cef 2001, new haven genetic neural fuzzy explorer genefer konzeption, technologien und...
TRANSCRIPT
CEF 2001, New Haven
Genetic Neural Fuzzy Explorer
GENEFER
Konzeption, Technologien und Einsatzmöglichkeiten
Eric RinghutMuenster Institute for Computational Economics
CEF 2001, New Haven
2
Gliederung
Idee und Motivation
Technologie Fuzzy-Mengen und Fuzzyregeln
Fuzzy Inferenz
Die Software GENEFER
Konjunkturprognosen und Ergebnisanalyse
CEF 2001, New Haven
3
Idee und Motivation
• Theoretische ModellkomponenteEine realitätsnähere Erwartungsbildungs-hypothese zu entwickeln, die speziell der Tatsache Rechnung trägt, dass Menschen in komplexen Umgebungen nicht vollkommen rational im Sinne Muth‘s handeln können.
• Praktische AnwendungskomponenteWissensbasiertes, KI-gestütztes Prognose-werkzeug für empirische Analysen als Alternative zur statistisch-ökonometrischen Methode.
▌ ▌ ▌ ▌
CEF 2001, New Haven
4
Klassifizierung von ErwartungshypothesenLe
rnfä
higk
eit
Wissensstandniedrig vollständig
extrem niedrig
extremhoch
statische Erwartungen
extrapolative Erwartungen
adaptive Erwartungen
rationale Erwartungen
adaptive Fuzzyregel-basierte Erwartungen
Grenze der Informationsverarbeitung
Gre
nze
des
Info
rmat
ions
umfa
ngs
regressive Erwartungen
▌ ▌ ▌ ▌
CEF 2001, New Haven
5
Anforderungen an eine „realitätsnähere“ Formulierung
• Explizite Wissensrepräsentation (Interpretierbarkeit)
• Berücksichtigung von Unsicherheit (bounded rationality)
• Erfahrungsabhängigkeit (Lernen)
adaptive Fuzzyregel-basierte Erwartungen
▌ ▌ ▌ ▌
CEF 2001, New Haven
6
Adaptive Fuzzyregel-basierte Erwartungen
Warum regelbasiert?Menschen suchen nach Regelmäßigkeiten in komplexen Situationen, mentale Modelle
Warum fuzzy?Unsicherheit über die genaue Funktionsweise des Marktes und der Interpretation von Daten
Warum adaptiv? Menschen lernen aus Erfahrungen und verwerfen Regeln, formulieren neue, modifizieren bestehende, etc.
▌ ▌ ▌ ▌
CEF 2001, New Haven
7
Beschreibung komplexer Systeme
formal: Mathematik/Statistik/Ökonometrie
anspruchsvoll/schwierig zu interpretieren aber oft notwendig, um gut Ergebnisse zu erzielen
sprachlich
gut zu verstehen aber ungenau/unscharf
▌ ▌ ▌ ▌
CEF 2001, New Haven
8
KI-Technologien in GENEFER
Fuzzy Logik
Genetische Algorithmen
Neuronale Netze
GENEFER
▌ ▌ ▌ ▌
CEF 2001, New Haven
9
Fuzzyregeln: Ein Beispiel
Wenn die Wachstumsrate der Geldmenge M3 hoch ist und die Outputlücke gering dann wird die EZB den Refinanzierungszinssatz stark anheben.
Wenn die Wachstumsrate der Geldmenge M3 hoch ist und die Outputlücke gering dann wird die EZB den Refinanzierungszinssatz stark anheben.
▌ ▌ ▌ ▌
CEF 2001, New Haven
10
4% 8%
mittel sehr hoch
Mengen und Fuzzy-Mengen
gM3
ZG
1,0hoch
0,8
0,3
6,8%
▌ ▌ ▌ ▌
CEF 2001, New Haven
11
Fuzzyregeln: sprachliche vs formale Ebene
Wenn Input 1 klein ist, dann ist Output hoch
Konditionalteil Konsekutivteil
Fuzzy Relation
▌ ▌ ▌ ▌
CEF 2001, New Haven
12
Fuzzy Inferenz I
gM3 EZB-Zinsänderung
6,8%
0,6
hoch starke Erhöhung
Konditionalteil Konsekutivteil
▌ ▌ ▌ ▌
CEF 2001, New Haven
13
Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...
Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...Wenn... und...dann...
Fuzzy Inferent II:Fuzzyregel-Basis
▌ ▌ ▌ ▌
CEF 2001, New Haven
14
Fuzzy Inferenz III
Wachstumsrate M3
ZG klein mittel hoch
Fuzzy Inferenzergebnismenge
scharfer Fuzzyregel-Basis Output
▌ ▌ ▌ ▌
CEF 2001, New Haven
15
Fuzzyregel-Basis-Generierung
Woher kommen die Fuzzyregeln für eine gegebene Problemstellung ?
GENEFER ist in der Lage, Fuzzyregeln automatisch aus einer Datenbank mit numerischen Input-Output Einträgen zu extrahieren.
▌ ▌ ▌ ▌
CEF 2001, New Haven
16
Parameter einer Fuzzyregel-Basis
w7
w6
w5
w4
w3
w2
w1
THENANDIF
THENANDIF
THENANDIF
THENANDIF
THENANDIF
THENANDIF
THENANDIF
Fuzzy-Mengen Parameter
(1)(2)
Regelgewichte
(3)Anzahl der Regeln
▌ ▌ ▌ ▌
CEF 2001, New Haven
17
KI-Technologien als Lernmethoden
NeuronaleNetze (EBP)
Genetische Algorithmen
-1
0
1
1
0
-1
-40
-30
-20
-10
0
10
20
30
40
F(x1;x2)
x1
x2
- 2
0
22
0
- 2- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
F ( x 1 ; x 2 )
x 1
x 2
▌ ▌ ▌ ▌
CEF 2001, New Haven
18
Filterungwahrge-nommene Umwelt
Weight IF Input1 AND Input2 THEN Output
1 low medium medium
2 low very high high
3 medium very low low
4 high very high high
5 low low low
6 high medium medium
7 high very low medium
8 medium low low
9 medium medium medium
10 high medium medium
scharfer Regelbasis
Output
Richtung der Informationsverarbeitung
linguistische Ebenereellwertige Ebene reellwertige Ebene
Fuzzy Inferenzprozess im Überblick
numerische Input- und Outputdaten
FuzzifizierungInferenz
(Fuzzy Regelbasis)Defuzzifizierung
numerischer Fuzzy Regel-basis-Output
▌ ▌ ▌ ▌
CEF 2001, New Haven
19
Entwurfschritte in GENEFER
(1) Input Identifizierung
(2) Fuzzifizierung
(3) Regelbasis-Entwurf- Generierung
- Simplifizierung
(4) Fuzzy Regelbasis-Tuning
▌ ▌ ▌ ▌
CEF 2001, New Haven
20
GENEFER
Universelles Werkzeug für Design, Handling und Analyse von Fuzzyregel-basen
Erwartungs-Generator für ökono-mische Simulationen via COM-Interface
Prognosewerkzeug
▌ ▌ ▌ ▌
CEF 2001, New Haven
21
Einsatzgebiete
- Insolvenzprognosen- Kreditwürdigkeitsprüfung- Betrugserkennung- Lieferantenbewertung- Antragsentscheidung- Finanzmarktprognosen- Absatzprognosen- ...
▌ ▌ ▌ ▌
CEF 2001, New Haven
22
Konjunkturprognosen live!
www. .de
▌ ▌ ▌ ▌