Zusammenfassung
Mit der Festlegung der Prognoseziels, die fünf Lagemaße für den DAX über einen 60tägigen Horizont abzuleiten, wurde die Targetformulierung nur sehr grob umrissen. In diesem Stadium der Modellspezifikation stellt die Targetformulierung jedoch die Hauptdeterminante dar. Je nach ihrer Ausgestaltung bekommt das Neuronale Netz während des Trainingsmodus unterschiedliche Fehlerrückmeldungen, welche wiederum die Anpassungsgüte beeinflussen.
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.
Referenzen
Die Auswahl und die Zusammenstellung des Datenmaterials erfolgte mit der freundlichen Unterstützung der DB Research GmbH in Frankfurt und der Deutschen Bank AG in Düsseldorf.
Zeitvariablen, wie day of week oder month of year (Erläuterung siehe Anhang 1), dienen dazu, eventuelle Periodizitäten des DAX-Verlaufs, beispielweise innerhalb der Woche (über die Wochentage hinweg) oder innerhalb des Jahres (über die Monate hinweg), herauszufiltern. Untersuchungen für den deutschen Aktienmarkt ergaben Bewertungssaisonalitäten im Rahmen sogenannter Wochenendeffekte und Januareffekte in der Renditeentwicklung von Aktienindizes [FRAN87], [FRAN89], [SCHNI89]. Eine Übersicht über Bewertungssaisonalitäten auf nationalen und internationalen Aktienmärkten findet sich in [KLEE91].
Die Abkürzungen in der Spalte Periodizität stehen für Tages- (D), Monats- (M) und Quartalsreihen (Q).
Zu dem top-down versus bottom-up-Modellierungsansatz siehe weiter in diesem Gliederungspunkt.
Unterscheidet im Zusammenhang mit unabhängigen Variablen zwischen predictive und informative variables: „A predictive variable is one which alone can explain a significant part of the variability in the dependent variable. An informative variable is one which has no predictive power of its own but, when combined with others, can lead to better prediction.“
Dies entspricht der Zeitintervallangabe TRAINING FROM 02.12.83 TO 28.07.92 im Header der Spezifikationsdateien in Anhang 2 und 3.
Dies entspricht der Belegung VALIDATION PERIODIC 16 im Header der Spezifikationsdateien in Anhang 2 und 3.
Siehe dazu auch die Argumentation der geeigneten Wahl des Validierungszeitraums in Gliederungspunkt B. 4.3.2.2..
Das sind der US-Aktienindex Dow Jones Industrial und der US-Langfristzins Treasury Bonds 30 Years.
Unter dieser Kategorisierung werden die einzelnen Transformationen in den Spezifikationsdateien in Anhang 2 und 3 aufgelistet.
Siehe auch die Aufführung dieser Vergleichstransformationen in den Spezifikationsdateien in Anhang 2 und 3.
In der Spezifikationsdatei für die interquartilen Differenzen in Anhang 2 werden diese Time-lags durch das Schlüsselwort LAG hinter den entsprechenden Transformationen mit aufgenommen und programmtechnisch umgesetzt.
Die statistische Vorauswahl der Zeitreihen bzw. die dahinterstehenden Berechnungen dürfen sich aus Gründen einer fairen Modellevaluierung nicht auf die Generalisierungsmenge beziehen.
In den Spezifikationsdateien in Anhang 2 und 3 werden diese Time-lags durch das Schlüsselwort LAG hinter den jeweiligen Transformationen eingeleitet und programmtechnisch umgesetzt.
Es handelt sich dabei um die Zahl der Verbindungsgewichte zwischen der Input Schicht und der Hidden Schicht, also um diejenigen Konnektoren, die im Rahmen der Eliminierungstechnik des Weight Pruning Gegenstand von komplexitätsreduzierenden Optimierungsschritten sind.
Die Werte der Differenzenbeschreibungen werden folglich auf Basis logarithmierter DAX-Werte gebildet, die Absolutbeschreibungen hingegen auf nicht logarithmierte DAX-Werte zurückgerechnet.
