Das Neuronale Netz [Teil 2]: Funktionsweise und Aufbau

Kann künstliche Intelligenz z.B. in der Derivate-Bewertung zur Vereinfachung und Beschleunigung komplexer Berechnungen genutzt werden?

Sind Neuronale Netze möglicherweise der Game Changer?

Neuronale Netze sind ein Teilgebiet des Deep Learnings - hier werden mehrschichtige Neuronale Netze trainiert, um komplexe und unstrukturierte Daten zu analysieren und Muster zu erkennen.

Eine hocheffiziente Regression (quantitativer Daten wie Barwerte oder Risiko-Kennzahlen) oder Klassifikation (kategorischer Daten wie Wochentage) erlaubt auf Basis der aus den Daten gelernten Mustern Vorhersagen für neue Daten zu treffen und dabei, im Gegensatz zu herkömmlichen Regressionsverfahren, Nichtlinearitäten problemlos zu modellieren. Wichtig ist in diesem Zusammenhang vor allem eine hinreichend große Anzahl an Trainingsdaten (Input-/Outputdaten). Das können z.B. Marktdaten (Zinsen, Volatilitäten usw.) bzw. Derivate Parameter (Nominal, Strike usw.) sein.

Je mehr Informationen das Netz bekommt, desto besser kann es lernen und desto höher wird die Qualität der Schätzung. Eine hohe Rechenleistung führt dabei zu einer erheblichen Ausweitung der Analysemöglichkeiten.

Grob gesagt sieht ein Neuronales Netz wie folgt aus:

Künstliche Neuronen basieren auf Rechenoperationen und sind über gewichtete Kanten verbunden, woraus sich ein Netz bildet. Ein solches Netz besteht aus drei elementaren aufeinanderfolgenden Elementen:

a) Eingabe: Input- b) Berechnung: Hidden- c) Ergebnis: Output-Layer.

Je nach Architektur des Netzes eignen sich Neurale Netze für verschiedene Gegebenheiten unterschiedlich gut.

Hyperparameter, wie beispielsweise die Anzahl der Hidden-Schichten oder die Anzahl der Neuronen einer Schicht, lassen sich variieren.

Sobald ein Modell für Berechnungen vorliegt, kann es ohne erneutes Durchlaufen der vorherigen Schritte angewendet werden - die Rechenperformance bei der Bewertung lässt sich damit millionenfach steigern.

In den folgenden Artikeln geht es um mögliche Anwendungsgebiete Neuronaler Netze im Bereich Finance:

Einen ersten Zugang zu neuronalen Netzen bekommen Sie in Teil 1: