierten Kleinrechnern — dargestellt am Beispiel einer Prognosemethodenbank, Dissertation, Erlangen-Nürnberg 1981.

    Google Scholar 

  23. Edmundson, R.H., The Use of Non-Time Series Information in Sales Forecasting: A Case Study, Journal of Forecasting 7 (1988), S. 201 ff.

    Article  Google Scholar 

  24. Erxleben, K., Baetge, J., Feidicker, M., Koch, H., Krause, C. und Mertens, P., Klassifikation von Unternehmen — Ein Vergleich von Neuronalen Netzen und Diskriminanzanalyse, Zeitschrift für Betriebswirtschaft 62 (1992), S. 1237 ff.

    Google Scholar 

  25. Fischler, M. und Firschein, O., Intelligence, the Brain and the Computer, New York u.a. 1987.

    Google Scholar 

  26. Fletcher, D. und Goss, E., Forecasting with Neural Networks — An Application Using Bank ruptcy Data, Information & Management 24 (1993), S. 153 ff.

    Article  Google Scholar 

  27. Flores, B. und White, E., Subjective versus Objective Combining of Forecasts: an Experiment, Journal of Forecasting 8 (1989), S. 341 ff.

    Article  Google Scholar 

  28. Flores, B. und Wolfe, C., Judgemental Adjustment of Earning Forecasts, Journal of Forecasting 9 (1990), S. 389 ff.

    Article  Google Scholar 

  29. Frankel, D., Schiller, I., Draper, R. und Barnes, A.A., Use of Neural Networks to Predict Lightning at Kennedy Space Center, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 319 ff.

    Google Scholar 

  30. Gallinari, P., Thiria, S., Badran, F. und Fogelman-Soulie, F., On Relations between Discriminant Analysis and Multilayer Perceptrons, Neural Networks 4 (1991), S. 349 ff.

    Article  Google Scholar 

  31. Geyer, A., Geyer-Schulz, A.und Taudes, A., An Expert System for Time-Series Analysis, in: Janko, W. (Hrsg.), Statistik, Informatik und Ökonomie, Berlin u.a. 1988.

    Google Scholar 

  32. Graf, J. und Nakhaeizadeh, G., Application of Statistical and Connectionist Learning Systems for Prediction the Development for Financial Markets: A Case Study, in: Heilmann W.-R. u.a. (Hrsg.), Geld, Banken und Versicherungen 2 (1990), S. 1705 ff.

    Google Scholar 

  33. Guerrard, J., Jr. und Clemen, R., Collinearity and the Use of Latent Root Regression for Combining GNP Forecasts, Journal of Forecasting 8 (1989), S. 238 ff.

    Google Scholar 

  34. Hansmann, K. und Zetsche, W., Business Forecasts Using a Forecasting Expert System, in: Schader u.a. (Hrsg.), Knowledge, Data and Computer-Assisted Decisions, Berlin u.a. 1990, S. 289 ff.

    Chapter  Google Scholar 

  35. Harp, A., Genetic Optimization of Self-Organizing Feature Maps, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 341 ff.

    Google Scholar 

  36. Hoptroff, R.G., Bramson, M.J. und Hall, T.J., Forecasting Economic Turning Points with Neural Networks, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Seattle 1991, S. 347 ff.

    Google Scholar 

  37. Humpert, B. und Holley, P., Expert Systems in Finance Planning, Expert Systems 2 (1988) 2, S. 85 ff.

    Google Scholar 

  38. Jian, C., A Predicting System Based on Combining an Adaptive Predictor and a Knowledge Base as Applied to a Blast Furnace, Journal of Forecasting 12 (1993), S. 93 ff.

    Article  Google Scholar 

  39. Kern, S., Die Konzipierung, Entwicklung und Einführung eines XPS bei VW, Künstliche Intelligenz 2 (1988)2, S. 61 ff.

    Google Scholar 

  40. Keyes, J., Expert Systems in Financial Services — Off-the-Shelf Financial Expertise, Expert Systems 2 (1991) 4, S. 54 ff.

    Google Scholar 

  41. Kimoto, T., Asakawa, K., Yoda, M. und Takeoka, M., Stock Market Prediction with Modular Neural Networks, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, San Diego 1990, S. 1 ff.

    Google Scholar 

  42. Kratzer, K.P., Neuronale Realisierung von Prognoseverfahren, in: Nakhaeizadeh, G. (Hrsg.), Anwendungsaspekte von Prognoseverfahren, Betriebswirtschaftliche Beiträge 41, Heidelberg 1991, S.71 ff.

