Beschreibung
Inhaltsangabe1. Einleitung.- 2. Ursprung und Aufbau neuronaler Netze.- 3. Neuronale Netze in ökonomischen Modellen.- 3.1 Approximation eines Gütermarkt-Modells.- 3.1.1 Idealisierte Trainingsdatenmenge.- 3.1.2 Verrauschte Trainingsdatenmenge.- 3.2 Generierung eines Erwartungsbildungs-Moduls.- 3.3 Optimierung des Geldangebotes.- 3.3.1 Originäres Poole-Modell.- 3.3.2 Implementierung einer neuronalen Geldangebotsfunktion.- 3.4 Zusammenfassende Beurteilung des Einsatzes neuronaler Netze in ökonomischen Modellen.- 4. Erstellung und Training eines neuronalen Netzes.- 4.1 Bereitstellung der Input-Daten.- 4.2 Erstellen der Spezifikationsdatei.- 4.3 Erstellen der Netztopologie.- 4.4 Aufruf von SENN.- 4.5 Auswahl der Aktivierungs- und der Fehlerfunktion.- 4.6 Auswahl von Verfahren und Parametern für den Trainingsprozeß.- 4.7 Überwachung des Trainings.- 5. Prognose der kurzfristigen Geldnachfrage mit einem neuronalen Netz.- 5.1 Ökonomische Vorentscheidungen.- 5.1.1 Abgrenzung der relevanten Geldmenge.- 5.1.2 Auswahl der Periodizität.- 5.1.3 Festlegung des Untersuchungszeitraumes und Aufteilung der Input-Daten in Teilmengen.- 5.1.4 Auswahl geeigneter Inputs.- 5.1.5 Schätzung der Geldnachfrage als Bestandsgröße oder Wachstumsrate.- 5.2 Umsetzung der Modell Vorstellung in SENN.- 5.2.1 Topologie des neuronalen Netzes.- 5.2.2 Aufbereitung der Modellierungs- und Generalisierungsdaten.- 5.2.3 Erstellung der Spezifikationsdatei für SENN.- 5.3 Auswahl der Time-Lag-Struktur.- 5.4 Eliminierung korrelierter Inputs.- 5.5 Training des neuronalen Netzes.- 5.6 Optimierung des neuronalen Netzes.- 5.6.1 Stop-Training.- 5.6.2 InputPruning.- 5.6.3 WeightPruning.- 5.6.3.1 Pruning kleiner Gewichte.- 5.6.3.2 Optimal Brain Damage (OBD) und Early Brain Damage (EBD).- 5.6.3.3 Invers Kurtosis Prunen.- 5.6.3.4 Instability Pruning.- 5.6.3.5 Statistisches Prunen.- 5.6.3.6 Umsetzung des gewählten Pruning-Verfahrens in SENN.- 5.6.4 Merging und Pruning von verdeckten Neuronen.- 5.6.5 Automatisiertes Early Brain Damage Pruning.- 5.6.6 Abschließendes Input-Pruning.- 5.7 Beurteilung der Ergebnisse auf Basis der Generalisierungsdatenmenge.- 5.8 Geldpolitische Verwendbarkeit der Ergebnisse.- 6. Resümee.- 7. Anhang.- 7.1 Anhang zu Abschnitt.- 7.1.1 Delphi 3 0 Quelltexte zum Abschnitt 3 1 1 (Grundversion).- 7.1.1.1 Quelltext-Einheit UNIT1 PAS.- 7.1.1.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.1.1.3 Quelltext-Einheit NEURON_OBJ PAS.- 7.1.2 Delphi 3 0 Quelltexte zum Abschnitt.- 7.1.2.1 Quelltext-Einheit UNIT1 PAS.- 7.1.2.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.2 Anhang zu Abschnitt 3 2 (Delphi 3 0 Quelltexte).- 7.2.1 Quelltext-Einheit UNIT1 PAS.- 7.2.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.3 Anhang zu Abschnitt 3 3 (Delphi 3 0 Quelltexte).- 7.3.1 Quelltext-Einheit UNIT1 PAS.- 7.3.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.4 Anhang zu Abschnitt 4 7 (Delphi 3 0 Quelltext).- Abbildungsverzeichnis.- Tabellenverzeichnis.- Verzeichnis der Boxen.
