Kursprognose mittels nichtlinearer Regression (MLP) vs. linearer Regression (OLS) am Beispiel der wöchentlichen Rendite des Dow Jones EURO STOXX 50
-
- Deutsch ausgewählt
74,00 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
17.12.2003
Verlag
GRINSeitenzahl
128
Maße (L/B/H)
21/14,8/1 cm
Gewicht
197 g
Auflage
4. Auflage
Sprache
Deutsch
ISBN
978-3-8386-7536-7
Diplomarbeit aus dem Jahr 2003 im Fachbereich BWL - Investition und Finanzierung, Note: 1,0, Wirtschaftsuniversität Wien (unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Zusammenfassung:
Die vorliegende Arbeit soll einerseits einen kurzen Überblick über Konzepte der quantitativ orientierten Finanzanalyse geben, andererseits im Speziellen die Möglichkeiten der nichtlinearen Regression zur Kursprognose im Vergleich zur linearen Regression behandeln.
Quantitative Verfahren zur Vorhersage von Aktienkursen, Wechselkursen oder anderer Kapitalmarktgrößen haben in den letzten Jahren vor allem vor dem Hintergrund fallender Kurse an den internationalen Kapitalmärkten und dem abnehmenden Vertrauen der Anleger in Analystenmeinungen an Bedeutung gewonnen. Nachdem in den Jahren des Internethypes in blindem Vertrauen auf die euphorischen Einschätzungen der großen Investmenthäuser in die Firmen der New Economy investiert wurde, folgten mit dem Platzen der Spekulationsblase für einen Großteil der Kleinanleger, aber auch für institutionelle Investoren massive Vermögensverluste. Als Folge dessen wurde der Ruf nach quantitativen Verfahren der Finanzanalyse, mit denen sich unabhängig von subjektiven Einschätzungen zukünftige Kursentwicklungen prognostizieren lassen, wieder laut.
Im Folgenden soll gezeigt werden, welche Verfahren der quantitativen Finanzanalyse zur Verfügung stehen und welchen Beitrag zur Kursprognose die nichtlineare Regression bzw. die lineare Regression, beide in der Praxis verwendete Vertreter quantitativer Analyseverfahren, leisten können. Schwerpunktmäßig wird in dieser Arbeit Erstere behandelt, da das bisher in der Finanzanalyse dominierende und am häufigsten eingesetzte Verfahren, nämlich die lineare Regression, meist wenig zufriedenstellende Ergebnisse geliefert hat und folglich die Vermutung nahe legt, dass bei der Kursprognose die Aufdeckung nichtlinearer Zusammenhänge von großer Bedeutung ist. Ein neuerer Ansatz zur Modellierung nichtlinearer Abhängigkeiten stellt in diesem Zusammenhang die Anwendung Künstlicher Neuronaler Netze dar, wobei in der vorliegenden Arbeit die Perceptrons, eine Familie der Neuronalen Netze, näher behandelt werden. Neben der theoretischen Abhandlung der wichtigsten Methoden soll an Hand einer Fallstudie die praktische Anwendbarkeit untersucht werden. Sowohl mittels nichtlinearer als auch mittels linearer Regression wird versucht, die wöchentlichen Renditen des europäischen Aktienindexes Dow Jones EURO STOXX 50 zu prognostizieren bzw. die Güte der erhaltenen Prognosen gegenüberzustellen.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung und Überblick6
2.Überblick über die Methoden der Finanzanalyse9
2.1Thematik und Begriffsdefinitionen9
2.2Eigenschaften von Finanzmarktzeitreihen9
2.2.1Verteilungseigenschaften10
2.2.2Stationarität11
2.3Die These effizienter Kapitalmärkte und Prognostizierbarkeit11
2.4Instrumente der Finanzanalyse12
3.Lineare Finanzanalyse13
3.1Grundkonzepte des ARIMA-Ansatzes13
3.1.1AR(p)-Modelle14
3.1.2MA(q)-Modelle14
3.1.3ARMA(p,q)-Modelle15
3.1.4ARIMA(p,d,q)-Modelle15
3.1.5Identifikation von AR(p)- und MA(q)-Modellen16
4.Nichtlineare Finanzanalyse17
4.1Instrumente der nichtlinearen Analyse17
4.2Nichtlineare Testverfahren18
4.2.1Überblick18
4.2.2BDS-Test18
4.3Nichtlineare Modellierungsverfahren18
4.3.1Nichtlineare Prozesse18
4.3.2Nichtlineare autoregressive Modelle (NLAR-Modelle)19
4.3.3Modellierung von Heteroskedastizität19
4.3.3.1ARCH-Modelle20
4.3.3.2GARCH-Modelle21
4.3.3.3Erweiterungen des ARCH-Modells21
4.3.4Threshold Autoregressive Modelle (TAR-Modelle)22
4.3.5Modellbildung mittels Künstlicher Neuronaler Netze23
5.Regressionsanalyse23
5.1Problemstellung23
5.2Die Regression in der...