    Google Scholar 

  43. Kumar, S. und Hsu, C., An Expert System Framework for Forecasting Method Selection, in: IEEE (Hrsg.), Proceedings of the Twenty-First Annual Hawaii International Conference on System Sciences, Band III: Decision Support and Knowledge-Based System Track, Honolulu 1988, S. 86 ff.

    Google Scholar 

  44. Lee, C.H. und Park, K.C., Prediction of Monthly Transition of the Composition Stock Price Index Using Recurrent Back-Propagation, in: Aleksander, I. u.a. (Hrsg.), Proceedings of the International Conference on Artificial Neural Networks, Vol. 2, Brighton 1992, S. 1629 ff.

    Google Scholar 

  45. Lee, K.C., Yang, J.S. und Park, S.J., Neural Network Based Time Series Modelling: ARMA Model Identification via ESCAF Approach, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, Singapur 1991, S. 233 ff.

    Google Scholar 

  46. Liu, X., Using Experimental and Fundamental Knowledge Diagnosis in Load Forecasting, in: Hashemi S. u.a. (Hrsg.), Expersys-91, 1991, S. 257 ff.

    Google Scholar 

  47. Liu, X., Ang, B. und Goh, T., Forecasting of Electricity Consumption, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Singapure 1991, S. 1254 ff.

    Google Scholar 

  48. Loofbourrow, T., Advanced Trading Technologies: Artificial Intelligence on Wall Street & Worldwide, Intelligent Software Strategies 8 (1992) 11, S. 1 ff.

    Google Scholar 

  49. Margarita, S., Interacting Neural Networks: An Artificial Life Approach for Stock Markets, in: Aleksander, I. u.a. (Hrsg.), Proceedings of the International Conference on Artificial Neural Networks, Brighton 1992, S. 1343 ff.

    Google Scholar 

  50. Matsuba, I., Application of Neural Sequential Associator to Long-Term Stock Price Prediction, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Singapur 1991, S. 1197 ff.

    Google Scholar 

  51. Mertens, P., Integrierte Informationsverarbeitung 1, 9. Aufl., Wiesbaden 1993.

    Google Scholar 

  52. Mertens, P. und Backed, K., Vergleich und Auswahl von Prognoseverfahren für betriebswirtschaftliche Zwecke, in: Mertens, P. (Hrsg.), Prognoserechnung, 4. Aufl., Würzburg-Wien 1981, S. 344 ff.

    Google Scholar 

  53. Mertens, P., Borkowski, V. und Geis, W., Betriebliche Expertensystem-Anwendungen, 3. Aufl., Berlin u.a. 1993.

    Book  Google Scholar 

  54. Milanese, M., Vicino, A. und Borodani, P., Integration of Modeling and Al Techniques in KBDSS Generators: The EDIPUSS System, Information and Decision Technologies 17 (1991), S. 125 ff.

    Google Scholar 

  55. Müller, B. und Reinhardt, J., Neural Networks: An Introduction, New York u.a. 1990.

    Book  Google Scholar 

  56. NIBS Pte Ltd (Hrsg.), Analyze it! Classify it! Forecast it! Intelligent Business Forecasting Software Neuro Forecaster, Produktprospekt, Singapur 1993.

    Google Scholar 

  57. Odom, M. und Sharda, R., Neural Network Model for Bankruptcy Prediction, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, San Diego 1990, S. 163 ff.

    Google Scholar 

  58. Ou, J.A. und Penman, S.H., Financial Statement Analysis and the Prediction of Stock Returns, Journal of Accounting and Economics o.J. (1989) 11, S. 295 ff.

    Article  Google Scholar 

  59. O.V., AISG Guide to Productivity — Applied Intelligent Systems Group, Broschüre der Firma DEC, Boston 1989.

    Google Scholar 

  60. O.V., Merlin: A Factory Knowledge-Based System for Forecasting Product Demand, Intelligent Software Strategies 6 (1990) 11, S. 12 ff.

    Google Scholar 

  61. O.V., Credit Assessment, Expert Systems Applications 7 (1991) 8, S. 24 ff.

    Google Scholar 

  62. O.V., Time Dependent Data Prediction Using Neural Networks, Expert Systems Applications 8 (1992) 7, S. 5 ff.

    Google Scholar 

  63. O.V., Expert Forecasting Software, Intelligent Systems Report 9 (1992) 12, S. 16.

    Google Scholar 

  64. O.V., Financial Investment Analysis via Adaptive Network Forecasting and Allocation, Expert Systems Applications 9 (1993) 4, S. 9 f.

    Google Scholar 

  65. Palies, O. und Philip, J.-M., Knowledge Bases for Economic Forecasting, in: Pau L.F. (Hrsg.), Expert Systems in Economics, Banking and Management, Elsevier 1989, S. 109 ff.

    Google Scholar 

  66. Pau, L.F. und Gianotti, C., Economic and Financial Knowledge Based Processing, New York u.a. 1990.

    Book  Google Scholar 

  67. Rehkugler, H. und Podding, T., Statistische Methoden versus Künstliche Neuronale Netzwerke zur Aktienprognose, — Eine vergleichende Studie-, Bamberger Betriebswirtschaftliche Beiträge Nr. 73, Bamberg 1990.

    Google Scholar 

  68. Rehkugler, H. und Podding, T., Entwicklung leistungsfähiger Prognosesysteme auf Basis Künstlicher Neuronaler Netzwerke am Beispiel des Dollars, — Eine Fallstudie-, Bamberger Betriebswirtschafliche Beiträge Nr. 76, Bamberg 1990.

    Google Scholar 

  69. Rehkugler, H. und Podding, T., Künstliche Neuronale Netze in der Finanzprognose: Eine neue Ära der Kursprognosen, Wirtschaftsinformatik 33 (1991), S. 365 ff.

    Google Scholar 

  70. Rehm, W. und Sterzing, V., Ein evolutionstheoretisches Optimierungsverfahren für Multilayerperceptrons, Informationstechnik 34 (1992), S. 307 ff.

    Google Scholar 

  71. Ritter, H., Schulten, K. und Martinez, T., Eine Einführung in die Neuroinformatik selbstorganisierender Karten, Bonn u.a. 1990.

    Google Scholar 

  72. Riviere, R., Brillet, J.-L. und Maurel, F., Using an Expert System as an Aid to Producing Realistic Economic Forecasts, in: Hashemi, S. u.a. (Hrsg.), Expersys-91, Gournay sur Marne 1991, S. 111 ff.

    Google Scholar 

  73. Sagerer, G., Automatisches Verstehen gesprochener Sprache, Mannheim u.a. 1990.

    Google Scholar 

  74. Schefe, P., Künstliche Intelligenz — Überblick und Grundlagen, 2. Aufl., Mannheim 1991.

    Google Scholar 

  75. Schnupp, P. und Nguyen Huu, C.T., Expertensystempraktikum, Berlin u.a. 1987.

    Google Scholar 

  76. Schöneburg, E., Stock Price Prediction Using Neural Networks: A Project Report, Neurocomputing 2 (1990), S. 17 ff.

    Article  Google Scholar 

  77. Schöneburg, E., Gentert, M. und Reiner, M., Aktienkursprognose mit Neuronalen Netzen, Computerwoche 16 (1989) 40, S. 121 ff.

    Google Scholar 

  78. Schweneker, O., Entwicklung eines Expertensystems für Absatzprognosen durch konzeptionelles Prototyping, Berlin u.a. 1990.

    Book  Google Scholar 

  79. Seidlmeier, H., Kostenrechnung und wissensbasierte Systeme: Theoretische Überlegungen und Entwicklung eines prototypischen Anwendungssystems, (Unternehmensentwicklung, Band 10,) München 1991

    Google Scholar 

  80. Sharda, R. und Patii, R.B., Neural Networks as Forecasting Experts: An Empirical Test, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Washington 1990, S. 491 ff.

    Google Scholar 

  81. Shrinivasan, D., Liew, A.C. und Chen, J.S.P., A Novel Approach to Electrical Load Forecasting Based on a Neural Network, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Singapur 1991, S. 1173 ff.

    Google Scholar 

  82. Sieben, G., Diedrich, R., Kirchner, M. und Krautheuser, R., Expertengestützte Ergebnisprognose zur Unternehmensbewertung, Wochenzeitschrift für Betriebswirtschaft, Steuer-, Wirtschafts- und Arbeitsrecht 43 (1990) 1, S. 1 ff.

    Google Scholar 

  83. Siemens Nixdorf Informationssysteme AG, SENN++ — Software Environment for Neural Networks, Produktprospekt, Paderborn-München 1992.

    Google Scholar 

  84. Sink, K., Einsatz Neuronaler Netze im Pharmamarketing, Dissertation, Freiburg 1992.

    Google Scholar 

  85. Sisodia, R. und Warkentin, M., Marketing and Expert Systems: Review, Synthesis and Agenda, Liebowitz, J. (Hrsg.), Proceedings of the World Congress on Expert Systems, Orlando 1991, S. 276 ff.

    Google Scholar 

  86. Steinmann, D. und Scheer, A.-W., Expertensysteme (ES) in Produktionsplanung und -Steuerung (PPS) unter CIM — Aspekten, in: Wildemann H. (Hrsg.), Expertensysteme in der Produktionsplanung, Passau 1987, S. 202 ff.

