Neuronale Netze in der Börsenspekulation

Inhaltsverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1. Problemstellung und Relevanz des Themas
1.2. Zielsetzung und Aufbau der Arbeit

2 Begriffe und Grundlagen
2.1. Neuronale Netze
2.2. Fuzzy-Logik

3 Einsatz neuronaler Netze im Gebiet der Börsenspekulation
3.1. Entwicklung und aktueller Stand in Forschung sowie Praxis
3.2. Arten von verwendeten Algorithmen und ausgewählte Modelle

4 Fazit und Zusammenfassung

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Biologisches neuronales Netz und künstliches neuronales Netz

Abbildung 2: Grundstruktur mehrschichtiger künstlicher neuronaler Netze

Abbildung 3: Funktionsweise Fuzzy-System

Abbildung 4: Neuro-Fuzzy-System zur Prognose des Deutschen Aktienindex (DAX)

1 Einleitung

1.1. Problemstellung und Relevanz des Themas

„The Danger of AI is much greater than the danger of nuclear warheads (…).“^[1]

Es sind solche Aussagen, die uns zunehmend in unserem Alltag begegnen und somit die Angst vor künstlicher Intelligenz schüren. Es ist trotzdem keine Frage, ob die künstliche Intelligenz unser Leben verändern wird, sondern wann und in welchem Umfang es passieren wird. Wichtig wird sein, dass künftig stärkere Regulierungen stattfinden, um die Forschungen und Entwicklungen verfolgen zu können und gegebenenfalls auch eingreifen zu können. Dass der technische Fortschritt extrem schnell voranschreitet, zeigen die vergangenen Jahrzehnte, in denen Technologieunternehmen wie Apple, Alphabet oder Amazon zu den wertvollsten Unternehmen der Welt aufstiegen. Als ein aktuelles Beispiel dafür gilt das autonome Fahren. Einst als Science-Fiction-Vision und reine Utopie belächelt, forschen mittlerweile alle großen Automobil- und Technologiekonzerne in Zeiten von „Industrie 4.0“, „Big Data“ und „Digitalisierung“ an der Technologie der Zukunft, die unser bisheriges Verständnis von Mobilität in den kommenden Jahren vollkommen verändern könnte.

Doch bereits heute haben in vielen Bereichen automatisierte Prozesse und Algorithmen in unseren Alltag Einzug genommen, ohne dass es viele Menschen bemerken. Diese laufen bei einer Amazon-Bestellung genauso ab wie beim täglichen Anschauen der Facebook-Timeline oder der Nutzung des Smartphones als Navigationssystem. Besonders häufig genutzt werden Algorithmen im hochfrequentierten Börsenhandel (englisch High-Frequency Trading, HFT), welcher seinen Ursprung im Jahr 2006 mit der Entwicklung des neuen Protokolls „Fast“ hatte, wodurch die Austauschgeschwindigkeiten der Börsen optimiert wurden.^[2] Trotz der Neuartigkeit dieser Handelsform erreichen die Handelsvolumina bereits heute einen Anteil von bis zu 90 Prozent des gesamten Handelsvolumens. In den kommenden Jahren ist damit zu rechnen, dass sich dieser Anteil auf bis zu 100 Prozent erhöhen wird.^[3] Grundlage für diese Anwendungen sind Künstliche Neuronale Netze, die, unterstützt von Hochleistungsprozessoren, riesige Datenmengen in Bruchteilen von Sekunden auswerten und darauf aufbauend Entscheidungen treffen, wie sich der Aktienkurs vermeintlich entwickeln wird.

1.2. Zielsetzung und Aufbau der Arbeit

Auf Grund der beschriebenen, aktuellen Relevanz des Themas verfolgt die Arbeit das Ziel, aufzuzeigen, was neuronale Netze kennzeichnet, wie der aktuelle Stand in der Forschung ist und wie diese Erkenntnisse in der Praxis umgesetzt werden. Dabei soll vor allem die Möglichkeit erörtert werden, wie neuronale Netze verwendet werden können, um Aktienkurse zu prognostizieren und vorherzusagen. Dazu ist es außerdem erforderlich, sich mit der Fuzzy-Logik auseinanderzusetzen.

Hierzu ist die Arbeit in vier Kapitel untergliedert. Um für die thematisierte Problemstellung einen Einstieg zu formulieren, werden in Kapitel 2 zunächst begriffliche Grundlagen theoretisch erläutert. Diese beziehen sich auf die Begriffe „Neuronale Netze“ sowie „Fuzzy-Logik“.

Im Folgenden werden in Kapitel 3 der aktuelle Stand zum Einsatz von Neuronalen Netzen in der Börsenspekulation sowie verwendete Algorithmen und Modelle betrachtet.

Die Untersuchung beenden wird Kapitel 4 mit einer Zusammenfassung der wichtigsten Erkenntnisse sowie einem kritischen Fazit zu den geäußerten Schwerpunkten des Assignments.

2 Begriffe und Grundlagen

2.1. Neuronale Netze

Im Thema des Assignments und in der Einleitung wurde der Begriff „Neuronale Netze“ bereits erwähnt, ohne diesen jedoch bisher näher zu beschreiben. Daher ist es wichtig, zunächst zu erläutern, was unter „Neuronalen Netzen“ verstanden wird.

Neuronale Netze (NN), oft auch als Künstliche Neuronale Netze (KNN) oder artificial neural networks (ANN) bezeichnet, sind informationsverarbeitende Systeme, deren Struktur und Funktionsweise dem Nervensystem und speziell dem Gehirn von Tieren und Menschen nachempfunden sind. Sie bestehen aus einer großen Anzahl einfacher, parallel arbeitender Einheiten, den sogenannten Neuronen. Diese senden sich Informationen in Form der Aktivierung der Zellen über gerichtete Verbindungen zu.^[4]

Ein KNN versucht durch das Erkennen von Mustern, das biologische neuronale Netz in seiner Funktionsweise zu kopieren, um ebenso Lerneffekte erzielen zu können wie das Vorbild. Die folgende Abbildung zeigt stark vereinfacht den Aufbau eines biologischen neuronalen Netzes und das eines künstlichen neuronale Netzes.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Biologisches neuronales Netz und künstliches neuronales Netz^[5]

Es ist zu erkennen, dass ein biologisches Neuron aus Dendriten, dem Zellkörper (Soma) und dem Axon besteht. Der Zellkörper bildet die Zentrale des Neurons von welchen die Dendriten und das Axon abgehen. Dabei bilden die Dendriten den Informationszugang, sie empfangen Informationen von anderen Zellen. Das einzelne Axon stellt den Informationsausgang dar, indem es die Signale an Zellen weiterleitet.^[6] Dieses Prinzip, bestehend aus Informationseingabe, Informationsverarbeitung und Informationsausgabe, versuchen KNN nachzubilden.

Alle KNN bestehen aus einer Eingabeschicht (Input-Layer), einer oder mehreren verdeckten Schichten (Hidden-Layer) und einer Ausgabeschicht (Output-Layer), siehe Abbildung 2.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Grundstruktur eines dreischichtigen KNN^[7]

Alle empirisch erhobenen Variablen werden auf der Eingabeschicht als Eingabeneuronen abgebildet, welche die Neuronen der verdeckten Schichten aktivieren. Die Variablen der Ausgabeschicht entsprechend Referenzgrößen für die Ausgabeneuronen. Die Ausgabeneuronen beschreiben den Output, die Zielvariable, des KNN. Für die Verarbeitung der Eingangsvariablen auf den verdeckten Schichten werden keine Vorgaben gemacht, sondern das Netz wird durch den Lernprozess den Aktivierungsgrad der einzelnen Neuronen auf den verdeckten Schichten so bestimmt, dass die Ausgabeneuronen die empirisch erhobenen Ergebnisgrößen möglichst genau abbilden können.^[8] Von großer Bedeutung ist in diesem Zusammenhang der Backpropagation-Algorithmus, welcher in Kapitel 3 noch genauer betrachtet wird.

Ausgehend von der Definition und dem Aufbau sowie der Funktionsweise lassen sich somit sowohl positive als auch negative Eigenschaften der KNN ableiten. Zu den positiven Eigenschaften zählen unter anderem:

- Lernfähigkeit: KNN werden zumeist nicht programmiert, sondern durch ein Lernverfahren mit einer großen Klasse von Trainingsmustern trainiert.
- Parallelität: KNN sind bereits vom Ansatz her massiv parallel und daher für die Implementierung oder Simulation auf Parallelrechnern geeignet.
- Robustheit: KNN wird eine gewisse Robustheit gegenüber Funktionsstörungen als herkömmlichen Algorithmen nachgesagt, vorausgesetzt, die Netze wurden richtig trainiert.
- Verteilte Wissenspräsentation: Bei fast allen Neuronalen Modellen ist das „Wissen“ des KNN in den Gewichten verteilt gespeichert.
Negative Eigenschaften können z. Bsp. sein:
- Wissenserwerb nur durch Lernen: Speziell bei einer verteilten Repräsentation ist es sehr schwer, einem KNN ein gewisses Basiswissen bereits mitzugeben, wie dies etwa bei lernfähigen symbolischen KI-Systemen in Form einer Wissensbasis möglich ist. Es gibt nur wenige Anwendungen, bei denen die Gewichte durch einen externen Algorithmus vorbestimmt sind (z. Bsp. bei Hopfield-Netzen für Optimierungsprobleme), normalerweise geschieht der Wissenserwerb durch Lernen.
- Keine Introspektion: KNN können keine Introspektion, d.h. keine Analyse ihres eigenen Wissens oder Problemlösungsvorgangs durchführen, wie dies etwa die Erklärungskomponenten von Expertenanalysen können. Die Analyse des „Wissens“ eines Netzwerks ist generell sehr schwierig.
- Relativ langsames Lernen: Viele populäre Lernverfahren, wie z. Bsp. Backpropagation, lernen sehr langsam. Auch die Verbesserungen der Verfahren können dieses Problem zwar reduzieren, aber nicht vollständig lösen.^[9]

2.2. Fuzzy-Logik

Die Fuzzy-Logik (englisch für „unscharfe oder verwischte Logik“) stellt an sich ein gesondertes Themengebiet dar, welches allerdings durch die Zusammenwirkung mit neuronalen Netzen vielversprechende Möglichkeiten eröffnet. Die Anwendungsgebiete der Fuzzy-Logik sind dabei sehr differenziert und können in den Bereichen der Automatisierungs- und Regelungstechnik, Expertensysteme, Mustererkennung, Signalverarbeitung oder in Bereichen der künstlichen Intelligenz vorkommen.^[10]

Bei der Lösung reeller Probleme lassen sich nicht immer die Zusammenhänge durch den Einsatz der klassischen Logik, die auf einer binären Klassifizierung der Wahrheitswerte basiert (wahr oder falsch), optimal beschreiben.^[11] So ist es einem Menschen möglich, komplexe Probleme zu lösen und Informationen zu verarbeiten, ohne an eine Formalisierung auf Basis der klassischen Logik zu denken. Beispielsweise kann ein Mensch den Rat, beim langsamen Anfahren nur wenig Gas zu geben, direkt in die Praxis umsetzen, ohne Kenntnis von einem konkreten Wert zu besitzen. Der Mensch verwendet in seinen Beschreibungen überwiegend unscharfe oder vage Konzepte. Um dieses Problem zu lösen, werden Fuzzy-Mengen verwendet. Diese ermöglichen die Angabe von graduellen Zugehörigkeitsgraden, die auch notwendig sind, um es Computern zu ermöglichen, mit vagen, toleranzbehafteten Aussagen umgehen zu können. Es wird somit nicht wie bei der klassischen Mengenlehre in „schwarz und weiß“ unterschieden, sondern auch die „Graustufen“ dazwischen betrachtet.^[12] Fuzzy-Mengen lassen sich wie folgt definieren:

"Eine Fuzzy-Menge oder Fuzzy-Teilmenge µ der Grundmenge X ist eine Abbildung µ : X à [0,1], die jedem Element seinen Zugehörigkeitsgrad µ(x) zu µ zuordnet. Die Menge aller Fuzzy-Mengen von X bezeichnet man als F(X).“ ^[13]

Wie im Beispiel erwähnt, verwendet die Fuzzy-Mengenlehre unscharfe Begriffe wie z. Bsp. „wenig Gas geben“. Ausdrücke wie z. Bsp. wenig, etwas, hoch oder viel stellen linguistische Variablen dar. Eine linguistische Variable ist eine Größe, deren Werte sprachliche Ausdrücke, sogenannte linguistische Terme sind und keine exakten Zahlen.^[14] Um aus linguistischen Variablen ein Ergebnis zu erzeugen, werden Fuzzy-Systeme verwendet. Abbildung 3 zeigt ein Fuzzy-Schema, in welchem die Funktionsweise der Fuzzy-Logik dargestellt wird.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Funktionsweise Fuzzy-System^[15]

Die Eingabegrößen sind linguistische Variablen und durch Fuzzy-Mengen charakterisiert. Durch Fuzzifizierung werden die scharfen Eingangsgrößen in unscharfe Größen überführt. Die Interferenzmaschine generiert anschließend mit Hilfe des vorgegebenen Regelwerks an den fuzzifizierten Eingangsgrößen eine unscharfe Stellgröße. Diese wird schließlich durch die Defuzzifizierung wieder in eine scharfe Ergebnisgröße zurückverwandelt.

