EVOLUTIONÄRE ALGORITHMEN: IMPLEMENTATION UND ANWENDUNGEN IM ASSET-MANAGEMENT-BEREICH

Größe: px
Ab Seite anzeigen:

Download "EVOLUTIONÄRE ALGORITHMEN: IMPLEMENTATION UND ANWENDUNGEN IM ASSET-MANAGEMENT-BEREICH"

Transkript

1 EVOLUTIONÄRE ALGORITHMEN: IMPLEMENTATION UND ANWENDUNGEN IM ASSET-MANAGEMENT-BEREICH Dplomarbet von Felx Strechert Betreuung Prof.Dr.-Ing. Arnold Kstner Insttut A für Mechank Unverstät Stuttgart Dr. Werner Koch Commerz Asset Managers Commerzbank AG Frankfurt/Man August 2001

2 Inhalt 1 KURZFASSUNG 5 2 EINFÜHRUNG 6 3 INHALTLICH VERWANDTE ARBEITEN Evolutonäre Algorthmen n der Portfolo-Selekton Evolutonäre Algorthmen zur Zetrehenprognose Evolutonäre Algorthmen zur Optmerung von Handelsregeln 10 4 GRUNDLAGEN EVOLUTIONÄRER ALGORITHMEN Enführung n Genetsche Algorthmen Indvduum Intalserung Problembeschrebung Ftnessnormerung Selekton Rekombnaton Mutaton Elmneren Generatonsstrategen Abbruchkrterum Enführung n Genetsches Programmeren Indvduum Intalserung Problembeschrebung Rekombnaton Mutaton Enführung n das Hybrdmodell Genetsche Algorthmen/ Programmerung Enführung n Evolutonsstrategen Indvduum Intalserung Problembeschrebung Selekton Rekombnaton Mutaton Generatonsstrategen Enführung n Evolutonäre Programmerung Indvduum Problembeschrebung Selekton Mutaton Enführung n Learnng Classfer Systems Indvduum Problembeschrebung Modulares Konzept des EA-Tools Modulares Konzept für GA/P-Strategen 35 2

3 4.7.2 Implementaton der Indvduen Zukünftge Erweterungen Um Evolutonsstrategen erwetertes modulares Konzept Erweterung um Learnng Classfer Systems Erweterung um Strategeebenen Vertelte Anwendung von EA Tracken mehrer Suboptma 39 5 EA-METHODEN UND IHRE IMPLEMENTIERUNG Aufbau ener Populaton Struktur enes Indvduums Attrbute: GAAttrbutes Programmbäume: GPTreeModel Problemdefnton Ftnessnormerung Proportonale Ftnessnormerung Skalerte Ftnessnormerung Boltzmann-Normerung Rankng-Normerung Selekton Tournament-Selekton Truncaton-Selekton Roulette-Wheel-Selekton Stochastc-Unversal-Samplng Determnstc-Rankng Rekombnaton GA/ES-Crossover GP-Crossover Mutaton GA/ES-Mutaton GP-Mutaton Ersetzungsstrategen 66 6 ERGEBNISSE DER FINANZWIRTSCHAFTLICHEN ANWENDUNGEN Portfolo-Selekton Problembeschrebung Ergebnsse Zetrehenprognose Regressonsmodelle Handelsmodelle 87 7 ZUSAMMENFASSUNG UND AUSBLICK Verwendbarket des vorgestellten EA-Tools Ergebnsse des EA-Tools auf fnanzwrtschaftlchen Anwendungen 91 8 ANHANG 93 3

4 8.1 Enfaches Rechenbespel für enen GA Inhaltlche Ergänzungen zu EA Genetsche Drft und Selektonsdruck Lamarksmus und Baldwn-Effekt Schema-Theorem Vorzetge Konvergenz oder kene Konvergenz Beschrebung der Problemmodule Generelles Interface des EA-Tools Standart-Testfunkton F Portfolo-Selekton Parametrsche Regresson Artfcal-Ant N-Multplexer Symbolsche Regresson Tradng Agents REFERENZEN 112 4

5 1 Kurzfassung In deser Arbet wrd en Programm zur Smulaton Evolutonärer Algorthmen (EA-Tool) mplementert und vorgestellt, mt dem de Lestungsfähgket von Evolutonären Algorthmen (EA) n fnanzwrtschaftlchen Fragestellungen untersucht werden soll. Das EA-Tool realsert verschedene Optmerungsstrategen aus dem Berech der EA, darunter Genetsche Algorthmen (GA), Genetsches Programmeren (GP), en Hybrd aus GA und GP (GA/P) sowe Evolutonsstrategen (ES). Das EA- Tool wurde so entworfen, dass unterschedlchste Problemstellungen beschreben und dem EA-Tool zur Bearbetung zugänglch gemacht und mt verschedenen EA-Methoden bearbetet werden können. Praxsbezogene Problemstellungen deser Arbet waren de Portfolo-Selekton mt Nebenbedngungen (unter anderem Kardnaltätsbeschränkungen), Parameteroptmerung für Regressonsmodelle, Zetrehenprognose mt Symbolscher Regresson und de Entwcklung von Handelsstrategen auf Wechselkursen. An desen Bespelen lassen sch ene Velzahl an Effekten und Egenschaften der Anwendung von EA auf multmodale Lösungsräume 1, we se n fnanzwrtschaftlchen Anwendungen zu erwarten snd, beschreben. 1 Multmodaler Lösungsraum: Lösungsraum mt mehreren Suboptma. 5

6 2 Enführung Zur Bewältgung komplexer Optmerungsprobleme wurden n den vergangenen Jahrzehnten Methoden entwckelt, de natürlchen Vorbldern nachempfunden wurden. Vele deser Methoden stammten ursprünglch aus den Forschungsberechen Künstlche Intellgenz (KI) und Künstlches Leben (KL). Zu den bekannteren und erfolgrecheren Bespelen zählen Neuronale Netze (NN), Fuzzy Methoden (FM) und Evolutonäre Algorthmen (EA). EA snd mest auf Computern mplementerten stochastsche Such- und Optmerungsverfahren, welche von der klassschen Evolutonstheore abgeletet wurden. De Grunddee st, dass sch Populatonen von Indvduen an hre Umwelt anpassen, um langfrstg überlebensfähg zu sen. Dazu werden enge Prnzpen der darwnstschen Evolutonstheore, deren enfachste Formulerung n der Regel surval of the fttest zu fnden st, n Computerprogrammen umgesetzt. Ene möglche Lösung für en gegebenes Problem wrd m folgenden als Indvduum bezechnet, ene Menge von Indvduen als Populaton. Das Schema des EA-Verfahrens läuft n folgenden Stufen ab, vergleche Abb. 1: In enem ersten Schrtt wrd ene Populaton von zufällgen Lösungen erzeugt. Für edes Indvduum deser Populaton werden Performance und Überlebensfähgket n ener smulerten Umwelt bestmmt. Dese Überlebensfähgket spegelt sch be desem Verfahren n der Ftness Φ weder. De besten Indvduen aus der Populaton werden für de Reprodukton ausgewählt, um ene neue Generaton von Indvduen zu blden. De Reprodukton besteht n den modernen Verfahren aus den Methoden: Rekombnaton, welche ene sexuelle Reprodukton realsert, und Mutaton, welche ene mperfekte Reprodukton smulert. Durch dese enfachen Methoden setzen sch m Laufe der Generatonen n der Populaton mmer bessere Indvduen durch. Her noch enmal der gleche Ablauf als Pseudocode: Intalsere zufällge Anfangspopulaton A(s=0) Wederhole Abbldung 1: Enfaches Evolutonsschema Selektere de fttesten Indvduen als Elternmenge B (s) aus A(s) Reproduzere Nachkommen C(s) aus B (s) A(s+1) = C(s) Bs en Abbruchkrterum erfüllt st Für EA st bezechnend, dass se ncht von ener enzelnen Startlösung ausgehend den Lösungsraum durchsuchen, sondern n eder Generaton ene Populaton von Indvduen verwenden. Auf dese Wese st es möglch, vorzetge Konvergenz auf Suboptma zu vermeden und das globale Optmum zu dentfzeren. De ersten Versuche, n den Computerwssenschaften Evolutonsprozesse nachzublden, wurden n den späten 50er-Jahren und n den frühen 60er-Jahren durchgeführt. John Holland von der Unversty of Mchgan fügte Mtte der 60er-Jahre de geschlechtlche Reprodukton und Rekombnaton als Varatonsmethode zur Mutaton hnzu und konnte damt erste Erfolge erzelen 2. Setdem wrd Holland als Begründer des Forschungsgebetes der Evolutonären Algorthmen angesehen, das sch heute n mehrere Bereche untertelt, sehe Abb. 2: Genetsche Algorthmen (GA), Genetsches Programmeren (GP), Evolutonsstrategen (ES), Evolutonäres Programmeren (EP) und Learnng Classfer Systems (LCS). 2 Sehe [HJ92] 6

