Abstract. Business Intelligence im Financial Planning — Finanzmarktprognosen
auf der Basis von Musterkennung. Die Frage der Vorhersagbarkeit von
Finanzmarktentwicklungen bescháftigt Wissenschaft und Praxis seit Jahren. Die
vielfältigen, dynamischen Einflussfaktoren in diesem Markt stellen höchste
Anforderungen an die Aufgabe nachhaltig verlässliche Prognosen zu liefern.
Neue Verfahren der Business Intelligence, welche interdisziplinär Erkenntnisse
aus verschiedenen Wissenschaften wie z.B. der Bioinformatik und
Quantenphysik kombinieren, zeigen Erfolge. Der Vortrag zeigt die
grundsätzlichen Ansätze und die erzielte Resultate.
1 Der allgemeine Ansatz
1.1 Der Finanzmarkt — ein nicht - lineares, komplexes dynamisches System
Der Finanzmarkt ist ein nicht - lineares, komplexes dynamisches System, dessen
Verhalten von vielen externen und internen Faktoren beeinflusst wird. Dies ist ein
typisches Charakteristikum von natürlichen Systemen, deshalb beruht der im
Folgenden dargestellte Ansatz zur Vorhersage von Finanzmarktentwicklungen
wesentlich auf allgemeinen Erkenntnissen der Natur- und Kognitionswissenschaften.
Zentrale Gebiete sind dabei die Kognitionswissenschaften, die Quantenmechanik und
die Bioinformatik. Der Zweck ist, die Tiefenstrukturen des Finanzmarkts zu erkennen
und daraus zuverlässige Schlüsse für dessen Entwicklung zu ziehen.
1.2 Die Mustererkennung und Klassifikation als Atome der Kognition
Mustererkennung, Klassifikation und Feedbacklernen sind die Atome der Erkennung.
Entsprechend basiert der Kern des gewählten Ansatzes zur Erkennung von
Finanzmarktentwicklungen auf diesen Komponenten. Die Hauptmerkmale des
Ansatzes sind:
e das Erkennen von Mustern und Ähnlichkeiten;
e die optimale Klassifikation;
e die risikobasierte Quantifizierung der Vorhersagen;
e die Berücksichtigung von allem verfügbaren Input, welcher Evidenz haben
kann;
e das Zusammenbringen von menschlichem Erfahrungswissen und
maschineller Fähigkeit zur Komplexitätsbewältigung;
e das adaptive Feedbacklernen.
Die Kombination von menschlicher Erfahrung und — maschineller
Leistungsfähigkeit von Computern zur Komplexitätsbewältigung zum Sammeln von
möglichst viel Evidenz für die Entscheidungsfindung steht im Vordergrund. Die
38