Die vorliegende Arbeit soll einerseits einen kurzen Überblick über Konzepte der quantitativ orientierten Finanzanalyse geben, andererseits im Speziellen die Möglichkeiten der nichtlinearen Regression zur Kursprognose im Vergleich zur linearen Regression behandeln.
Quantitative Verfahren zur Vorhersage von Aktienkursen, Wechselkursen oder anderer Kapitalmarktgrößen haben in den letzten Jahren vor allem vor dem Hintergrund fallender Kurse an den internationalen Kapitalmärkten und dem abnehmenden Vertrauen der Anleger in Analystenmeinungen an Bedeutung gewonnen. Nachdem in den Jahren des Internethypes in blindem Vertrauen auf die euphorischen Einschätzungen der großen Investmenthäuser in die Firmen der New Economy investiert wurde, folgten mit dem Platzen der Spekulationsblase für einen Großteil der Kleinanleger, aber auch für institutionelle Investoren massive Vermögensverluste. Als Folge dessen wurde der Ruf nach quantitativen Verfahren der Finanzanalyse, mit denen sich unabhängig von subjektiven Einschätzungen zukünftige Kursentwicklungen prognostizieren lassen, wieder laut.
Im Folgenden soll gezeigt werden, welche Verfahren der quantitativen Finanzanalyse zur Verfügung stehen und welchen Beitrag zur Kursprognose die nichtlineare Regression bzw. die lineare Regression, beide in der Praxis verwendete Vertreter quantitativer Analyseverfahren, leisten können. Schwerpunktmäßig wird in dieser Arbeit Erstere behandelt, da das bisher in der Finanzanalyse dominierende und am häufigsten eingesetzte Verfahren, nämlich die lineare Regression, meist wenig zufriedenstellende Ergebnisse geliefert hat und folglich die Vermutung nahe legt, dass bei der Kursprognose die Aufdeckung nichtlinearer Zusammenhänge von großer Bedeutung ist. Ein neuerer Ansatz zur Modellierung nichtlinearer Abhängigkeiten stellt in diesem Zusammenhang die Anwendung Künstlicher Neuronaler Netze dar, wobei in der vorliegenden Arbeit die Perceptrons, eine Familie der Neuronalen Netze, näher behandelt werden. Neben der theoretischen Abhandlung der wichtigsten Methoden soll an Hand einer Fallstudie die praktische Anwendbarkeit untersucht werden. Sowohl mittels nichtlinearer als auch mittels linearer Regression wird versucht, die wöchentlichen Renditen des europäischen Aktienindexes Dow Jones EURO STOXX 50 zu prognostizieren bzw. die Güte der erhaltenen Prognosen gegenüberzustellen.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung und Überblick6
2.Überblick über die Methoden der Finanzanalyse9
2.1Thematik und Begriffsdefinitionen9
2.2Eigenschaften von Finanzmarktzeitreihen9
2.2.1Verteilungseigenschaften10
2.2.2Stationarität11
2.3Die These effizienter Kapitalmärkte und Prognostizierbarkeit11
2.4Instrumente der Finanzanalyse12
3.Lineare Finanzanalyse13
3.1Grundkonzepte des ARIMA-Ansatzes13
3.1.1AR(p)-Modelle14
3.1.2MA(q)-Modelle14
3.1.3ARMA(p,q)-Modelle15
3.1.4ARIMA(p,d,q)-Modelle15
3.1.5Identifikation von AR(p)- und MA(q)-Modellen16
4.Nichtlineare Finanzanalyse17
4.1Instrumente der nichtlinearen Analyse17
4.2Nichtlineare Testverfahren18
4.2.1Überblick18
4.2.2BDS-Test18
4.3Nichtlineare Modellierungsverfahren18
4.3.1Nichtlineare Prozesse18
4.3.2Nichtlineare autoregressive Modelle (NLAR-Modelle)19
4.3.3Modellierung von Heteroskedastizität19
4.3.3.1ARCH-Modelle20
4.3.3.2GARCH-Modelle21
4.3.3.3Erweiterungen des ARCH-Modells21
4.3.4Threshold Autoregressive Modelle (TAR-Modelle)22
4.3.5Modellbildung mittels Künstlicher Neuronaler Netze23
5.Regressionsanalyse23
5.1Problemstellung23
5.2Die Regression in der...
Ein neues Kapitel für Ihre Bücher
Ein neues Kapitel für Ihre Bücher
Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten dafür eine Thalia Geschenkkarte.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice