Überblick über künstliche neuronale Netze - KNN

Wie das KNN arbeitet
Wie der Lernvorgang funktioniert

Der eigentliche Traum von einem hochentwickelten Computer war nicht die hochgezüchtete Rechenmaschine, die wir heute kennen, sondern die Nachahmung der menschlichen Intelligenz. Gerade die Entwicklung von sogenannter künstlicher Intelligenz (KI) ist aber eigentlich mehr eine Geschichte der Irrtümer und Rückschläge - es ist viel schwieriger, vielseitige Intelligenz zu erzeugen, als die Forscher Jahrzehntelang dachten. In vielen spezielleren Fällen gibt es aber inzwischen gute Ergebnisse. Besonders künstliche neuronale Netze (KNN) haben ihren Platz in der Datenverarbeitung gefunden.

Ein normaler Computer braucht sehr genaue Anweisungen - ein Programm. Das arbeitet er mit hoher Präzision und Geschwindigkeit Befehl für Befehl ab, wobei er keinen Fehler verzeihen kann: Er verarbeitet die Eingabedaten digital, also mit Nullen und Einsen, mit Ja und Nein, dazwischen kennt er nichts.

Ein künstliches neuronales Netz arbeitet völlig anders: Es ist dem Gehirn bzw. dem Nervensystem nachgebildet. Statt eines Programms hat es eine Struktur von Zellen (biolog.: Neuronen) und Verbindungen (biolog.: Synapsen). Wie im Gehirn auch gibt es einen Bereich, der "wahrnimmt": Was bei uns Menschen die Sinnesorgane an das Gehirn liefern, liefern beim KNN die sogenannten "Eingabeneuronen". In weiteren sog. verdeckten Schichten liegen Nervenzellen ähnlich wie die grauen Zellen unserer Großhirnrinde. Hier wird gelernt, die "Sinneswahrnehmung" verarbeitet. Auf der anderen Seite gibt es beim KNN ein Ausgabeneuron - den "Mund" des Systems, der das Ergebnis verkündet. Dabei ist das KNN fehlertolerant und kann schließlich Entscheidungen treffen. So werden KNN heute bereits an verschiedenen Stellen für Mustererkennung eingesetzt, zum Beispiel zum Erkennen von Gesichtern: Es wird mit vielen Bildern trainiert und muss dann entscheiden, ob ein ihm bisher unbekanntes Bild "bekannt vorkommt" - so wie wir alte Bekannte auf der Straße wiedererkennen, auch wenn wir sie das letzte Mal vor Jahren mit einer anderen Frisur gesehen haben.

Natürlich ist ein neuronales Netz viel kleiner als das Gehirn - deswegen kann es auch immer nur eine einzige Aufgabe lernen und verarbeiten. Daher setzen wir Distributed Computing ein und verteilen viele verschiedene Aufgaben an unsere Mitglieder, um die Vielseitigkeit zu erreichen, die man für Börsenprognosen braucht.

Wie das KNN arbeitet - Informationsverarbeitung

Jedes Neuron (Nervenzelle) der verdeckten Schichten und jede Verbindung (Synapse) erhält zu Anfang einen zufälligen Zahlenwert. Bei den Neuronen sind das die sogenannten Schwellenwerte und bei den Verbindungen die sogenannten Gewichtungen. Die Eingabe-Neuronen erhalten die Eingabekurse als Werte. Die Neuronen bekommen nun über die Verbindungen eine Information, die nur dann weitergeleitet wird, wenn dieser Wert größer ist als der Schwellenwert des Neurons. Man spricht dann davon, dass das Neuron "feuert".

Die KNN von MoneyBee® werden auf Börsenkurse angesetzt. An die Eingabeneuronen ("Sinnesorgane") unserer neuronalen Netze legen wir Hunderte einzelner Börsendaten als Werte an. Die werden in die verdeckten Schichten hineingemeldet: Sie beeinflussen über die Gewichte der Verbindungen und die Schwellenwerte die Informationsgehalte der Neuronen, die zwischen ihnen und dem Ausgabeneuron liegen. Die Informationen fließen also von Eingabe-Neuronen bis zu Ausgabe-Neuronen durch das Netz ("Forward Propagation").

Die Eingabeneuronen erhalten aus der Vergangenheit Tag für Tag eine Art Lagebericht der Börse. Das Netz speichert seine Erfahrungen als Schwellenwerte und Gewichtungen und beginnt die Prozedur von neuem - es schaut sich sozusagen Tausende von Börsendaten immer wieder an, bis es in den Daten gewisse Muster erkennt, die als Werte der Neuronen und Verbindungen gespeichert sind.

Im Wesentlichen arbeitet das KNN wie ein Mensch, der Börsenkurse verfolgt: Er schaut sich Börsendaten an, bewertet sie und lernt aus der Vergangenheit. Dann versucht er, aus dieser Erfahrung auf die Zukunft zu schließen - wobei im Gegensatz zum Menschen das KNN nicht weiß, was die Daten bedeuten. Dollar, Dax, Nemax, DowJones - für das Netz sind das nur Zahlenwerte. Daher ist es unbestechlich und in der Prognose-Aussage ehrlich, da es keine Hintergedanken oder Wunschvorstellungen haben kann, die die Analyse verfälschen. Dazu braucht das KNN aber eine Methode, zu lernen.

Wie das KNN arbeitet - der Lernvorgang

Solange das neuronale Netz noch nichts gelernt hat, sind die Prognosen schlecht - zu Anfang wurden ja Gewichte und Schwellenwerte zufällig gewählt. Nun setzt das Training des neuronalen Netzes ein und der Lernalgorithmus verändert die Gewichte und Schwellenwerte, wobei als Grundlage der tatsächliche Prognosewert herangezogen wird. Es findet also eine Art von überwachtem Lernen statt, bei dem der "Lehrer" (wir, die Programmierer von MoneyBee®) das eigentliche Ergebnis (historische Kursverläufe) kennt und dem "Schüler" (dem neuronalen Netz) nach seiner Berechnung zum Vergleich präsentiert. Diese beiden Werte sollen schließlich so eng beieinander liegen wir möglich - die Differenz muss minimiert werden. Das ist der Kern des eigentlichen Lernvorgangs: die sogenannte "Error Backpropagation"-Methode, die 1984 entwickelt wurde. Dabei pflanzt sich die Fehlermeldung andersherum als die Information fort, also rückwärts von den Ausgabe-Neuronen zu den Eingabe-Neuronen, wobei sich die Gewichte und Schwellenwerte verbessern sollen.

Diese Prozedur läuft unzählige Male hintereinander ab, wobei immer andere Muster (Datensätze) benutzt werden. Ein komplettes Muster (Datensatz) besteht aus den Eingabe-Informationen (Kursdaten) und dem bekannten historischen Ergebnis-Kurswert. Sind alle Muster einmal durchgespielt, ist ein Zyklus beendet (siehe Bildschirmschoner-Grafik, Wabe links unten). Die Reihenfolge der Muster innerhalb eines Zyklus wird zufällig gewählt.

Das Training wird abgebrochen, wenn eine festgelegte Zahl von Zyklen oder eine bestimmte Rechenzeit erreicht wurde oder wenn keine Verbesserung des Netzes mehr erwartet werden kann, was man daran erkennt, dass viele Zyklen hintereinander keine Verbesserung mehr gebracht haben (siehe Lernkurve, Bildschirmschoner-Grafik linke obere Wabe). Dann ist das Netz fertig trainiert und steht für "echte" Prognosen, also Prognosen, die sich dann wirklich auf die Zukunft beziehen, bereit. Dazu muss es nur mit den aktuellen Daten "gefüttert" werden, d.h. mit Aktienkursen, die sich bis zum heutigen Tag erstrecken. Es wird dann einmal die "Forward Propagation"-Prozedur aufgerufen und man erhält sofort die gewünschte Prognose- viel Zeit brauchen KNN nur zum Trainieren, beim eigentlichen Berechnen sind sie sehr schnell. Diesmal muss der "Lehrer" aber warten, bis der Prognosezeitraum verstrichen ist, um seinen "Schüler" zu überprüfen. Dann erst kann die Qualität der echten Prognose ermittelt werden. Wir veröffentlichen auch diese Daten dann auf de.moneybee.net - regelmäßiger Besuch auf unseren Seiten lohnt sich also.

Natürlich hat der einzelne PC keine Neuronen - sie werden mit einem herkömmlichen Programm "simuliert". Am besten kann man sich das als sehr komplexe Tabelle vorstellen, in der sich die Werte gegenseitig nach einem aufwendigen Algorithmus gegenseitig beeinflussen können - eine komplizierte Matrix, die in der Lage ist, zu lernen.