7 Abbldung 2: Überblck über de verschedenen EA-Verfahren und verwandte Methoden Genetsche Algorthmen blden de deutlchste Abbldung des natürlchen Vorblds durch de Betonung des Genotyps enes Indvduums. Se benutzen oft Bt-Strng-coderte Lösungsrepräsentatonen. Genetsche Programmerung st von der Methodk her eng verwandt mt den Genetschen Algorthmen. Bem Genetschen Programmeren werden aber Programmbäume als Lösungsrepräsentaton verwendet, deren Struktur über de Generatonen optmert wrd. Der Hybrd von Genetschen Algorthmen und Genetscher Programmerung wrd GA/P genannt und verent bede Methoden n enem Verfahren. Evolutonsstrategen betonen wederum den Phänotyp enes Indvduums. Se snd ene Form von Evolutonären Algorthmen, de kene Bt-Strng-coderte Repräsentaton benutzen und sch hauptsächlch auf de Mutaton als Varatonsmethode konzentreren. Evolutonäres Programmeren st den Evolutonsstrategen sehr ähnlch, wurde aber unabhängg entwckelt und bestzt kene Beschränkungen hnschtlch der Lösungsrepräsentaton. Learnng Classfer Systems snd regelbaserte maschnelle Lernsysteme, welche n der Lage snd, Regelmäßgketen hrer Ensatzumgebung anhand von Feedback-Informatonen nduktv zu lernen. De Grenzen zwschen desen Dszplnen snd verschwommen. Oft werden de oben genannten Begrffe verwendet, ohne genauer zwschen den enzelnen Berechen zu unterscheden. Ähnlche Optmerungsmethoden snd n desem Zusammenhang: Smulated Annealng, Hll Clmbng, Partcel Swarms, Ant Systems und Tabu Search. Das Hauptanwendungsgebet von EA snd Optmerungsprobleme, welche mt herkömmlchen mathematschen Verfahren ncht oder ncht effzent analyserbar snd. Der Vortel von EA legt n der Fähgket, auch multmodale Lösungsräume nach Lösungen parallel durchsuchen zu können. De Aufgabenstellungen snd praktsch kenen Vorraussetzungen unterworfen. EA können auf Lösungsräumen mt unstetgen und ncht dfferenzerbaren Zelfunktonen angewendet werden und de Zelfunktonen snd lecht um Nebenbedngungen zu erwetern. Zudem reageren EA auch robust auf Änderungen externer Parameter der Verfahrensmethoden 3. Im Rahmen deser Arbet sollen unterschedlche Anwendungen von EA auf Problemstellungen aus der Fnanzwrtschaft untersucht werden. In Kaptel 3 wrd en Ausblck auf möglche Anwendungen gegeben und enge wssenschaftlche Arbeten über Problemstellungen der Portfolo-Selekton, der Zetrehenprognose und der Genererung von Handelsregeln stellvertretend aufgezählt. Dese Aufzählung st auf de fnanzwrtschaftlchen Anwendungen beschränkt, welche auch n deser Arbet mt EA-Verfahren untersucht wurden. In Kaptel 4 wrd auf de Grundlagen von EA und der enzelnen Verfahren engegangen. Ferner wrd das n deser Arbet verwendete modulare Konzept der EA-Methoden und Indvduen vorgestellt. In Kaptel 5 werden de mplementerten GA/P-Indvduen, de EA-Methoden und das benutzte Smulatorkonzept beschreben. Nachdem de Grundlagen und de verwendeten Konzepte vorgestellt wurden, werden de Anwendungen auf Portfolo-Selekton, Zetrehenprognose und Handelsregeln auf spezelle Egenschaften der EA-Methoden und deren Performance m Verglech zu Referenzlösungen n Kaptel 6 untersucht. In Kaptel 7 wrd ene Zusammenfassung der Ergebnsse und en Ausblck auf de möglchen Erweterungen des her vorgestellten EA-Tools gegeben. Im Anhang n Kaptel 8 wrd en enfaches Rechenbespel für enen GA angeführt und enge ergänzende Betrachtungen zu EA gegeben, de m Kaptel 4 entfallen snd, da se dort ncht unbedngt für das Verständns von EA 3 In [ST01] wrd näher untersucht, we de Performance enes EA-Verfahrens auf klene Änderungen exogener Verfahrensparameter reagert 7

8 notwendg waren. Ebenfalls m Anhang fnden sch Beschrebungen der mplementerten Problemstellungen, und es wrd an Bespelen erläutert, we spezfsche Problemstellungen mplementert werden können. 8

9 3 Inhaltlch verwandte Arbeten De möglchen Anwendungen von Evolutonären Algorthmen (EA) m fnanzwrtschaftlchen Berech snd sehr velfältg und zahlrech, obglech EA ene relatv unge Forschungsdszpln blden 4.EAsnd be Anwendungen n desem Berech deshalb so belebt, wel durch se de dort typschen komplexen Probleme gelöst werden können, de sch ener analytschen oder auch numerschen Lösung entzehen. Zudem benötgen EA nur weng problemspezfsches Wssen 5 und stellen kaum Anforderungen an de Beschaffenhet des Lösungsraums. Se reageren auch sehr robust auf Änderungen externer Parameter der Verfahrensmethoden und snd deshalb lecht auf unterschedlchste Lösungsräume anzuwenden. Wegen der Velfalt der EA-Strategen können EA lecht an problemspezfsche Anforderungen angepasst werden: bezüglch der zu verarbetenden Datentypen, der zu benutzenden Lösungsrepräsentatonen und der Beschaffenhet des Lösungsraums. Besonders geegnet schenen EA für Anwendungen m fnanzwrtschaftlchen Berech aus zumndest dre Gründen zu sen: EA werden vom Erfolg von Lösungen angetreben, das heßt der Ftnessfunkton. Erfolg kann be Anwendungen m Fnanzberech de Vorhersagekraft enes Prognosemodells sen oder der erzelte Gewnn m Verhältns zum engegangenen Rsko enes Portfolos. En solcher Erfolg kann lecht auf de n den EA verwendete Ftnessfunkton übertragen werden. Glechzetg snd Bewegungen der Indvduen m Lösungsraum m allgemenen enfach zu nterpreteren 6. EA snd von hrer Natur her eher ausgelegt, quanttatv-numersche Verbesserungen zu machen, weshalb se sch hervorragend zur Parameteroptmerung egnen. De Ftnessfunkton st lecht um Nebenbedngungen zu erwetern und ermöglcht auch de Kombnaton von mehreren Zelfunktonen. Innerhalb der Fnanzwrtschaft gbt es velfältge Anwendungsmöglchketen: So können EA zur Bestmmung von Regeln für Ausfallwahrschenlchketen von Unternehmensanlehen auf Bass von Fundamentaldaten benutzt werden, für Credt Scorng, zum Data Mnng, zur Kredtanalyse, zur Portfolo-Selekton und zur Entwcklung von Handelsregeln für Akten- und Bond-Märkte 7. In deser Arbet beschränken sch de Anwendungen auf de Portfolo-Selekton, de Zetrehenprognose mt verschedenen Regressonsmodellen und auf de Optmerung von Handelsregeln auf Wechselkursen. In den folgenden dre Unterkapteln werden enge Arbeten mt EA-Verfahren auf desen Problemfelder aufgezählt und deren Inhalt skzzert. De m folgenden bespelhaft erwähnten Verfahren und Methoden werden zum Tel n Kaptel 4 näher erläutert. 3.1 Evolutonäre Algorthmen n der Portfolo-Selekton Auf de Portfolo-Selekton können EA sehr lecht angewendet werden, da es sch her ledglch um ene Parameteroptmerung handelt, und de Ftnessfunkton aus Rendte, Rsko und gegebenenfalls Nebenbedngungen abgeletet werden kann. Ene der früheren Arbeten, de EA erfolgrech zur Portfolo-Selekton verwendet, stammt von Arnone, Lorasch und Tettamanz 8. In deser Arbet beschreben de Autoren de prnzpelle Vorgehenswese, we de Portfolo-Selekton mt GA durchzuführen st. Zwe Jahre später haben se hren Ansatz um enen Dstrbuted Computng Ansatz erwetert 9. Dadurch konnten se erheblche Lestungsstegerungen be großen Populatonen errechen, spezell n sehr großen Lösungsräumen mt rund Assets. In ener späteren Arbet haben Chang, Meade, Beasly und Sharaha drekte Lestungsvergleche zwschen GA, Tabu Search und Smulated Annealng be der Anwendung auf de Portfolo-Selekton 4 Enen klenen Überblck gbt [JA00] über Anwendungen von GA n wrtschaftlchen Anwendungen, was allerdngs ncht den Endruck der Vollständgket erwecken darf. 5 EA-Verfahren benötgen prnzpell nur ene zu maxmerende Zelfunkton enes Problems, um en Problem lösen zu können. Darüber hnaus snd zusätzlche problemspezfsche Informatonen ncht nötg, können aber vortelhaft zur Stegerung der Performance der EA- Verfahren engesetzt werden. 6 Sehe herzu auch den Verglech zwschen Bt-Strng-Mutaton und Value-Mutaton n Kaptel Sehe [DM98], her fndet sch auch ene klene Lste von Referenzen zu den ewelgen Themengebeten. 8 Sehe [AL93] 9 Sehe [LT95] 9

10 durchgeführt 10. Se fanden heraus, dass das GA-Verfahren m Verglech zu den anderen Verfahren noch de besten Ergebnsse brachten. Doch n der Konsequenz wurde von hnen ene Kombnaton von allen dre Verfahren befürwortet. Shapcott verwendet enen GA n Kombnaton mt quadratschem Programmeren zum Index Trackng 11. Dazu benutzt er en zwestufges Optmerungsverfahren: En GA optmert de Untermenge von Assets, de aus dem Asset-Unversum ausgewählt werden soll 12. Und de optmale Gewchtung nnerhalb enes GA-Indvduums (=Untermenge von Assets) wrd mttels quadratscher Programmerung bestmmt. Auf dese Wese wrd mt zwe parallel ablaufenden Optmerungsverfahren zum enen de Auswahl der günstgsten Untermenge und zum anderen der optmalen Gewchtung der Assets nnerhalb der Untermenge bestmmt. 3.2 Evolutonäre Algorthmen zur Zetrehenprognose In der Lteratur fnden sch mest zwe Strategen, um Zetrehenprognosen mt EA-Verfahren zu mplementeren. De ene wenger verbretete Stratege zur Zetrehenprognose besteht darn, de Auswahl von Inputgrößen oder Strategeparametern für klasssche Modelle mt EA zu optmeren. So verwenden Mnerva und Pol 13 enen GA, um de externen Parameter von ARMA-Modellen zu optmeren, mt guten Ergebnssen. De andere Stratege benutzt enen GP zur Symbolschen Regresson. Her kann als Ftnessmaß für den GP m enfachsten Fall de quadratsche Abwechung der GP-Prognose zur realen Zetrehe verwendet werden. Berets Koza, der Erfnder des GP-Verfahrens, n senem Buch "Genetc Programmng" 14 en Bespel zur Zetrehenprognose durch Symbolsche Regresson gegeben, um en ökonometrsches Modell zu reproduzeren. Es handelt sch um enen erfolgrechen Versuch, ene bekannte ökonometrsche Glechung aus realen Zetrehen zu reproduzeren. Koza benutzt dazu n deser Arbet den kanonschen GP zur Symbolschen Regresson ohne spezelle Anpassungen oder Erweterungen. Yoshhara, Aoyama und Yasunaga schlugen zur Zetrehenprognose enen erweterten zwestufgen GP vor 15, welcher de Beschränkung von GP auf statsche prädetermnerte Konstanten nnerhalb des GP-Programmbaums aufhebt. In der ersten Stufe verwenden se den kanonschen GP für de Symbolsche Regresson und n ener darunter legenden zweten Stufe ene Gradentensuche, n der de Konstanten, de nnerhalb des GP verwendet werden, optmert werden. Es handelt sch n deser Arbet m wesentlchen um en lamarkstsches Modell, welches auch m Anhang n Unterkaptel näher erläutert wrd. Erfolgrech waren Santn und Tettamanz be enem Wettbewerb zur Vorhersage des Dow Jones, ns Leben gerufen von der CEC 2000, den se gegen de Konkurrenz gewannen, ndem se enen GP zur multplen Punktprognose des Dow Jones ansetzten 16. Ursprünglch wollten se ARCH- und GARCH- Modelle zur Prognose verwenden und ledglch de Parameter durch enen EA anpassen. Stattdessen kamen se zum Schluss, dass der kanonsche GP für deses Problem geegneter se. Um de Performance von Prognosemodellen zu verbessern, de durch en EA-Verfahren erzeugt wurden, führt Zemke en baggng Verfahren zur Synthese ener Populaton von EA- Prognosemodellen en 17. Das baggng Verfahren basert dabe m wesentlchen auf enem Mehrhetswahlverfahren, wodurch Zemke de Performance der gewchteten Prognose der ganzen Populaton m Verglech zu enem enzelnen Prognosemodell des besten Indvduums deutlch verbessern konnte. 3.3 Evolutonäre Algorthmen zur Optmerung von Handelsregeln Ene andere Stratege zur Vorhersage von Zetrehen besteht darn, Handelsregeln zu entwckeln, welche de zu prognostzerenden Größen als Asset handeln. So können m Idealfall Umkehrpunkte der Zetrehe dentfzert werden. Werden Handelsaktonen nach den optmerten Regeln smulert, kann der erzelte Gewnn, eventuell abzüglch von Transaktonskosten, als drektes Ftnessmaß für 10 Sehe [CM98] 11 Sehe [SJ92] 12 Dazu defnert en GA-Indvduum n desem Fall ene Asset-Untermenge des Asset-Unversums, welche de Assets enes noch zu optmerenden Portfolos stellt. 13 Sehe [MP01] 14 Sehe [KJ92a] Sete 245 ff. 15 Sehe [YA00] 16 Sehe [ST01] 17 Sehe [ZS99] 10

