Zusammenfassung
In diesem Beitrag wird der Versuch unternommen, die jeweiligen Vorzüge und Nachteile der beiden empirischen Ansätze statistische Verfahren und Neuronale Netze, am konkreten Beispiel einer Kursprognose des deutschen Aktienmarktes herauszuarbeiten. Problemstellung ist die methodisch fundierte Tendenzvorhersage für den Deutschen Aktienindex DAX auf Sicht von einem halben bis zu einem Jahr anhand länger vorauslaufender ökonomischer Einflußfaktoren. Mit einem Fundamentalmodell im Niveau der Zeitreihen und einem Prognoseansatz zur Marktperformance werden zwei verschiedene Modelltypen behandelt. Die statistische Analyse legt dabei im besonderen Wert auf die dynamischen Charakteristika der Variablen und die Inferenzeigenschaften der entwickelten Modelle, wobei mit klassischen ökonometrischen wie mit modernen zeitreihenanalytischen Ansätzen gearbeitet wird. Die Vorteile der Technologie Neuronaler Netze zur flexiblen Abbildung auch nicht-linearer Beziehungen können sodann an einigen Stellen gewinnbringend eingesetzt werden, so z.B. bezüglich des Zinseinflusses auf den Aktienmarkt Insgesamt wird die Schlußfolgerung gezogen, daß Neuronale Netze mit ihren neuen Möglichkeiten zu einer Verbesserung quantitativer Analysen beitragen können, aber für die erzielbare Prognosegüte dem Modellierungsaspekt nach wie vor eine größere Bedeutung zukommt als dem Aspekt der verwendeten Technologie. Mit einer systematischen Analyse der Zusammenhänge und einem sorgfältig spezifizierten Modell sind im behandelten Anwendungsfall gute Vorhersageergebnisse zu erzielen.
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
Davidson, J., Hendry, D.F., Srba, F., Yeo, S. [1978], Econometric modelling of the aggregate time-series relationship between consumers expenditure and income in the United Kingdom, Economic Journal, 88, 661–92.
Dickey, D.A., Fuller, W.A. [1981], Likelihood ratio statistics for autoregression time series with a unit root, Econometrica, 49, 1057–1072.
Engle, R.F., Granger, C.W.J. [1987], Co-Integration and error correction: representation, estimation, and testing, Econometrica 55, 251–276.
Engle, RF., Yoo, B.S. [1987], Forecasting and testing in co-integrated systems, Journal of Econometrics, 35, 143–159.
Fishtvian, M.B., Barr, D.S., LoicH, W.J. [1991], Using Neural Nets in Market Analysis, Technical Analysis of STOCKS & COMMOD111ES, 4, 91.
Fuller, W.A. [1976], Introduction to Statistical Time Series, New York.
Graf, J. [1990], Klassische statistische Methoden zur kurzfristigen Prognose des Aktienmarkts und deren Vergleich mit den Methoden der künstlichen Intelligenz, Unveröffentlichte Diplomarbeit, Universität Karlsruhe, Institut für Statistik und Mathematische Wirtschaftstheorie.
Granger, C.W.J. [1983], Cointegrated variables and error correcting models, UCSD Discussion Paper, 83–13a.
Hansmann, K.-W. [1980], Dynamische Aktienanlage-Planung, Wiesbaden.
Hielscher, U. [1990], Investmentanalyse, München.
Kohle, M. [1990], Neurale Netze, Wien.
Kohn, M. [1991], Gewagte Geschäfte, c’t, 12, 64ff.
Mills, T.C. [1990], Time Series Techniques for Economists, Cambridge.
Neurat, Ware, INc. [1990], Neural Computing, NeuralWorks Professional I I, PLUS and NeuralWorks Explorer, Pittsburgh.
Rumelhart, D.E., Mcclelland, J.L. [1986], Parallel Distributed Processing, Explorations in the Microstructure of Cognition, Volume 1+2, London.
Ramsey, J.B. [1990], Economic and Financial Data as Nonlinear Processes, in: Dwyer, G.P., Hafer, R.W.: The Stock Market: Bubbles, Volatility, and Chaos: Proceedings of the Thirteenth Economic Policy of the Federal Reserve Bank of St. Louis, 81–134, London.
Rehkugler, H., Poddig, T. [1990], Statistische Methoden versus Künstliche Neuronale Netzwerke zur Aktienkursprognose-Eine vergleichende Studie -, Bamberger Betriebswirtschaftliche Beiträge, Nr. 73, 1990, Otto-Friedrich-Universität Bamberg, Postfach 15 49, 8600 Bamberg.
Renkugler, H., Poddig, T. [1991], Künstliche Neuronale Netze in der Finanzanalyse Eine neue Ära der Kursprognosen, Wirtschaftsinformatik, 10, 91, 365 ff.
Rtilar, H., Martinetz, T., Schulten, K. [1990], Neuronale Netze: eine Einführung in die Neuroinformatik selbstorganisierender Netzwerke, Bonn.
Siemens, Nixdorf AG [1991], ProjektabschluBbericht für das Innovationsprojekt “Entwicklung Neuronaler Netzwerke für Prognosezwecke”, 9, 91.
Stock, J.H. [1987], Asymptotic properties of least squares estimators of cointegration vectors, Econometrica, 55, 1035–1056.
Wei, W.W.S. [1990], Time Series Analysis, Addison-Wesley.
Weigend, A.S., Rumelhart, D.E. [1990], Generalization through Minimal Networks with Application to Forecasting, in: Proceedings of Interface ‘81-Computational Science and Statistics, Seattle, 4, 90.
White, H. [1988], Economic Prediction using Neural Networks: The Case of IBM Daily Stock Returns, IEEE International Conference on Neural Networks, San Diego, II-451ff.
White, H., Lee, T.-H., Granger, C.W.J. [1993], Testing for neglected nonlinearity in time series models. A comparison of neural network methods and alternative tests, Journal of Econometrics, 56, 269–290.
Würtz, D., DE Groot, C. [1992], Ein “neuronales” Informationssystem zur Wechselkursanalyse, ist, 2, 92, 44–45.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1994 Physica-Verlag Heidelberg
About this paper
Cite this paper
Hillmer, M., Graf, J. (1994). Aktienkursprognose mit statistischen Verfahren und Neuronalen Netzen: Ein Systemvergleich. In: Bol, G., Nakhaeizadeh, G., Vollmer, KH. (eds) Finanzmarktanwendungen neuronaler Netze und ökonometrischer Verfahren. Wirtschaftswissenschaftliche Beiträge, vol 93. Physica-Verlag HD. https://doi.org/10.1007/978-3-642-46948-0_10
Download citation
DOI: https://doi.org/10.1007/978-3-642-46948-0_10
Publisher Name: Physica-Verlag HD
Print ISBN: 978-3-7908-0748-6
Online ISBN: 978-3-642-46948-0
eBook Packages: Springer Book Archive