Diplomarbeit aus dem Jahr 2002 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Hochschule Karlsruhe - Technik und Wirtschaft (Institut fuer Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)), Sprache: Deutsch, Abstract: Die vorliegende Arbeit ist in 8 Kapitel gegliedert. Das dem einleitenden Kapitel 1 folgende Kapitel 2 beschaeftigt sich mit der Thematik "neuronale Netze". Nach einer kurzen Einfuehrung, einem historischen UEberblick und der Verbindung zu dem biologischem Vorbild folgt eine Darstellung des Aufbaus von simulierten, kuenstlichen neuronalen Netzen. Das letzte Unterkapitel 2.8 beschaeftigt sich schliesslich mit dem "Lernen" in neuronalen Netzen. Es enthaelt eine Unterscheidung der Arten des Lernens, sowie anschliessend eine formale Darstellung von einigen bedeutenden Lernregeln. Kapitel 3 behandelt kurz den Nutzen und den Aufbau evolutionaerer Algorithmen, bevor im Anschluss daran deren Eigenschaften und Entwicklung erklaert werden. Im Kapitel 4 werden einige Grundlagen zum Bereich Finanzprognosen dargestellt. Es wird sowohl auf Renditegenerierungsprozesse als auch auf die Markteffizienzthesen von Fama, die technische und fundamentale Analyse, sowie die nichtlineare Analyse von Finanzmaerkten eingegangen. Im sich anschliessenden Kapitel 5 werden drei bestehende Ansaetze neuronaler Netze im Bereich der Finanzwirtschaft vorgestellt, bevor im Kapitel 6 Moeglichkeiten und Probleme der reinen Zeitreihenprognose mittels NN eroertert werden. In den, in Kapitel 7 vorgestellten, in JAVA realisierten Prognosetools, wird die reine Zeitreihenprognose bzw. technische Zeitreihenanalyse verwendet, im Gegensatz zu Prognosetechniken, welche verschiedene weitere (oekonomische) Faktoren benutzen. Diese Beschraenkung musste gemacht werden, um nicht den Rahmen der hier vorliegenden Arbeit zu sprengen. Nach einer Erklaerung der Struktur der verwendeten neuronalen Netze, auf denen die Prognosetools aufbauen, folgt eine Darstellung eines objektorie