11 den EA verwendet werden. Mest werden GP-Agenten für solche Modelle verwendet, es snd aber auch Learnng Classfer Systems erfolgrech angewendet worden. Ene der früheren Arbeten mt ener GP-Stratege stammt von Allen und Karalanen aus dem Jahr In deser Arbet stellen de Autoren fest, dass der GP ncht n der Lage st, de enfache Buy&Hold-Stratege n der Out-Of-Sample-Menge zu schlagen. Des glt nsbesondere dann, wenn Transaktonskosten hnzukommen. Des deutet edoch eher auf en Overfttng-Problem 19 hn als auf en systematsches Versagen des GP, denn sonst hätte der GP auch de Buy&Hold-Stratege als gültge Lösung produzert. De Autoren stellen aber fest, dass der GP tatsächlch marktrelevante Größen n sene Handelsstratege mt enbezeht und rrelevante Größen gnorert. Ready veröffentlchte 1997 ene krtsche Betrachtung von Allen und Karalanens Arbet 20. Er bemängelt, dass de Transaktonskosten und de Kaufzetpunkte relatv zum Sgnal der GP- Handelsregeln ncht korrekt mplementert werden. Weter fndet er heraus, dass de von Allen und Karalanen gefundenen, mttlerwele fünf Jahrealten, Regeln hre Gültgket verloren hatten. Er schleßt, dass ene perodsche Neubestmmung von Handelsregeln nötg zu sen schent, um Regmebrüchen m Markt gerecht zu werden. Er muss edoch weter feststellen, dass trotz der vorgeschlagenen Verbesserungen der GP de Buy&Hold-Stratege ncht schlagen kann. Jonsson, Madd und Mordal benutzen den kanonschen GP, um Handelsregeln auf Wechselkursen zu optmeren 21. Se wederholen n regelmäßgen Abständen de Optmerung der Handelsregeln, um en Overfttng zu vermeden. Se verwenden en realstsches Handelsmodell mt Transaktonskosten und Intraday Kaufs- und Verkaufskursen und konnten mt dem GO Handelsregeln fnden, de enen höheren Return erzelen als de Buy&Hold-Stratege, auch auf der Out-Of-Sample-Menge. Iba und Sasak verwenden enen GP, um Handelsregeln für den Nkke225 zu optmeren 22. Als Benchmark wrd her leder nur en tranertes Neuronales Netz verwendet, so dass en Bezug zu den Ergebnssen und der Krtk der vorgenannten Arbeten schwer fällt. Auch schenen her begrenzende Nebenbedngungen we Transaktonskosten und der zetlche Abstand zwschen Kaufsgnal und Kauf wenger betont zu sen. Hervorzuheben st be deser Arbet edoch, dass der Enfluss der Auswahl der m GP verwendeten Operatoren näher untersucht wrd. Dabe werden erheblche Unterschede n der Performance des GP e nach verwendeten Operatoren festgestellt. Ene wetere nteressante Arbet veröffentlchten Neely, Weller und Dttmar, n der se Handelsregeln für mehrere Wechselkurse mt GP optmeren 23. De n deser Arbet gefundenen Regeln lefern sowohl auf der In-Sample-Menge gute Ergebnsse we auch auf der Out-Of-Sample-Menge. De Autoren zegen mt Hlfe der Boot-Strappng-Methode 24, dass durch den GP Regeln gefunden werden, de ncht durch statstsche Modelle abgedeckt werden können. Pctet, Dacorogna, Chopard, Oussadene, Schrru und Tomassn benutzen enen GA zur Entwcklung von Handelsregeln 25. In hrer Arbet betonen se de multmodale Struktur des entsprechenden Lösungsraums. Um dennoch ene ausrechende Performance auf der Out-Of-Sample-Menge zu erzelen, benutzen se Nschen- und Cluster-Modelle, um mehrere suboptmale Lösungen zu managen, de auf der In-Sample- und Out-Of-Sample-Menge gut performen. Deser Ansatz wrd später erwetert zu enem parallelverarbetenden GP zur Herletung von Handelsregeln 26. O Nell, Brabazon, Ryan und Collns verwenden ene Varante des GP, de Grammatcal Evoluton (GE) 27, um Handelsregeln auf dem UK FTSE 100 Index zu entwckeln 28. Se fnden dabe Regeln, welche de Buy&Hold-Stratege deutlch outperformen. Se krtseren de Arbet von Allen und Karalanen, da dese ncht beachten, dass der GP Regeln generert, de nur zu 57% der Zet m Markt 18 Sehe [AK99] "Usng genetc algorthms to fnd techncal tradng rules"; der Ttel st her etwas rreführend, tatsächlch verwenden de Autoren enen GP. 19 Unter Overfttng versteht man wenn de Performance des Optmerungsverfahrens auf der In-Sample- und der Out-Of-Sample-Menge über den zetlchen Verlauf des Optmerungsverfahrens zunächst anstegt, aber ab enem gewssen Punkt de Performance auf der Out-Of- Sample Menge weder abfällt. Insgesamt nmmt de Generalserungsfähgket der entwckelten Regeln be zunehmender Performance auf der In-Sample-Menge ab. Vergleche Unterkaptel Sehe [RM97] 21 Sehe [JM97] 22 Sehe [IS99] 23 Sehe [ND97] 24 Ene Enführung n de Boot-Strappng-Methode fndet sch n [TE98] 25 Sehe [OT95] 26 Sehe [OT97] 27 Ene Beschrebung von GE fndet sch n [OR01] 28 Sehe [OB01] 11

12 nvestert waren. Damt wesen de gefundenen Handelsregeln en anderes Rskoprofl auf als de enfache Buy&Hold-Stratege. Ene andere Möglchket, Handelsregeln mt EA zu entwckeln, snd - we berets erwähnt - Learnng Classfer Systems (LCS). En Bespel st de Arbet von Schulenburg und Ross, de LCS zur Optmerung von Handelsregeln verwenden 29. Das benutzte Handelsmodell erlaubt Long- und Short- Postonen und de Investton n ene rskofree Anlageform mt varablen Gewchtungen, ferner mplementert es realstsche Handelskosten. Se fnden mt dem LCS Handelsregeln, welche de Buy&Hold-Stratege outperformen. Se wesen darauf hn, dass de Lestung der LCS davon abhängg st, welche Inputs vorgegeben werden und damt, welche Struktur der Bedngungstel der LCS-Regeln hat. Problematsch st be all den Anwendungen von EA-Methoden zur Entwcklung von Handelsregeln, dass es ncht notwendgerwese Regeln gbt, de gefunden werden können, denn: Mt EA-Verfahren können nur technsche Analysen von Zetrehen vorgenommen werden. De verarbetbaren Datentypen beschränken sch zumest auf numersche Werte, weshalb prnzpell ncht alle öffentlch verfügbaren Daten, welche den Kurs beenflussen können, verwendet werden. Sobald es sch um enen schwach nformatonseffzenten Markt handelt, lassen sch durch technsche Analyse kene Überrendten erzelen 30. Dese Auflstung von Arbeten über EA n fnanzwrtschaftlchen Themenberechen st keneswegs vollständg. Se betet edoch ene gute Überscht über andere Arbeten zu Problemstellungen we se n deser Arbet untersucht werden. 29 Sehe [SR01] 30 Sehe [SB98], Sete 41f 12

13 4 Grundlagen Evolutonärer Algorthmen Um enen Überblck über de unterschedlchen EA-Verfahren, sehe Abb. 3, zu geben, werden dese m folgenden näher vorgestellt. Es wrd mt der Erläuterung von Genetschen Algorthmen (GA) n Unterkaptel 4.1 begonnen. Anschleßend wrd davon das Genetsche Programmeren (GP) n Unterkaptel 4.2 abgeletet. Aus desen beden Verfahren wederum wrd n Unterkaptel 4.3 der GA/P- Hybrd zusammengesetzt und sene Vortele beschreben. In Unterkaptel 4.4 werden de Evolutonsstrategen (ES) erklärt und n Unterkaptel 4.5 wrd en kurzer Ausblck auf Evolutonäres Programmeren (EP) gegeben. Als letzte der EA-Verfahren werden n Unterkaptel 4.6 Learnng Classfer Systems (LCS) vorgestellt. Für edes enzelne Verfahren wrd zunächst de allgemene Stratege beschreben und dann de enzelnen Schrtte mt enfachen exemplarschen Methoden erläutert. Spezell zum GA fndet sch m Anhang en explztes Bespel. Das Unterkaptel 4.7 beschrebt das modulare Konzept, welches n desem EA-Tool mplementert wurde. Abbldung 3: De verschedenen EA-Verfahren, de m folgenden beschreben werden und verwandte Verfahren. Zunächst sollen an deser Stelle enge Begrffe und Abkürzungen defnert werden, welche m folgenden häufg verwendet werden. Dabe kommen dese Begrffe zum enen aus dem Berech der Bologe und zum anderen aus dem Berech der Computerwssenschaften. Oft konnten sch n der Lteratur de Begrffe aus der Bologe etableren. Se sollen n Tab. 1 enander gegenübergestellt werden: Tabelle 1 Bologe Abkz. Computerwssenschaften Populaton A(s) Menge von möglchen Lösungen zum Zetpunkt s. Aussterbende A' ( s) Ene Untermenge derengen Lösungen zum Zetpunkt s, Indvduen Indvduum (s) Ftness a Φ a ) = e de sch ncht n de nächste Generaton fortpflanzen. Struktur, de ene Lösung repräsentert. st der Index der Lösung nnerhalb der Menge A(s). ( Lösungsqualtät, problemspezfsch. Generaton s Verfahrensteraton Genotyp, Chromosom a = S Coderte Lösung, z.b.: bem GA ene Kette von Zechen, Strng genannt. Snd de Zechen Bts {0,1}, so wrd der Strng Bt-Strng genannt. Phenotyp Γ( a ) a ( s) Decoderte Lösung. Gen Allel, = a = w x Das -te Wort aus l Zechen nnerhalb des Strngs des Indvduums a. = Γ En decodertes Wort oder der Wert enes Attrbutes. = Γ( w Base {Adenn, Cytodn, / k Guann, Thynn} Elternpool ) ( a, ) a = b B(s k ) En Zechen m Strng des Indvduums a an der Stelle k. Bem Bt-Strng mt dem Alphabet {0,1}. Pool von Lösungen, aus denen de Eltern der nächsten 13

