Künstliche Intelligenz

Märkte sind ein Feld aus Signalen. Maschinelles Lernen fasst sie zusammen.

Machine Learning ist ein Bereich der künstlichen Intelligenz, der Algorithmen verwendet, um aus Daten zu lernen und sich im Laufe der Zeit zu verbessern, ohne explizit programmiert zu werden. Ziel sind optimal trainierte Algorithmen, die Muster, Trends und Beziehungen aus Daten identifizieren, um diese für Vorhersagen zu verwenden — bei QI angewandt mit einem Zweck: Anlageentscheidungen zu optimieren.

Ensemble-Modelle — eines je Index, viele Perspektiven Out-of-sample Testing — oder es zählt nicht Universitätskooperationen — Münchens akademisches Netzwerk
04Bausteine — Supervised bis RNN
Musteraus Daten gelernt, nicht programmiert
Nicht-linearneuronale Netze erfassen komplexe Zusammenhänge
SequenzenRNNs lernen aus Zeitreihen
I.Die Grundlagen

Vier Bausteine, kurz erklärt.

i.Supervised Machine Learning

Im Supervised Machine Learning werden in den Daten explizit Zielvariablen erklärt, so dass der algorithmische Lernprozess sich auf deren Vorhersage fokussiert. Es kommt häufig in Klassifikations- oder Regressionsproblemen und im Probabilistic Modeling zur Anwendung. Grundvoraussetzung ist die Zuweisung einer Outputvariable für jede Beobachtung der Inputvariablen (sogenanntes Labeling) — dadurch kann der trainierte Algorithmus Vorhersagen auf Basis neuer, unbekannter Inputvariablen treffen.

Die Genauigkeit hängt von der Qualität der Trainingsdaten, dem Algorithmustyp und dem Erklärungsgehalt der eingesetzten Inputvariablen ab.

Abstrakte Facetten — Supervised Machine Learning

ii.Unsupervised Machine Learning

Im Unsupervised Machine Learning werden Lernalgorithmen verwendet, um Strukturen und Beziehungen innerhalb eines Datensatzes aufzuspüren — ohne vorherige Definition von Labels oder weitere Instruktionen des Anwenders.

Es kann verwendet werden, um Ausreißer oder Konzentrationen in den Variablen auszumachen, niedrigdimensionale Darstellungen hochdimensionaler Daten zu konstruieren und Muster oder Assoziationen festzustellen. Beispiele umfassen Clustering, die Identifikation von Assoziationsregeln und Anomalieerkennung.

Abstrakte Struktur — Unsupervised Machine Learning

iii.Neuronale Netze

Neuronale Netze sind eine Modellgruppe innerhalb des Machine Learning, deren Aufbau von neuronalen Netzen der Natur inspiriert ist. Sie bestehen aus miteinander verbundenen Knoten (Neuronen), durch die Informationen nach bestimmten Rechenvorschriften verarbeitet werden. Diese Netze können komplexe, nicht-lineare Beziehungen zwischen Input- und Output-Variablen lernen und modellieren — besonders effektiv für Mustererkennung sowie Klassifikations- und Regressionsaufgaben.

Die Genauigkeit hängt vom Architekturdesign, der Qualität der Trainingsdaten und einer vorsichtigen Abstimmung der Hyperparameter ab, um Overfitting zu vermeiden und die Generalisierungsfähigkeit zu erhalten.

Abstrakte Flächen — Neuronale Netze

iv.Recurrent Neural Networks

Recurrent Neural Networks sind eine Untergruppe neuronaler Netze, die häufig für Zeitreihen- bzw. Sequenzdaten verwendet werden. Im Gegensatz zu den meisten traditionellen Netzen können RNNs sich merken, in welcher Reihenfolge ihnen die Daten präsentiert werden, und unter diesem dynamischen Aspekt lernen.

Dies ermöglicht es, Muster im Zeitverlauf zu identifizieren und zukünftige Ereignisse auf Basis von Vergangenheitsdaten vorherzusagen — frühere Eingaben werden über Zustandsvariablen in Erinnerung gehalten, was RNNs besonders geeignet für sequentielle Entscheidungsfindung macht.

Spiegelndes Raster — Recurrent Neural Networks

Gute Antworten beginnen mit guten Fragen — wir freuen uns auf Ihre.

Research-Dialog beginnen Ihre Anfrage erreicht die Gründer direkt

Marketingmitteilung. Kein Angebot und keine Anlageberatung. Modellausgaben sind Schätzungen und können falsch sein; systematische Prozesse mindern Risiko, beseitigen es aber nicht. Das Bildmaterial dieser Seite ist ein Original — generiert, nicht fotografiert.

Anlageberatung gemäß § 2 Abs. 2 Nr. 4 des deutschen Wertpapierinstitutsgesetzes (WpIG) und Anlagevermittlung gemäß § 2 Abs. 2 Nr. 3 WpIG erfolgen im Namen, für Rechnung und unter der Haftung der verantwortlichen Rechtsperson BN & Partners Capital AG, Steinstraße 33, 50374 Erftstadt, gemäß § 3 Abs. 2 WpIG. BN & Partners Capital AG verfügt über eine entsprechende Lizenz der deutschen Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) gemäß § 15 WpIG für die vorgenannten Finanzdienstleistungen.