Komplexe und einfache
Modellstrukturen in der
Entscheidungsunterstützung
Dr. László Pitlik,
GATE, Gödöllő, Ungarn
Fallvergleichende Klassifikation (CBR) und
Autonom Adaptive Agents (AAA)
für Prognoseaufgaben (Beispiel Aktienkursprognose)
Datenbasis
Ähnlichkeitsanalyse
Mit einer Objekt-Attribut-Struktur, wobei
die Zeilen beliebige Zeitpunkte (Tage) und
die Spalten beliebige Wirtschaftskennzahlen
(Aktienkurse) sind.
Bestimmung von beliebigen Zielmustern
und von beliebigen Funktionen zur
Quantifizierung der Ähnlichkeiten
zwischen Zielmustern und möglichen Mustern
in der Vergangenheit.
Prognose
Auswahl der besten Muster und
deren multidimensionalen Folgen,
als prognostizierte Zukunft
Strategieanalyse
Bestimmung von parametrisierten Regeln
zur Steuerung der Kauf-Verkaufstrategie,
Auswahl der besten Parameterwerte
EXCEL-DEMONSTRATION
Ähnlichkeitsanalyse
DATENBASIS
Tag(1)
Tag(i)
Tag(n)
ZIELMUSTERBILDUNG 1. Phase
Tag(127)
Tag(211)
Tag(255)
Tag(328)
Tag(333)
ZIELMUSTERBILDUNG 2. Phase
ZIELMUSTER
Tag(127)
Tag(211)
Tag(255)
Tag(328)
Tag(333)
ÄHNLICHKEITSANALYSE
Tag(127-i)
Tag(211-i)
Tag(255-i)
Tag(328-i)
Tag(333-i)
ÄHNLICHKEITSANALYSE
ÄHNLICHKEITSANALYSE
Kennzahl(1)
…
…
…
Kennzahl(j)
…
Werte
…
Kennzahl(m)
…
…
…
Kennzahl(2) Kennzahl(5)
aktiv
aktiv
aktiv
aktiv
Kennzahl(23)
aktiv
aktiv
FORMEL
aktiv
1
Kennzahl(2) Kennzahl(5)
0
1
0
0
1
AKTION
AKTION
aktiv
aktiv
aktiv
aktiv
aktiv
= wenn(Tag(R[-1]C)<=Tag(RC),1,0)
Kennzahl(2) Kennzahl(5)
1
1
1
0
1
Kennzahl(76)
1
Kennzahl(23)
0
Kennzahl(76)
0
0
1
0
0
Kennzahl(23)
1
Kennzahl(76)
1
0
1
0
0
= wenn(Zielmuster(RC)=Suchmuster([R-i]C),1,0)
= Bilde die Summe der Zahlen der aktiven Positionen!
EXCEL-DEMONSTRATION
Prognose (ohne Modifikationen)
0.62
0.6
0.58
?
….
0.56
0.54
0.52
0.5
0.48
0.46
0.44
1
5
9
13
17
21
25
29
33
37
41
45
Beste Annäherung
49
53
57
61
65
69
73
77
81
Ausgewählte Folge
= Prognose
85
89
93
97
Zielmuster
DEMONSTRATION
Autonom Adaptive Agents
Entscheidungsregel:
KAUFEN,
wenn der Prognosewert für den nächsten Tag = Kurs(gerade) * pk
VERKAUFEN,
wenn der Prognosewert für den nächsten Tag = Kaufkurs * pv
ansonsten WARTEN.
Erläuterung:
pk und pv = prozentual ausgedrückte Schwellenwerte, die anhand von den Vergangenheitsdaten
„optimiert” werden können. Die sog. Optimierung verkörpert nichts anderes, als die Suche nach
den besten Schwellenwerten für die letzten X-Tage.
Wichtiger Hinweis:
Alle vorgestellte DEMO-Komponenten können vom Entwickler frei gestaltet werden,
so dass die menschnlichen Erfahrungen und Hypothesen eine wichtige Rolle spielen.
Dadurch ist es überhaupt möglich, die unklare Kontrolle bei der Prüfung von
alternativen Lösungen pragmatisch zu überwinden.
Autonom Adaptive Agents
Parameter-Optimierung
120.00%
100.00%
80.00%
60.00%
40.00%
20.00%
100.00%-120.00%
80.00%-100.00%
60.00%-80.00%
40.00%-60.00%
0.00%
-20.00%
20.00%-40.00%
0.00%-20.00%
0.9
-40.00%--20.00%
-60.00%
-60.00%--40.00%
1.5
1.4
1.3
1.35
1.2
1.15
1.1
1
0.95
0.8
0.75
0.7
0.65
0.6
0.5
1.5
0.55
1.25
0.85
1
1.05
0.75
1.25
0.5
1.45
-20.00%-0.00%
-40.00%
Erläuterungen: Wie zu sehen ist, können Ertragsspitzen nur im Bereich erreicht werden,
wo die Verkaufparameterwerte über 1 und die Kaufparameterwerte unter 1 liegen.
Die senkrechte Axe zeigt die relativen Erträge. Das Potential für den Ertrag wird anhand
von den steigenden Kursintervallen und anhand von Transaktionskosten bestimmt.

Komplexe und einfache Modellstrukturen in der