|
|
|
|
LEADER |
03670nmm a2200301 u 4500 |
001 |
EB000642816 |
003 |
EBX01000000000000000495898 |
005 |
00000000000000.0 |
007 |
cr||||||||||||||||||||| |
008 |
140122 ||| ger |
020 |
|
|
|a 9783322873903
|
100 |
1 |
|
|a Ripper, Klaus
|
245 |
0 |
0 |
|a Neuronale Netze im Portfolio-Management
|h Elektronische Ressource
|c von Klaus Ripper
|
250 |
|
|
|a 1st ed. 2000
|
260 |
|
|
|a Wiesbaden
|b Deutscher Universitätsverlag
|c 2000, 2000
|
300 |
|
|
|a XI, 144 S. 3 Abb
|b online resource
|
505 |
0 |
|
|a 1 Einleitung -- 2 Grundlagen neuronaler Netze -- 2.1 Einleitung -- 2.2 Historische Entwicklung -- 2.3 Verarbeitungselemente -- 2.4 Netztopologien -- 2.5 Lemverfahren -- 2.6 Aspekte neuronaler Netze -- 2.7 Zusammenfassung -- 3 Gleichgewichtsmodelle der Finanzwirtschaft -- 3.1 Einleitung -- 3.2 Analysemethoden -- 3.3 Das Markowitz-Modell -- 3.4 Das Index-Modell -- 3.5 Das Capital Asset Pricing Modell -- 3.6 Die Arbitrage Pricing Theorie -- 3.7 Zusammenfassung -- 4 Neuronale Netze und statistische Funktionsanpassung -- 4.1 Einleitung -- 4.2 Backpropagation-Algorithmus mit linearer Transferfunktion -- 4.3 Das Neuron als logistische Regression -- 4.4 Das Neuron als Probitwahrscheinlichkeitsmodell -- 4.5 Rekurrente Netze -- 4.6 Statistik der Neuronalen Netze -- 4.7 Modifikationen des Backpropagation Algorithmus -- 4.8 Zusammenfassung -- 5 Neuronale Netze zur volkswirtschaftlichen Zeitreihenprognose -- 5.1 Einleitung -- 5.2 Prognoseverfahren -- 5.3 Schätzung -- 5.4 Diskussion --
|
505 |
0 |
|
|a 8.7 Dynamik zwischen Bundes- und Pfandbriefanleihen als Risikoquelle -- 8.8 Renditespread zwischen Bundes- und Pfandbriefanleihen als Risikoquelle -- 8.9 Der Kuponeffekt als Risikoquelle -- 8.10 Zusammenfassung -- 9 Zusammenfassung und Ausblick -- 10 Literatur
|
505 |
0 |
|
|a 5.5 Zusammenfassung -- 6 Neuronale Netze zur Renditeschätzung von Aktien nach dem CAPM-Kapitalmarktmodell -- 6.1 Einleitung -- 6.2 Schätzung des Beta-Faktors -- 6.3 Modifikation des BP-Algorithmus -- 6.4 Empirische Schätzung -- 6.5 Diskussion -- 6.6 Zusammenfassung -- 7 Schätzung der Volatilität mit neuronalen Netzen -- 7.1 Einleitung -- 7.2 Volatilität und Finanzprodukte -- 7.3 Empirische Schätzung des Volatilitäts-Smile -- 7.4 Der VOLAX -- 7.5 Meßgröße der Volatilität -- 7.6 Neuronales Netz zur Minimierung der Maximum-Log-Likelihood-Funktion -- 7.7 Test auf GARCH-Effekte -- 7.8 Zusammenfassung -- 8 Statistische Analyse des Zinsprozeßrisikos von Anleihen und zinsderivativen Wertpapieren -- 8.1 Einleitung -- 8.2 Korrelationsmatrix und Hauptkomponentenanalyse -- 8.3 Hauptkomponentenanalyse versus Zustandsraummodelle -- 8.4 EmpirischeAnalyse -- 8.5 Hauptkomponenten und Volatilität -- 8.6 Hauptkomponenten und Risikomaße --
|
653 |
|
|
|a Finance
|
653 |
|
|
|a Financial Economics
|
041 |
0 |
7 |
|a ger
|2 ISO 639-2
|
989 |
|
|
|b SBA
|a Springer Book Archives -2004
|
490 |
0 |
|
|a Gabler Edition Wissenschaft
|
028 |
5 |
0 |
|a 10.1007/978-3-322-87390-3
|
856 |
4 |
0 |
|u https://doi.org/10.1007/978-3-322-87390-3?nosfx=y
|x Verlag
|3 Volltext
|
082 |
0 |
|
|a 332
|
520 |
|
|
|a Durch die explosionsartige Entwicklung im Portfolio-Management werden heute viele Allokationsentscheidungen in der Vermögensverwaltung von Banken und Versicherungen durch quantitative Modelle unterstützt. Neuronale Netze haben sich hier einen festen Platz erobert. Klaus Ripper setzt verschiedene neuronale Netze in Bezug zu statistischen Verfahren und stellt zwei Netzwerkmodelle vor, die für das Portfolio-Management entwickelt worden sind. Durch langjährige Erfahrung im Bereich Fondsmanagement bezieht der Autor viele praktische Fragestellungen mit ein
|