3 Einsatz neuronaler Netze im Gebiet der Börsenspekulation

Nachdem sowohl die Prinzipien der neuronalen Netze als auch der Fuzzy-Logik kompakt in deren Kernaussagen skizziert wurden, soll nun der Einsatz und die Verwendung von KNN in Kombination mit Fuzzy-Systemen bei Börsenspekulationen betrachtet werden.

3.1. Entwicklung und aktueller Stand in Forschung sowie Praxis

Die Prognose von Aktienkursen beschäftigt Menschen auf der ganzen Welt seit dem Bestehen von Börsenplätzen an denen gehandelt werden kann. Die Entwicklung an den Aktienmärkten wird durch eine Vielzahl von ökonomischen, technischen und psychologischen Einflussfaktoren bestimmt, die in einem komplexen Zusammenspiel ein Wirkungsgeflecht entstehen lassen, welches den Markt als rational nicht durchschaubar erscheinen lässt.^[16] Wie bereits in der Einleitung erwähnt, gewinnt in diesem Zusammenhang der Hochfrequenzhandel, der auf Algorithmen aufbaut und von unabhängig handelnden Computern durchgeführt wird, zunehmend an Bedeutung. Dieser Ansatz muss sich in der Praxis mit den traditionellen Ansätzen der Börsenspekulation, welche aus der Effizienzmarkthypothese, Fundamentalanalyse und technischen Analyse bestehen, auseinandersetzen.

Durch den Einsatz von KNN sind diese Programme in der Lage, zu lernen und sich selbstständig dynamisch weiter zu optimieren. Des Weiteren handeln diese auf ausschließlich datenbasierten Erkenntnissen. Damit wird es unterbunden, dass der Mensch durch emotionsgeleitete Entscheidungen Daten falsch interpretiert und subjektiv handelt, was dazu führen kann, dass nur geringe Gewinne oder sogar Verluste beim Börsenhandel erwirtschaftet werden. Dabei kommt es vor allem auf die Geschwindigkeit an, mit der die Ergebnisse, die die mit Hilfe der KNN erziel werden, in die Praxis umgesetzt werden. Das System, welches die Informationen als Erstes besitzt, auswertet und entsprechende Aufträge in den Handelssystem platziert, wird den größten Profit erzielen. Ein Beispiel aus dem Jahr 2013 verdeutlicht, wie wichtig die Zeitkomponente und damit die technische Komponente als Voraussetzung geworden sind:

150 ms (Millisekunden) nach Börsenschluss berichtete die Agentur Business Wire von unerwartet gesunkenen Quartalsergebnissen eines Unternehmens, dessen Aktien zu 122 $ notierten. Innerhalb von 50 ms wurden von diesem Unternehmen Aktien im Wert von 800.000 $ verkauft und 700 ms nach Börsenschluss lag der Kurs bei 118 $. Die an das breite Publikum gerichteten Dienste berichteten 242 ms (Bloomberg), 464 ms (Dow Jones) und etwa 1000 ms (Reuters) nach Börsenschluss. Zu diesem Zeitpunkt war das Geschäft bereits gelaufen.^[17] Ein weiterer wichtiger Aspekt bei der Verwendung von KNN in der Aktienanalyse ist die Fuzzy-Logik. KNN können zwar aus Daten lernen, diese aber nicht interpretieren. Fuzzy-Systeme bestehen hingegen aus interpretierbaren linguistischen Regeln, sind jedoch nicht lernfähig. Diese Symbiose der KNN und Fuzzy-Systemen wird als Neuro-Fuzzy-System bezeichnet. Solch ein System kann z. Bsp. zur Prognose des Deutschen Aktienindex (DAX) verwendet werden.

[...]

^[1] Elon Musk zum Thema Künstliche Intelligenz und neuronale Netze auf der SXSK-Konferenz am 12.03.2018.

^[2] Vgl. Filimonov / Sornette (2014), S. 20.

^[3] Gresser (2016), S. 6.

^[4] R. Kruse et al, (2011), S. 7.

^[5] Vgl. Gasteiger / Engel (2004).

^[6] Vgl. Hoffmann (1991), S. 2.

^[7] Vgl. Backhaus (2015), S. 604.

^[8] Vgl. Backhaus (2015), S. 604.

^[9] Vgl. Zell (1998), S. 4.

^[10] Vgl. Hoffmann (1997), S. 9.

^[11] Vgl. Styczynski (2017), S. 85.

^[12] Vgl. Kruse (2011), S. 253.

^[13] Kruse (2011), S. 254.

^[14] Vgl. Mißler-Behr (2001), S. 35.

^[15] Vgl. Reuter (2014), 298.

^[16] Vgl. Hillmer (1998), S. 149.

^[17] Vgl. Schredelseker (2015), S. 10.