Künstliche neuronale Netze zur Risikomessung bei Aktien und Renten Am Beispiel deutscher Lebensversicherungsunternehmen

Die Risikomessung als Teilaufgabe des Risikomanagements stellt fur institutionelle Kapitalanleger eine elementare Aufgabe dar. Hierzu werden Volatilitaten und Korrelationskoeffizienten prognostiziert, wobei verschiedene Instrumente und Methoden zur Verfugung stehen. Kunstliche neuronale Netze scheinen besonders gut geeignet zu sein; darauf lassen Untersuchungen in anderen Feldern schliessen, die grundsatzliche Ahnlichkeiten mit dem Problem der Risikoprognose aufweisen.
Markus Rauscher untersucht die Qualitat mit Hilfe kunstlicher neuronaler Netze erstellter Vorhersagen hinsichtlich der Volatilitat und Korrelation von DAX und REXP. Um die Eignung bestimmter Konstellationen zu ermitteln, findet eine Vielzahl unterschiedlicher Architekturen und Lernalgorithmen Verwendung. Die den herkommlichen Methoden uberlegenen neuronalen Modelle werden dargestellt und sich daraus ergebende Moglichkeiten diskutiert.