Rating von Volkswirtschaften mit künstlich-neuronalen Netzen

Ratings gewinnen zunehmend an Bedeutung, da sie ein hochverdichtetes Datum darstellen, das leicht interpretiert werden kann und eine Grundlage zur Entscheidungsfindung bietet. Jedoch wird häufig nicht transparent, wie die Bewertungen zustande kommen. Stephan C. Kammerer stellt das Rating und den Ratingprozess formal fundiert dar und führt eine mikroökonomische Analyse des Nachfrageverhaltens unter Berücksichtigung unterschiedlicher Datenverdichtungsgrade durch. Der Autor konzipiert ein allgemeines Modell für künstlich-neuronale Netze und zeigt mit Hilfe thermodynamischer Algorithmen (Simulated Annealing und Threshold Accepting) eine neue Perspektive mit neuronalen Netzen auf. Er konstruiert ein Magisches Vieleck als Modell für Volkswirtschaften, das als Grundlage für Simulationen dient. Diese werden exemplarisch für die Arbeitsmärkte Japans, der USA und Deutschlands durchgeführt.

Autorentext

Dr. Stephan C. Kammerer ist leitender Berater im Bereich Software-Entwicklung bei der IBM Deutschland. Er promovierte 1999 bei Prof. Dr. Roland Fahrion, Universität Heidelberg.

Klappentext

Der Autor stellt das Rating und den Ratingprozess formal fundiert dar, führt eine mikroökonomische Analyse des Nachfrageverhaltens unter Berücksichtigung unterschiedlicher Datenverdichtungsgrade durch und zeigt eine neue Perspektive mit neuronalen Netzen auf.

Inhalt
1 Vorbemerkungen.- 2 Rating.- 3 Künstlich-neuronale Netze.- 4 Konzeption eines Magischen Vielecks und Entwicklung einer Datenbasis.- 5 Rating mit künstlich-neuronalen Netzen.- 6 Resümee.- Anhang I Semantik der Ratingsymbole.- Anhang II Standard International Trade Classification (SITC).- Anhang III Datenmaterial.- Anhang V Tests.- Anhang VI Diskriminanzfunktionen.- Literatur.- Namenregister.