Fundamentale Wechselkursprognose mit Neuronalen Netzen: Traditionelle versus neuere Ansätze zur Wechselkursbestimmung

1 Einleitung.- 2 Einführung in die Theorie neuronaler Netze.- 2.1 Historische Entwicklung und ökonomische Interpretation eines Neurons.- 2.2 Aufbau und ökonomische Interpretation eines Mehrschichtnetzwerkes.- 2.3 Lernalgorithmen.- 2.4 Das Phänomen der Über- und Unteranpassung.- 2.5 Möglichkeiten der Komplexitätsreduktion eines neuronalen Netzwerkes.- 2.6 Ermittlung der relevanten Zusammenhänge mittels Sensitivitätsanalysen.- 2.7 Netzwerktopologien.- 2.8 Vergleich lineare Regression und neuronales Netz.- 2.9 Vorgehensweise beim Modellbau mit neuronalen Netzen.- 3 Wechselkursprognose mit Hilfe ökonomischer Wechselkurstheorien.- 3.1 Begriffliche Grundlagen: Nominaler und realer Wechselkurs.- 3.2 Bausteine fundamentaler Ansätze der Wechselkursbestimmung.- 3.3 Monetäre Ansätze der Wechselkursbestimmung.- 3.4 Keynesianische Ansätze der Wechselkursbestimmung.- 3.5 Wechselkursmodelle mit monetären und keynesianischen Elementen.- 3.6 Postkeynesianische Wechselkurstheorie.- 3.7 Vergleich der Paradigmen.- 4 Schlußbetrachtung und Ausblick.

Dr. Günter Grimm war wissenschaftlicher Mitarbeiter am Lehrstuhl für Volkswirtschaftslehre von Prof. Dr. Manfred Borchert an der Universität Münster. Daran schloß sich eine Nebentätigkeit im zentralen Research einer deutschen Großbank an. Parallel hierzu arbeitete er im Zentralbereich F&E der Siemens AG. Heute ist er im Fondsmanagement der allfonds management GmbH in München tätig.

Neuronale Netze werden zunehmend für Anwendungsgebiete in der Finanzwirtschaft eingesetzt. Eine Anwendungsmöglichkeit besteht in der Prognose von Wechselkursen mit Hilfe fundamental orientierter Wechselkurstheorien. Günter Grimm analysiert, ob neuere quantitative gegenüber klassischen Verfahren zu besseren Ergebnissen bei der Wechselkursprognose führen. Hierzu überprüft der Autor traditionelle und neuere Ansätze volkswirtschaftlicher Wechselkurstheorien mit einem linearen und einem nicht-linearen Verfahren in Form eines neuronalen Netzes. Im Mittelpunkt der Überlegungen steht die Frage, ob zum einen die Art des Schätzverfahrens und zum anderen die Auswahl der in die Modelle eingehenden Variablen zu einer Verbesserung der Prognosefähigkeit führt. Zudem werden die Ergebnisse mit denen des Random-Walk Modells verglichen.