Autorenporträt
Inhaltsangabe1. Einleitung.- 2. Ursprung und Aufbau neuronaler Netze.- 3. Neuronale Netze in ökonomischen Modellen.- 3.1 Approximation eines Gütermarkt-Modells.- 3.1.1 Idealisierte Trainingsdatenmenge.- 3.1.2 Verrauschte Trainingsdatenmenge.- 3.2 Generierung eines Erwartungsbildungs-Moduls.- 3.3 Optimierung des Geldangebotes.- 3.3.1 Originäres Poole-Modell.- 3.3.2 Implementierung einer neuronalen Geldangebotsfunktion.- 3.4 Zusammenfassende Beurteilung des Einsatzes neuronaler Netze in ökonomischen Modellen.- 4. Erstellung und Training eines neuronalen Netzes.- 4.1 Bereitstellung der Input-Daten.- 4.2 Erstellen der Spezifikationsdatei.- 4.3 Erstellen der Netztopologie.- 4.4 Aufruf von SENN.- 4.5 Auswahl der Aktivierungs- und der Fehlerfunktion.- 4.6 Auswahl von Verfahren und Parametern für den Trainingsprozeß.- 4.7 Überwachung des Trainings.- 5. Prognose der kurzfristigen Geldnachfrage mit einem neuronalen Netz.- 5.1 Ökonomische Vorentscheidungen.- 5.1.1 Abgrenzung der relevanten Geldmenge.- 5.1.2 Auswahl der Periodizität.- 5.1.3 Festlegung des Untersuchungszeitraumes und Aufteilung der Input-Daten in Teilmengen.- 5.1.4 Auswahl geeigneter Inputs.- 5.1.5 Schätzung der Geldnachfrage als Bestandsgröße oder Wachstumsrate.- 5.2 Umsetzung der Modell Vorstellung in SENN.- 5.2.1 Topologie des neuronalen Netzes.- 5.2.2 Aufbereitung der Modellierungs- und Generalisierungsdaten.- 5.2.3 Erstellung der Spezifikationsdatei für SENN.- 5.3 Auswahl der Time-Lag-Struktur.- 5.4 Eliminierung korrelierter Inputs.- 5.5 Training des neuronalen Netzes.- 5.6 Optimierung des neuronalen Netzes.- 5.6.1 Stop-Training.- 5.6.2 InputPruning.- 5.6.3 WeightPruning.- 5.6.3.1 Pruning kleiner Gewichte.- 5.6.3.2 Optimal Brain Damage (OBD) und Early Brain Damage (EBD).- 5.6.3.3 Invers Kurtosis Prunen.- 5.6.3.4 Instability Pruning.- 5.6.3.5 Statistisches Prunen.- 5.6.3.6 Umsetzung des gewählten Pruning-Verfahrens in SENN.- 5.6.4 Merging und Pruning von verdeckten Neuronen.- 5.6.5 Automatisiertes Early Brain Damage Pruning.- 5.6.6 Abschließendes Input-Pruning.- 5.7 Beurteilung der Ergebnisse auf Basis der Generalisierungsdatenmenge.- 5.8 Geldpolitische Verwendbarkeit der Ergebnisse.- 6. Resümee.- 7. Anhang.- 7.1 Anhang zu Abschnitt.- 7.1.1 Delphi 3 0 Quelltexte zum Abschnitt 3 1 1 (Grundversion).- 7.1.1.1 Quelltext-Einheit UNIT1 PAS.- 7.1.1.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.1.1.3 Quelltext-Einheit NEURON_OBJ PAS.- 7.1.2 Delphi 3 0 Quelltexte zum Abschnitt.- 7.1.2.1 Quelltext-Einheit UNIT1 PAS.- 7.1.2.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.2 Anhang zu Abschnitt 3 2 (Delphi 3 0 Quelltexte).- 7.2.1 Quelltext-Einheit UNIT1 PAS.- 7.2.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.3 Anhang zu Abschnitt 3 3 (Delphi 3 0 Quelltexte).- 7.3.1 Quelltext-Einheit UNIT1 PAS.- 7.3.2 Quelltext-Einheit DATEN_OBJ PAS.- 7.4 Anhang zu Abschnitt 4 7 (Delphi 3 0 Quelltext).- Abbildungsverzeichnis.- Tabellenverzeichnis.- Verzeichnis der Boxen.