    Google Scholar 

  87. Steiner, M. und Wittkemper, H.-G., Neuronale Netze — Ein Hilfsmittel für betriebswirtschaftliche Probleme, Die Betriebswirtschaft 53 (1993), S. 447 ff.

    Google Scholar 

  88. Streitberg, B. und Naeve, P., A Modesty Intelligent System for Identification, Estimation, and Forecasting of Univariant Time Series: A4: ARIMA, Artificial Intelligence, and APL2, in: Haux, R. (Hrsg.), Expert Systems in Statistics, New York 1986, S. 111 ff.

    Google Scholar 

  89. Suret, J.-M., Roy, J. und Nicolas, J., Financial Forecasting Using Backpropagation of Error and the Learning Vector Quantization Methods, The Japan Society for Management Information (Hrsg.), Proceedings of the International Conference on Economics / Management and Information Technology, Tokio 1992, S. 109 ff.

    Google Scholar 

  90. Swarnamala, S. und Looi, C.-K., On Using Backpropagation for Prediction: An Epirical Study, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Singapur 1991, S. 1284 ff.

    Google Scholar 

  91. Tarn, K.Y. und Kiang, M., Predicting Bank Failures: A Neural Network Approach, Applied Artificial Intelligence 4 (1990), S. 265 ff.

    Article  Google Scholar 

  92. Tishby, N. und Levin, E., Consistent Inference of Probabilities in Layered Networks: Prediction and Generalisation, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Washington 1989, S. 403 ff.

    Chapter  Google Scholar 

  93. Ulbricht, C., Dorffner, G., Canu, S., Guillemyn D., Marijuan G., Olarte, J., Rodriguez, C. und Martin, I., Mechanisms for Handling Sequences with Neural Networks, Bericht Nr. 29 des Österreichischen Forschungsinstituts für Artificial Intelligence, Wien 1992.

    Google Scholar 

  94. Walter, J., Ritter, H. und Schulten, K., Non Linear Prediction with Selforganizing Maps, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 1, San Diego 1990, S. 589 ff.

    Google Scholar 

  95. Weber, K., Wirtschaftsprognostik, München 1990.

    Google Scholar 

  96. Weber, K., Prognosemethoden und -Software, Idstein 1991.

    Google Scholar 

  97. Whitley, D. und Hanson, T., Using Genetic Recombination to Optimize Neural Networks, in: IEEE (Hrsg.), Proceedings of the International Joint Conference on Neural Networks, Vol. 2, Washington 1989, S. 591 ff.

    Google Scholar 

  98. Windsor, C. und Harker, A., Multi-Variate Financial Index Prediction — A Neural Network Study, in: IEEE (Hrsg.), Proceedings of the International Neural Network Conference, Vol. 1, Paris 1990, S. 357 ff.

    Google Scholar 

  99. Wong, F.S., Time Series Forecasting Using Backpropagation Neural Networks, Neurocomputing 2 (1990/91), S. 147 ff.

    Article  Google Scholar 

  100. Wong, F.S. und Wang, P.Z., A Stock Selection Strategy Using Fuzzy Neural Networks, Neurocomputing 2 (1990/91), S. 233 ff.

    Article  Google Scholar 

  101. Yoon, Y., Swales, G. und Margavio, T.M., A Comparison of Discriminant Analysis versus Artificial Neural Networks, Journal of the Operational Research Society 44 (1993), S. 51 ff.

    Google Scholar 

Download references

Authors
  1. Ph. Janetzke
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. J. Falk
    View author publications

    You can also search for this author in PubMed Google Scholar

Editor information

Editors and Affiliations

  1. Informatik-Forschungsgruppe B (Betriebliche Anwendungen), Institut für Mathematische Maschinen und Datenverarbeitung und Lehrstuhl für Betriebswirtschaftslehre, insb. Wirtschaftsinformatik I, Betriebswirtschaftliches Institut, Friedrich-Alexander-Universität Erlangen-Nürnberg, Martensstr. 3, D-91058, Erlangen, Deutschland

    Peter Mertens

Rights and permissions

Reprints and permissions

Copyright information

© 1994 Springer-Verlag Berlin Heidelberg

About this chapter

Cite this chapter

Janetzke, P., Falk, J. (1994). Der Beitrag der Künstlichen Intelligenz zur betrieblichen Prognose. In: Mertens, P. (eds) Prognoserechnung. Physica, Heidelberg. https://doi.org/10.1007/978-3-662-41527-6_19

Download citation

  • DOI: https://doi.org/10.1007/978-3-662-41527-6_19

  • Publisher Name: Physica, Heidelberg

  • Print ISBN: 978-3-662-41528-3

  • Online ISBN: 978-3-662-41527-6

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics

Search

Navigation