14 Generaton ausgewählt werden können Elternpopulaton B' ( s) Zur Reprodukton ausgewählte Lösungen, zu Eltern gepaart. Zur Reprodukton ausgewählte Lösung aus B (s). Elter b (s) C(s) Nachkommenpopulaton Aus der Kombnaton von Lösungen entstandene neue Menge von Lösungen. Nachkomme c (s) Aus der Kombnaton von Lösungen entstandene neue Lösung. Crossover Varatonsmethode, de Elemente verschedener Lösungen mscht, m folgenden auch Rekombnaton genannt. Mutaton Varatonsmethode, de ene Lösung verändert. Populatonsgröße µ Mächtgket der Menge von Lösungen n A(s), externer Verfahrensparameter. Anzahl der λ Mächtgket der Menge der neuen Lösungen für de Nachkommen nächste Generaton, externer Verfahrensparameter. Umwelt Smulator der Problemumwelt, er stellt exogene Inputvarabeln zur Verfügung, smulert das Indvduum n der Umwelt und bestmmt de Lösungsqualtät. Zet t Smulatonszet. Autonom Indvduum agerendes α (s) GP- oder GA/P-Agent 31, der mt sener Umwelt nteragert. Es kann sene Umwelt wahrnehmen und n der Umwelt autonom ageren. Verhalten α, (s) Der -te Programmbaum enes Agenten. Weter sollen de m folgenden benutzten typografschen Konventonen n Tab. 2 erläutert werden: Tabelle 2 Schrftart oder Symbol Bedeutung Schrebmaschnenschrft Text n Schrebmaschnenschrft steht für JAVA-Code und Varablen oder Text we er auf dem Bldschrm erschent als Text En- oder Ausgabe. Fettschrft Fettschrft m Text oder n Codezelen kennzechnet reserverte Wörter n JAVA. Kursve Fettschrft Kursve Fettschrft n Codezelen kennzechnet spezfsche Obekte des EA-Tools. [ ] Eckge Klammern m Text bezechnen entweder Wertebereche oder n Codebespelen optonale Elemente. Kursvschrft Kursvschrft m Text bezechnet Varablen oder n Codebespelen varable Parameter, wobe dann der so gekennzechnete Text ncht wortwörtlch abgeschreben werden darf. TASTEN Dese Schrftart wrd für Tasten auf der Tastatur oder Bedenungselemente des Interfaces des EA-Tools verwendet. Bespel: Drücken Se ENTER, um de Engabe zu bestätgen. 31 Sehe [RN 95] Sete 7 14

15 4.1 Enführung n Genetsche Algorthmen De allgemene Vorgehenswese be GA st n Abb. 4 dargestellt und gestaltet sch we folgt: Nachdem ene zufällge Anfangspopulaton A(0) mt µ Indvduen ntalsert wurde, wrd de Ftness Φ=e aller µ Indvduen n der Populaton bestmmt 32. Dann wrd de Ftness e umgerechnet n ene Selektonswahrschenlchket p. Proportonal zu deser Selektonswahrschenlchket werden zufällg λ Elternpaare B (s) mt Zurücklegen ausgewählt. Dese Elternpaare erzeugen durch Rekombnaton λ Nachkommen C(s), de anschleßend noch mutert werden. De neue Generaton A(s+1) entsteht aus ener Kombnaton von A(s), abzüglch ener Menge von aussterbenden Indvduen A (s) und zuzüglch der neuentstandenen Nachkommen C(s). Im folgenden wrd zunächst de Struktur enes GA-Indvduums erläutert, sene Intalserung und danach de Bestmmung der Ftness e durch de Problembeschrebung. Anschleßend werden Bespele für de enzelnen Verfahrensschrtte gegeben: Zuerst für de Berechnung der Selektonswahrschenlchket p für en Indvduum aus dem Ftnesswert e, dann ene Selektonsmethode und schleßlch ene Rekombnatons- und ene Abbldung 4: Allgemenes Schema des GA-Verfahrens. Mutatonsmethode für GA. Zuletzt werden n desem Unterkaptel verschedene Strategen vorgestellt, we neue Generatonen aus A(s), A (s) und C(s) bestmmt werden können, m folgenden auch Generatonsstrategen genannt Indvduum En GA-Indvduum besteht aus ener Kette von Zechen, enem sogenannten Strng S. Im enfachsten Fall st edes Zechen b k (=a /k, das k-te Zechen n der Strngrepräsentaton des -ten Indvduums) m Strng en Bt є{0,1}. En Strng mt enem solchen Alphabet wrd auch Bt-Strng genannt 33.EnStrng besteht aus L Zechen, de n zusammenhängenden Gruppen zu Wörtern w geordnet werden. Im enfachsten Fall snd de Wörter m Strng mmer glech lang 34, dann st be n Wörtern mt ewels l Zechen der Strng L=n*lZechen lang. De Anzahl n der verwendeten Wörter und de Länge l enes Wortes hängen von der Problemstellung ab. Im enfachsten Fall st daher en GA-Indvduum über den Bt-Strng S defnert : a } L = S = ( a / 1, a / 2,..., a / L ) {0,1, sehe auch Abb Typsche Werte für de Populatonsgröße µ legen be GA zwschen 50 und 500 Indvduen. 33 Allgemener können belebge Zechen für den Strng zugelassen werden. 34 Des wrd als Hollands fxed-length Codng bezechnet, be der l für alle Worte glech und über de Zet konstant st. Dese Varante wrd auch n deser Implementaton des EA-Tools verwendet. En Wort st nnerhalb des EA-Tools mmer l=32 Zechen (Bt) lang. 15

16 De decoderten Wörter m Strng enes Indvduums werden m folgenden auch als de Attrbute x des Indvduums bezechnet. Dabe st das Attrbut x dem -ten Wort des Strngs zugeordnet. Wörter enthalten n bnärcoderter Form den Wert des zugehörgen Attrbutes. Das coderte Wort wrd auch als Gen bezechnet, das decoderte Wort oder der Wert des Attrbutes wrd auch als Allel bezechnet. Abbldung 5: Bt-Strng enes Indvduums a Coderung: Genotyp Phänotyp Oft coderen Worte n GA-Anwendungen reelle Zahlen. Dese Attrbute snd dann mmer bezüglch des darstellbaren Zahlenberechs und darstellbarer Genaugket begrenzt, da endlche Wortlängen verwendet werden müssen. Wenn der Werteberech für en numersches Attrbut fre gewählt wrd, so ergbt sch damt glechzetg de Genaugket des Attrbutes be gegebener Länge l des Worts. En enfaches bnäres Coderungsverfahren für en Wort w mt der oberen Wertgrenze o und der unteren Grenze u mt der Länge l wäre: o l u z 1 Γ( a, ) = Γ( w ) = Γ( a / * l, a / * l+ 1,..., a / * l+ l 1 ) = u + a l / + 2 = x 2 1 z= 1 ( l z+ 1) Dese Coderung wrd Standard-Bnärcoderung genannt. Verglechbare Coderungen fnden sch n modernen Datenverarbetungssystemen. Werden zum Bespel de obere und untere Wertgrenze für ene numersche Varable x 0 enes Problems mt u 0 =-1 und o 0 =2 festlegt und pro Wort nur l=5 Zechen verwendet, so folgt ene Genaugket für x 0 von etwa ener Nachkommastelle. De nachfolgende Tab. 3 wurde mt der obengenannten Glechung erzeugt: Tabelle 3 Bnär codertes Wort, w 0 : Numerscher Wert, Attrbut x o : Intalserung Bem GA wrd der Bt-Strng der Indvduen mt zufällgen Btwerten so ntalsert, dass de erste Generaton den Lösungsraum möglchst gut abdeckt und de Gefahr vermndert wrd, durch ene ungünstge Intalserung auf enem suboptmalen Berech des Lösungsraums beschränkt zu bleben Problembeschrebung In der Problembeschrebung wrd de Struktur der Indvduen problemspezfsch angelegt und de Ftnessfunkton defnert. Se benhaltet also de Elemente Strukturerung und Bewertung der Indvduen 36. De Struktur enes Indvduums muss so festgelegt werden, dass es alle problemrelevanten Attrbute enthält und alle gültgen Problemlösungen darstellen kann. De Bewertung erfolgt, ndem en Indvduum als gültge Lösung nterpretert und entsprechend sener Qualtät beurtelt wrd. En enfaches Bespel st de Maxmerung enes Funktonswertes. 35 Problemspezfsche Intalserungsmethoden snd möglch und können de Performance zusätzlch stegern. Im allgemenen snd edoch problemspezfsche Intalserungsmethoden ncht nötg. 36 Dese Notaton st berets an das n deser Arbet mplementerte modulare Konzept für EA-Verfahren angelehnt. 16