Um welche konkrete Belegung von rt es sich bei den Auswertungen im einzelnen handelt, wird im Laufe des Gliederungpunkts dargestellt.
Siehe weiter unten die Darstellung der Legende der Absolutbeschreibung und die dortigen Erläuterungen.
Dies gilt nicht für die analogen Differenzenformulierungen, da hier relative Aussagen zu nächstgelegenen Lagemaßen getroffen werden. Demzufolge können hier entprechende naive Annahmen bzgl. Trendfortsetzungen der Lagemaße über Zeiträume hinweg getroffen werden.
In den Tabellen in Anhang 4 und in den folgenden sind diejenigen CIR-Werte, die den naiven Benchmark nicht erreichen, stets dunkel unterlegt.
Zur Besonderheit der Berechnung des Nenners der CIR-Werte für die intraquartile Differenz des Median siehe Gliederungspunkt C. 2.3.2.2.. Bei dem Nenner rt+t — rt ist zu beachten, daß es sich genau genommen nicht um die Originalzeitreihe med60(60)-med60 der Abb. 36 handelt, sondern um deren Variation med60(60)-dax (siehe Gliederungspunkt C. 2.3.2.2.). Die dargestellte Erörterung anhand der Originalreihe kann jedoch auch auf diese übertragen werden, da die zeitlichen Phasen hoher und niedriger Volatilität bei beiden Reihen identisch sind (siehe auch die Entwicklung der beiden Nenner (med60(60)-dax)2 und med60(60)-dax der CIR-Berechnungen in Anhang 6).
Siehe hierzu auch die Einteilung der Realisationen der zukünftigen absoluten Lagemaße in Klassenintervalle und die Berechnung von zugehörigen Wahrscheinlichkeitsverteilungen im Rahmen des relativen Entropiemaßes in Gliederungspunkt C. 2.3.4.2..
So handelt es sich bei dem allgemeinen Nennerausdruck rt+t - rt des Median sowohl als Differenzengröße als auch als Absolutgröße um die konkrete Belegung medabs60(60)-dax (siehe auch Gliederungspunkt C. 2.3.2.2.). Beide Belegungen sind identisch — mit dem einzigen Unterschied, daß es sich bei ersterem um logarithmierte und bei letzterem um nicht logarithmierte Werte handelt.
Dieser Sonderfall ist graphisch in Abb. 60 abgebildet. Die prognostizierten Klassenintervalle α0 und α5 stellen diese Fehlklassifikationen dar.
Als Alternative hätte man für die betreffenden Klassen α 1 und α 6 analog zum ersten Sonderfall eine mimmale Wahrscheinlichkeit Qα = 10-4 annehmen können. Ökonomische Überlegungen jedoch sprechen für die gewählte Variante der Klassenaggregation, da eine Fehlprognose mit einem Prognosewert unterhalb des realen Minimum oder oberhalb des realen Maximum sich in den in der vorliegenden Arbeit verwendeten Handelsstrategien, die auf diese Wahrscheinlichkeitsverteilung angewandt werden (siehe Gliederungspunkt C. 4.1.1.), nicht ertragsmindernd auswirken.
Um eine Kontinuität in der Modellauswertung sicherzustellen, werden den naiven Annahmen hier dieselben Größen, wie sie für die Variablen rt im Rahmen der CIR-Berechnungen verwendet werden, zugrundegelegt. Das bedeutet, für rt der Absolutformulierungen Maximum, Upper Quartile, Lower Quartile und Minimum werden die Berechnungen quartabs60+dax-medabs60 eingestellt und für rt der Absolutformulierung des Median die Berechung dax (siehe auch Gliederungspunkt C. 2.3.2.2.).
Rights and permissions
Copyright information
© 1997 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Baun, S. (1997). Entwicklung des strategienunabhängigen Interface Modells im Rahmen der Prognose von Verteilungsmaßzahlen. In: Verteilungsprognose für den Deutschen Aktienindex. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-09110-3_9
Download citation
DOI: https://doi.org/10.1007/978-3-663-09110-3_9
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-6475-3
Online ISBN: 978-3-663-09110-3
eBook Packages: Springer Book Archive