000 05461nam a22005055i 4500
001 978-3-322-81863-8
003 DE-He213
005 20210420090711.0
007 cr nn 008mamaa
008 111205s2004 gw | s |||| 0|ger d
020 _a9783322818638
_9978-3-322-81863-8
024 7 _a10.1007/978-3-322-81863-8
_2doi
050 4 _aHJ9-9940
072 7 _aKFFD
_2bicssc
072 7 _aBUS051000
_2bisacsh
072 7 _aKFFD
_2thema
082 0 4 _a336
100 1 _aRauscher, Markus.
_eauthor.
_4aut
_4http://id.loc.gov/vocabulary/relators/aut
245 1 0 _aKünstliche neuronale Netze zur Risikomessung bei Aktien und Renten
_h[electronic resource] :
_bAm Beispiel deutscher Lebensversicherungsunternehmen /
_cvon Markus Rauscher.
250 _a1st ed. 2004.
264 1 _aWiesbaden :
_bDeutscher Universitätsverlag :
_bImprint: Deutscher Universitätsverlag,
_c2004.
300 _aXXIV, 205 S. 48 Abb.
_bonline resource.
336 _atext
_btxt
_2rdacontent
337 _acomputer
_bc
_2rdamedia
338 _aonline resource
_bcr
_2rdacarrier
347 _atext file
_bPDF
_2rda
490 1 _aVersicherung und Risikoforschung ;
_v47
505 0 _a1 Einleitung -- 1.1 Problemstellung -- 1.2 Gang der Untersuchung -- 2 Risiko in der Kapitalanlage von Lebensversicherungsunternehmen und Dessen Messung -- 2.1 Lebensversicherungsprodukte -- 2.2 Kapitalanlage in Lebensversicherungen -- 2.3 Definitorische Grundlagen zu Risiko und Dessen Messung -- 2.4 Risikomaße in der Kapitalanlage von Lebensversicherungsunternehmen -- 3 Grundlagen Künstlicher Neuronaler Netze -- 3.1 Einordnung Künstlicher Neuronaler Netze -- 3.2 Natürliche und Künstliche Neuronale Netze -- 3.3 Künstliche Neuronale Netze als Instrumente der Zeitreihenanalyse -- 3.4 Historischer Abriss der Entwicklung Künstlicher Neuronaler Netze -- 4 Konstruktion Künstlicher Neuronaler Netze -- 4.1 Variablen der Modellierung von Knn -- 4.2 Delta-Regel und Backpropagation-Algorithmus -- 4.3 Schwierigkeiten des Backpropagation-Algorithmus -- 4.4 Weiterentwicklungen des Backpropagation-Algorithmus -- 4.5 Andere Lernmethoden -- 4.6 Häufig Verwendete Netzwerktypen -- 5 Anwendungen Künstlicher Neuronaler Netze -- 5.1 Überblick -- 5.2 Allgemeine Anwendungen -- 5.3 Ökonomische Anwendungen -- 5.4 Erkenntnisse aus Bisherigen Anwendungen -- 6 Grundlagen der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze -- 6.1 Konkretisierung der Problemstellung -- 6.2 Datenbasis -- 6.3 Eingesetzte Softwaresysteme -- 6.4 Verwendete Modelle -- 6.5 Gütemaße -- 6.6 Vorgehen zur Untersuchung -- 7 Ergebnisse der Empirischen Untersuchung der Risikoprognosefähigkeit Künstlicher Neuronaler Netze -- 7.1 Trainingergebnisse der Dreischichtigen Modelle -- 7.2 Trainingsergebnisse der Vierschichtigen Modelle -- 7.3 Zusammenfassende Trainingsergebnisse -- 7.4 Out-of-Sample-Test der Dreischichtigen Modelle -- 7.5 Out-of-Sample-Test Der Vierschichtigen Modelle -- 7.6 Zusammenfassende Out-of-Sample-Ergebnisse -- 7.7 Zusammenfassung der Empirischen Ergebnisse -- 8 Thesenförmige Zusammenfassung -- Anhang 1: Verwendung von Daten und Modellen -- Anhang 2: Javanns -- Anhang 3: Ergebnisse Naive Prognose -- Anhang 4: Ergebnisse Mean Reversión -- Anhang 5: Trainingsergebnisse Dreischichtiger MLP -- Anhang 6: Trainingsergebnisse Vierschichtiger MLP (DAX) -- Anhang 7: Trainingsergebnisse Vierschichtiger MLP (REXP) -- Anhang 8: Trainingsergebnisse Vierschichtiger MLP (KORR) -- Anhang 9: Gütemabe (Training) Dreischichtiger MLP -- Anhang 10: Gütemabe (Training) Vierschichtiger MLP -- Anhang 11: Rangfolge (Validierung) Dreischichtiger MLP -- Anhang 12: Rangfolge (Validierung) Vierschichtiger MLP.
520 _aDie Risikomessung als Teilaufgabe des Risikomanagements stellt für institutionelle Kapitalanleger eine elementare Aufgabe dar. Hierzu werden Volatilitäten und Korrelationskoeffizienten prognostiziert, wobei verschiedene Instrumente und Methoden zur Verfügung stehen. Künstliche neuronale Netze scheinen besonders gut geeignet zu sein; darauf lassen Untersuchungen in anderen Feldern schließen, die grundsätzliche Ähnlichkeiten mit dem Problem der Risikoprognose aufweisen. Markus Rauscher untersucht die Qualität mit Hilfe künstlicher neuronaler Netze erstellter Vorhersagen hinsichtlich der Volatilität und Korrelation von DAX und REXP. Um die Eignung bestimmter Konstellationen zu ermitteln, findet eine Vielzahl unterschiedlicher Architekturen und Lernalgorithmen Verwendung. Die den herkömmlichen Methoden überlegenen neuronalen Modelle werden dargestellt und sich daraus ergebende Möglichkeiten diskutiert.
650 0 _aPublic finance.
650 0 _aFinance.
650 0 _aInsurance.
650 1 4 _aPublic Economics.
_0https://scigraph.springernature.com/ontologies/product-market-codes/W34000
650 2 4 _aFinance, general.
_0https://scigraph.springernature.com/ontologies/product-market-codes/600000
650 2 4 _aInsurance.
_0https://scigraph.springernature.com/ontologies/product-market-codes/626030
710 2 _aSpringerLink (Online service)
773 0 _tSpringer Nature eBook
776 0 8 _iPrinted edition:
_z9783824482276
830 0 _aVersicherung und Risikoforschung ;
_v47
856 4 0 _uhttps://s443-doi-org.br.lsproxy.net/10.1007/978-3-322-81863-8
912 _aZDB-2-SWI
912 _aZDB-2-BAD
942 _2ddc
_cEBK
999 _c371110
_d329672