17 Se de Zelfunkton 2 F( x) = ( x 10) für 0 x 63 gegeben. In desem Fall recht ene Varable x zur Beschrebung ener gültgen Lösung für deses Optmerungsproblem aus. Werden nur ganzzahlge Werte für x zugelassen, besteht der Bt-Strng enes Indvduums für deses Problem nur aus enem Wort 37 mt der Länge l = 4, nämlch dem Attrbut x. De Bewertung erfolgt durch de Ftnessfunkton Φ. Für en Indvduum a wäre de Ftnessfunkton für dese Problemstellung gegeben durch: Φ( a ) = e = F( Γ( a )) En explztes Bespel zu der obengenannten Ftnessfunkton fndet sch m Anhang Unterkaptel 8.1. En GA st m allgemenen so ausgelegt, dass de Ftnessfunkton maxmert wrd, denn es werden mmer Indvduen mt ener größeren Ftness e be der Selekton bevorzugt. Soll de Zelfunkton mnmert werden, so könnte de Ftnessfunkton we folgt defnert werden: 1 Φ( a ) = e = für F( Γ( a )) 0 F( Γ( a )) Ftnessnormerung Be der Ftnessnormerung werden de Ftnesswerte e aller Indvduen a n Selektonswahrschenlchketen p umgerechnet. Dabe werden de Ftnesswerte von enem Werteberech [mn(e ), max(e )] auf enen Werteberech [0,1] umgerechnet. Zusätzlch muss gelten: p = 1 Ene für verschedene Problemstellungen geegnete Normerungsmethode st de Skalerte Ftnessnormerung 38 : p = p ( a ) = Φ( a ) Mnl ( Φ( al )) = Φ( a ) Mn ( Φ( a )) l l e Mnl ( el ) e Mn ( e ) De Ftnessnormerung st nötg, um das EA-Verfahren auf unterschedlchen Problemstellungen verwenden zu können. Damt das Konvergenzverhalten des Verfahrens möglchst unabhängg st vom ewelgen Problem, nsbesondere von der Beschaffenhet der Zelfunkton hnschtlch des möglchen Werteberechs und der Skalerung Selekton Ene verbretete GA-Selektonsmethode 40 st de Roulette-Wheel-Selekton: Her wrd edem Indvduum a auf enem Glücksrad en Abschntt zugewesen, dessen Größe proportonal zu sener Selektonswahrschenlchket p st, sehe Abb. 6. Dann wrd doppelt so oft Roulette gespelt we Elternpaare für de nächste Generaton benötgt werden. De selekterten Elternpaare blden de Populaton B (s). En Indvduum kann dabe auch mehrmals als Elterntel ausgewählt werden und so auch mehrfach n der Elternpopulaton B (s) auftreten, des wrd Zehen mt Zurücklegen genannt. Der Erwartungswert (EW ), de wahrschenlche Anzahl von Nachkommen enes Indvduums, st: l l 37 De benötgte Länge für en Wort kann mt l =ln(a) bestmmt werden. A st dabe de Anzahl der Elemente, de codert werden sollen. In desem Fall st A = 64. l muss gegebenenfalls zu ener ganzen Zahl aufgerundet werden. 38 Dese Normerung st dskrmnerend, denn das schlechteste Indvduum hat ene Selektonswahrschenlchket von p =0 und kann ncht selektert werden. Ene ncht dskrmnerende Stratege würde edem Indvduum ene Selektonswahrschenlchket größer Null zuwesen. 39 Vergleche herzu auch Unterkaptel De mesten Selektonsmethoden n EA-Verfahren snd mehr oder wenger stochastscher Natur. 17

18 p ( a ) = EW λ Abbldung Rekombnaton De Rekombnaton (Crossover) bldet für GA de wchtgste Methode be der Suche n Lösungsraum nach neuen verbesserten Lösungen. De Rekombnaton vermscht de Gene der Eltern mtenander n Abhänggket von ener Crossoverwahrschenlchket 41 p c. Ene Methode st das Sngle-Pont-Crossover: Mt ener Wahrschenlchket von 1-p c snd de Nachkommen ledglch Kopen der Eltern. Anderenfalls werden de Nachkommen erzeugt, ndem ene glechvertelte Zufallszahl z aus [0,L] bestmmt wrd. An der Stelle z werden de Bt- Strngs der beden Elterntele aufgetrennt und für de Nachkommen kreuzwese vertauscht weder zusammengesetzt. Be der Auswahl der Kreuzungsstelle z wrd auf Wortgrenzen kene Rückscht genommen 42. De erzeugten Nachkommen blden de Abbldung 7: Bespel für Sngle-Pont-Crossover Populaton C(s). In der Abb. 7 wrd der Anschaulchket wegen en Nachkomme und sen Komplement erzeugt. Da aber en Elternpaar nur enen Nachkommen erzeugen soll, wrd der tatsächlche Nachkomme per Zufall bestmmt Mutaton Gewöhnlch wrd de Mutaton be GA als Varatonsmethode von nachrangger Bedeutung engestuft. Se soll hauptsächlch verhndern, dass spezfsche Werte für Zechen an bestmmten Stellen nnerhalb des Bt-Strngs durch Crossover nfolge des Optmerungsverfahrens unwederbrnglch verloren gehen können. Be der enfachsten Mutaton wrd edes Bt a /k des Bt-Strngs enes Indvduums a mt der Mutatonswahrschenlchket p m nvertert 43. a' / k a / k (1 a / k Elmneren ), Wahrschenlchket : (1 p, Wahrschenlchket : p m Um bem Generatonswechsel Platz n der Populaton A(s) für de λ Nachkommen C(s) zu schaffen, müssen aus der Populaton A(s) λ Indvduen entfernt werden. In der enfachsten Varante wrd de alte Populaton A(s) komplett durch de Nachkommen ersetzt 44, dann st λ=µ. Der Antel der Populaton A(s), der entfernt wrd, wrd mt A (s) bezechnet. Um de Indvduen A (s) zu selekteren, de ersetzt werden sollen, kann ene der folgenden Strategen verwendet werden: entferne de schlechtesten Indvduen 45 entferne zufällg ausgewählte Indvduen 46 verwende belebges Selektonsverfahren 47 mt negatver Ftness 48 m ) 41 En Standardwert für de Crossoverwahrschenlchket st p c =0,6 42 De Wortgrenzen nnerhalb des Bt-Strngs snd nur für de Coderungs-/Decoderungsmethoden wchtg, ncht für Varatonsmethoden, de sch auf den Genotyp bezehen. 43 En Standardwert für de Mutatonswahrschenlchket p m be GA st p m = 0,01-0,001. Im allgemenen sollte de Mutatonswahrschenlchket p m so gewählt werden, dass etwa ene Bt-Inverson pro Indvduum auftrtt. Dann st de Mutatonswahrschenlchket p m umgekehrt proportonal zu der Gesamtlänge L=l*n des Bt-Strngs, p m 1/L. 44 Deses Vorgehen wrd Generatonal GA genannt. 45 Deses Verfahren kann zu vorzetger Konvergenz führen, da der Selektonsdruck sehr hoch st. Sehe dazu auch den Anhang. 46 Zur Zet st nur deses Verfahren m EA-Tool mplementert. 18

19 Damt st en Generatonsschrtt komplett vollendet worden, und en Generatonswechsel kann durchgeführt werden, um de Verfahrensschrtte für de nächste Generaton zu wederholen Generatonsstrategen Es gbt für den GA verschedene Strategen, we ene neue Generaton A(s+1) aus der alten Generaton und den neuerzeugten Nachkommen entstehen kann. Es folgt en Ausblck auf de dre wesentlchen Strategen, welche m EA-Tool mplementert wurden. De Varablen λ und µ snd externe Verfahrensparameter Generatonal GA Bem Generatonal GA wrd de alte Populaton A(s) be edem Generatonswechsel komplett durch C(s) ersetzt: A( s + 1) C( s) ; A ( s + 1) = C( s) = µ = λ ; A '( s) = A( s) Steady-State GA Be enem Steady-State GA 49 wrd pro Zetschrtt mmer nur en Indvduum ener Populaton durch en neues Indvduum ersetzt. Es werden nur zwe Eltern aus der Populaton A(s) für den enen Nachkommen ausgewählt. Deser Nachkomme wrd n de Populaton engefügt, ndem en ausgewähltes Indvduum n der Populaton ersetzt wrd. A ( s + 1) ( A( s) A' ( s)) + C( s) ; A( s + 1) = µ ; C( s) = A' ( s) = 1 Es kann ede belebge Selektonsmethode verwendet werden, um de Eltern des Nachkommens auszuwählen, vergleche Kaptel Generaton Gap und CHC Um zwschen Generatonal GA und Steady-State GA zu nterpoleren, führte De Jong den Generaton Gap en 50. Dabe gbt λ den Antel der Populaton an, welcher be edem Generatonswechsel ausgetauscht werden soll. Mt dem Generaton Gap kann auch der Generatonal GA mt λ = µ und der Steady-State GA mt λ =1 nachgebldet werden. Allgemen glt: A ( s + 1) ( A( s) A' ( s)) + C( s) ; A( s + 1) = µ ; C( s) = A' ( s) Eshelman führte enen evolutonären Algorthmus namens CHC Adaptve Search Algorthm en, be dem ene neue Populaton erzeugt und der alten Populaton hnzugefügt wrd, bevor de Selekton stattfndet 51. Je größer der Generaton Gap g = µ / λ, desto klener st m allgemenen de genetsche Drft. Der CHC hat ene halb so starke genetsche Drft we der Generatonal GA Eltsmus Bem Eltsmus wrd de beste bsher gefundene Lösung aus A(s) über den Generatonswechsel hnaus n der Populaton A(s+1) bebehalten 53. So werden Rückschrtte n der Entwcklung vermeden, de entstehen können, wenn de Varaton der neuen Generaton so unglücklch st, dass berets gefundene gute Lösungen zerstört werden. = λ 47 Zu den verschedenen Selektonsmethoden sehe auch Kaptel Unter negatver Ftness soll her verstanden werden, dass proportonal deengen Indvduen selektert werden sollen, welche de schlechteste Ftness bestzen. 49 Steady-State GA wurden n [RA99a] und [RA00b] näher untersucht. Im allgemenen snd für den Steady-State GA der Selektonsdruck und de genetsche Drft doppelt so stark we bem Generatonal GA, wenn aus e zwe Eltern mmer nur en Nachkomme erzeugt wrd. Der Steady-State GA schent deshalb doppelt so schnell zu konvergeren, aber dafür deckt er den Suchraum ncht so gut ab we der Generatonal GA. 50 Sehe [DJ93] 51 Sehe [EL91], deses Verfahren fndet auch Verwendung be Evolutonsstrategen. 52 DegenetscheDrftfür Steady-State EA, Generaton Gap und für CHC wurde n [RA 99b] näher untersucht. Nähere Informatonen zu genetscher Drft fndet sch m Anhang n Kaptel Der Eltsmus st n sener enfachsten Varante m EA-Tool mplementert. Der Überschtlchket wegen wrd der Eltsmus ncht n den Ablaufschemata und Pseudocodes aufgeführt. 19

20 Es können bem Eltsmus nur das beste Indvduum bebehalten werden oder auch ene ganze Gruppe von besten Indvduen Abbruchkrterum Es gbt verschedene Möglchketen zu bestmmen, wann das Optmerungsverfahren abgebrochen werden kann: Nach Ablauf ener vorher bestmmten Zetperode wrd das EA-Verfahren abgebrochen. De Zetperode bezeht sch her auf absolute Zet, da de benötgte Rechenzet pro Generaton für das EA-Verfahren über de Generatonen schwanken und ncht prognostzert werden kann 55. Das EA-Verfahren wrd nach ener bestmmten Anzahl von Generatonen abgebrochen. Das Verfahren wrd abgebrochen, wenn sch de Populaton über enen längeren Zetraum ncht mehr verbessert. Des kann sch auf de beste Performance oder de mttlere Performance bezehen. Es kann de Dfferenz der In- und Out-Of-Sample Performance benutzt werden, um festzustellen, wann de gefundenen Lösungen ncht mehr generalseren 56, und ob um Overfttng zu vermeden en Abbruch des Verfahrens snnvoll sen kann. In dem vorgestellten EA-Tool kann nur de Anzahl von Generatonen vorgegeben werden, de smulert werden soll. De Smulaton kann zur Zet ncht vorzetg abgebrochen werden. 54 Ene nteressante Erweterung wrd n [EL01] vorgeschlagen, wo de besten Indvduen ener Generaton n ener begrenzten "Best of" Populaton gespechert werden. Wenn durch enen Regmewechsel de Performance des EA unter ene Scherhetsschwelle snkt, wrd dese "Best of" Populaton n der aktuellen Populaton engefügt, ndem schlechte Indvduen ersetzt werden. So kann be wederkehrenden Regmen n zetdynamschen Problemräumen ene deutlch bessere Performance erzelt werden. En Bespel zu enem Regmewechsel fndet sch n Unterkaptel Ene Ursache kann zum Bespel das Anwachsen von Programmbäumen bem GP sen. 56 Allgemene Regeln, de für enen langen Zetraum gelten und Systemegenschaften abblden, generalseren, während spezalserte Regeln, ähnlch dem Auswendglernen, oft nur kurze Zeträume gelten. 20

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1 Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen Klasssche Gatter und Logkelemente Semnarvortrag zu Ausgewählte Kaptel der Quantentheore Quantenalgorthmen Gerd Ch. Krzek WS 2003 I. Grundlagen und Methoden der Logk: Im folgenden soll de Konstrukton und

Mehr

2. Spiele in Normalform (strategischer Form)

2. Spiele in Normalform (strategischer Form) 2. Spele n Normalform (strategscher Form) 2.1 Domnante Strategen 2.2 Domnerte Strategen 2.3 Sukzessve Elmnerung domnerter Strategen 2.4 Nash-Glechgewcht 2.5 Gemschte Strategen und Nash-Glechgewcht 2.6

Mehr

Innovative Handelssysteme für Finanzmärkte und das Computational Grid

Innovative Handelssysteme für Finanzmärkte und das Computational Grid Innovatve Handelssysteme für Fnanzmärkte und das Computatonal Grd von Dpl.-Kfm. Mchael Grunenberg Dr. Danel Vet & Dpl.-Inform.Wrt. Börn Schnzler Prof. Dr. Chrstof Wenhardt Lehrstuhl für Informatonsbetrebswrtschaftslehre,

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten von Lernverfahren Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

ifh@-anwendung ifh@-anwendung Technische Rahmenbedingungen Welche Mindestvoraussetzungen müssen erfüllt sein?

ifh@-anwendung ifh@-anwendung Technische Rahmenbedingungen Welche Mindestvoraussetzungen müssen erfüllt sein? FH@-Anwendung Für de Umsetzung von Strukturfonds-Förderungen st laut Vorgaben der EU de Enrchtung enes EDV- Systems für de Erfassung und Übermttlung zuverlässger fnanzeller und statstscher Daten sowe für

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

Die Zahl i phantastisch, praktisch, anschaulich

Die Zahl i phantastisch, praktisch, anschaulich Unverstät Würzburg 977 Würzburg Telefon: (91 888 5598 De Zahl phantastsch, praktsch, anschaulch De Geschchte der Zahl war dre Jahrhunderte lang dadurch geprägt, dass se und damt de kompleen Zahlen n Mathematkerkresen

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

Energie, Masse und Information

Energie, Masse und Information Energe, Masse und Informaton Professor Dr. Klaus Hofer De Beschrebung unserer Welt mt Hlfe der ver Naturelemente Feuer, Wasser, Erde, und Luft geht auf den grechschen Naturphlosophen Empedokles (473 v.ch.)

Mehr

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik Quant der das Verwelken der Wertpapere. De Geburt der Fnanzkrse aus dem Gest der angewandten Mathematk Dmensnen - de Welt der Wssenschaft Gestaltung: Armn Stadler Sendedatum: 7. Ma 2012 Länge: 24 Mnuten

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

F A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik

F A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik F A C H H O C H S C H U L E W E D E L Semnararbet Informatk n der Fachrchtung Wrtschaftsnformatk Themenberech Künstlche Intellgenz Thema Nr. 3 Dskrmnanzanalyse Engerecht von: Erarbetet m: Patrck Wolf Wedeler

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

1.1. Problemstellung und Zielsetzung

1.1. Problemstellung und Zielsetzung 1 1. Enführung Auf de Frage nach dem geegneten Zetpunkt für de Enführung ener radkal neuen Technologe oder von nnovatven Produkten mt deser Technologe, schent de Antwort offenschtlch: so schnell we möglch.

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung Software Oberkategore Unterkategore Kompetenzstufe Voraussetzung Kompetenzerwerb / Zele: InDesgn CS4 Layoutgestaltung Erste Schrtte - Anlegen enes Dokumentes I a (Enfache Nutzung) kene N o 1a Umgang mt

Mehr

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik) Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:

Mehr

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften Ertragsmanagementmodelle n servceorenterten IT- Landschaften Thomas Setzer, Martn Bchler Lehrstuhl für Internetbaserte Geschäftssysteme (IBIS) Fakultät für Informatk, TU München Boltzmannstr. 3 85748 Garchng

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Qualitative Evaluation einer interkulturellen Trainingseinheit

Qualitative Evaluation einer interkulturellen Trainingseinheit Qualtatve Evaluaton ener nterkulturellen Tranngsenhet Xun Luo Bettna Müller Yelz Yldrm Kranng Zur Kulturgebundenhet schrftlcher und mündlcher Befragungsmethoden und hrer Egnung zur Evaluaton m nterkulturellen

Mehr

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes?

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes? Hat de Wahl des Performancemaßes enen Enfluss auf de Beurtelung von Hedgefonds-Indzes? Von Martn Elng, St. Gallen, und Frank Schuhmacher, Lepzg Ene zentrale Fragestellung n der wssenschaftlchen Ausenandersetzung

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen. IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R Temporäre Stlllegungsentschedungen mttels stufenweser Grenzkostenrechnung E W U F W O R K I N G P A P E R Mag. Dr. Thomas Wala, FH des bf Wen PD Dr. Leonhard Knoll, Unverstät Würzburg Mag. Dr. Stephane

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

Nullstellen Suchen und Optimierung

Nullstellen Suchen und Optimierung Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS AUF DIE BEURTEILUNG VON HEDGEFONDS-INDIZES? MARTIN ELING FRANK SCHUHMACHER WORKING PAPERS ON RISK MANAGEMENT AND INSURANCE NO. 10 EDITED BY HATO SCHMEISER

Mehr

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1 Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Mobile Sicherheit durch effiziente Public-Key-Verschlüsselung

Mobile Sicherheit durch effiziente Public-Key-Verschlüsselung Moble cherhet durch effzente ublc-key-verschlüsselung Hagen loog Drk Tmmermann Unverstät Rostock, Insttut für Angewandte Mkroelektronk und Datenverarbetung Rchard-Wagner-tr., 9 Rostock Hagen.loog@un-rostock.de

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

Mehr

Erfahrung. Innovation.

Erfahrung. Innovation. Erfahrung. Innovaton. Erfolg. Maschnen-/ Anlagenbau >>> 11:55 PM consultants GmbH ERFOLG BENÖTIGT VORBEREITUNG. LERNEN SIE UNS KENNEN. Wr beten Ihnen Lösungen für das Projekt- und Clam Management, welche

Mehr

ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG INSTITUT FÜR INFORMATIK

ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG INSTITUT FÜR INFORMATIK ALBERT-LUDWIGS-UNIVERSITÄT FREIBURG INSTITUT FÜR INFORMATIK Arbetsgruppe Autonome Intellgente Systeme Prof. Dr. Wolfram Burgard Lernen von Lnenmodellen aus Laserscannerdaten für moble Roboter Dplomarbet

Mehr

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. ZWEI ODER MEHRERE METRISCHE MERKMALE 5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe

Mehr

Operations Research II (Netzplantechnik und Projektmanagement)

Operations Research II (Netzplantechnik und Projektmanagement) Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

Steuerungsverfahren und ihre Datenstrukturen 09 - Netzplantechnik

Steuerungsverfahren und ihre Datenstrukturen 09 - Netzplantechnik und hre Datenstrukturen 9-9....2 9. Zetplanung...2 9.. CPM... 3 9..2 PERT... 9..3 MPM... 5 9..4 Verglech zwschen CPM und MPM... 22 9.2 Ausblck: Kosten- und Kapaztätsplanung...23 9.3 Entschedungsnetzpläne...24

Mehr

Prognose freier Rechenkapazitäten zur besseren utzung von Grid-Ressourcen

Prognose freier Rechenkapazitäten zur besseren utzung von Grid-Ressourcen Prognose freer Rechenkapaztäten zur besseren utzung von Grd-Ressourcen Von der Fakultät für Mathematk, Naturwssenschaften und Informatk der Brandenburgschen Technschen Unverstät Cottbus zur Erlangung des

Mehr

Was haben Schüler und Großbanken gemein?

Was haben Schüler und Großbanken gemein? Armn Fügenschuh Aleander Martn Was haben Schüler und Großbanken gemen? Mathematsche Modellerung Analyse und Lösung am Bespel des Rucksackproblems Unter gegebenen Randbedngungen optmale Entschedungen zu

Mehr

Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES

Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES 1 Enletung Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES Zel der Messung: Das Träghetsmoment des Rotors enes Elektromotors und das daraus resulterende de Motorwelle bremsende drehzahlabhängge

Mehr

Entscheidungsprobleme der Marktforschung (1)

Entscheidungsprobleme der Marktforschung (1) Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft

Zukunft der Arbeit Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft "Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Datenträger löschen und einrichten

Datenträger löschen und einrichten Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe

Mehr

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012

Mehr

VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE

VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE Y. L*, S-O. Han*, T. Pfeffer** *) Fachgebet Systemzuverlässgket und Maschnenakustk, TU Darmstadt **)

Mehr

Ingenieurmonitor Fachkräftebedarf und -angebot nach Berufsordnungen und regionalen Arbeitsmärkten

Ingenieurmonitor Fachkräftebedarf und -angebot nach Berufsordnungen und regionalen Arbeitsmärkten Methodenbercht Ingeneurmontor Fachkräftebedarf und -angebot nach Berufsordnungen und regonalen Arbetsmärkten n Kooperaton mt: Veren Deutscher Ingeneure e.v. (VDI) VDI-Platz 1 40468 Düsseldorf Ansprechpartner

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14

Die Ausgangssituation... 14 Das Beispiel-Szenario... 14 E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern

Mehr

5. Transmissionsmechanismen der Geldpolitik

5. Transmissionsmechanismen der Geldpolitik Geldtheore und Geldpoltk Grundzüge der Geldtheore und Geldpoltk Sommersemester 2013 5. Transmssonsmechansmen der Geldpoltk Prof. Dr. Jochen Mchaels Geldtheore und Geldpoltk SS 2013 5. Transmssonsmechansmen

Mehr

Entwurf und Implementierung eines Programmsystems zur Analyse und Prognose der Ergebnisse von Mannschaftsspielen am Beispiel der Fußballbundesliga

Entwurf und Implementierung eines Programmsystems zur Analyse und Prognose der Ergebnisse von Mannschaftsspielen am Beispiel der Fußballbundesliga Entwurf und Implementerung enes Programmsystems zur Analyse und Prognose der Ergebnsse von Mannschaftsspelen am Bespel der Fußballbundeslga Studenarbet m Studengang Informatk vorgelegt von Carsten Bansemr

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

5 Branch-and-Bound Verfahren

5 Branch-and-Bound Verfahren 65 5 Branch-and-Bound Verfahren 5.1 Grundstruktur des Branch-and-Bound Verfahrens Das Branch-and-Bound Verfahren st en exaktes Verfahren für dskrete Optmerungsprobleme. Es wurde n den 60zger Jahren vorgestellt

Mehr

9 Diskriminanzanalyse

9 Diskriminanzanalyse 9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe

Mehr

Diplomprüfung für Kaufleute 2001/I

Diplomprüfung für Kaufleute 2001/I Dplomprüfung für Kaufleute 00/I Prüfungsfach: Unternehmensfnanzerung und Betrebswrtschaftslehre der Banken Thema : a) Warum st es trotz Rskoaverson der Markttelnehmer möglch, be der Bewertung von Optonen

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr