{"id":{"repo_id":"humboldt-diss","oai_identifier":"oai:edoc.hu-berlin.de:18452/14888"},"canonical_url":"https://search.dev.ndltd.org/etd/humboldt-diss/oai:edoc.hu-berlin.de:18452/14888","repository":{"repo_id":"humboldt-diss","name":"Humboldt Universität zu Berlin","base_url":"https://edoc.hu-berlin.de/server/oai/request"},"display":{"title":"Multiple nonlinear prediction of S&P500 returns using an ANFIS","abstract":"Diese Arbeit präsentiert mit dem ANFIS ein Konzept aus dem Machine Learning mit dessen Hilfe die Rendite des S&P500 nichtlinear vorhergesagt wird. In Anlehnung an Welch and Goyal (2008) wird als Vergleichsgröße zur Renditevorhersage der historische Durchschnitt der Rendite verwendet. Das ANFIS wird auf Daten angewendet, welche über 1-jährige Zeiträume und 2-jährige Zeiträume erhoben wurden. Bei der Verwendung der Daten der 1-jährigen Zeiträume gelingt es mit dem ANFIS nicht den historischen Durchschnitt der Rendite als Vergleichsgröße zu schlagen. Angewendet auf die Daten der 2-jährigen Zeiträume ist es jedoch möglich die Vergleichsgröße zu schlagen.","abstract_html":"Diese Arbeit präsentiert mit dem ANFIS ein Konzept aus dem Machine Learning mit dessen Hilfe die Rendite des S&P500 nichtlinear vorhergesagt wird. In Anlehnung an Welch and Goyal (2008) wird als Vergleichsgröße zur Renditevorhersage der historische Durchschnitt der Rendite verwendet. Das ANFIS wird auf Daten angewendet, welche über 1-jährige Zeiträume und 2-jährige Zeiträume erhoben wurden. Bei der Verwendung der Daten der 1-jährigen Zeiträume gelingt es mit dem ANFIS nicht den historischen Durchschnitt der Rendite als Vergleichsgröße zu schlagen. Angewendet auf die Daten der 2-jährigen Zeiträume ist es jedoch möglich die Vergleichsgröße zu schlagen.","abstract_has_math":false,"creators":["Winkel, David"],"institution":"Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015-02-24","date_published":"2015-02-24","updated_at":"2026-08-21T16:45:14Z","subjects":["Fuzzylogik","Fuzzy Inferenz System","Neurales Netzwerk","ANFIS","Machine Learning","Renditevorhersage","Fuzzy logic","fuzzy inference systems","neural networks","return prediction"],"languages":["eng"],"rights":["Namensnennung - Keine kommerzielle Nutzung - Keine Bearbeitung"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/de/"],"identifier_entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.18452/14236"],"render_values":[{"text":"https://doi.org/10.18452/14236","href":"https://doi.org/10.18452/14236","code":true}]}]},"links":{"outbound_url":"https://edoc.hu-berlin.de/18452/14888","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://edoc.hu-berlin.de/server/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Aedoc.hu-berlin.de%3A18452%2F14888","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Winkel, David"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2017-06-18T02:47:41Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2017-06-18T02:47:41Z"]},{"key":"dc:date.issued","label":"Date","values":["2015-02-24"]},{"key":"dc:publisher","label":"Institution","values":["Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät"]},{"key":"dc:type","label":"Dc Type","values":["masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Fuzzylogik","Fuzzy Inferenz System","Neurales Netzwerk","ANFIS","Machine Learning","Renditevorhersage","Fuzzy logic","fuzzy inference systems","neural networks","return prediction"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["Namensnennung - Keine kommerzielle Nutzung - Keine Bearbeitung"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/de/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.18452/14236"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://edoc.hu-berlin.de/18452/14888"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Diese Arbeit präsentiert mit dem ANFIS ein Konzept aus dem Machine Learning mit dessen Hilfe die Rendite des S&P500 nichtlinear vorhergesagt wird. In Anlehnung an Welch and Goyal (2008) wird als Vergleichsgröße zur Renditevorhersage der historische Durchschnitt der Rendite verwendet. Das ANFIS wird auf Daten angewendet, welche über 1-jährige Zeiträume und 2-jährige Zeiträume erhoben wurden. Bei der Verwendung der Daten der 1-jährigen Zeiträume gelingt es mit dem ANFIS nicht den historischen Durchschnitt der Rendite als Vergleichsgröße zu schlagen. Angewendet auf die Daten der 2-jährigen Zeiträume ist es jedoch möglich die Vergleichsgröße zu schlagen."]},{"key":"dc:title","label":"Title","values":["Multiple nonlinear prediction of S&P500 returns using an ANFIS"]}]}],"canonical_facts":{"dc:creator":["Winkel, David"],"dc:date.accessioned":["2017-06-18T02:47:41Z"],"dc:date.available":["2017-06-18T02:47:41Z"],"dc:date.issued":["2015-02-24"],"dc:description.abstract":["Diese Arbeit präsentiert mit dem ANFIS ein Konzept aus dem Machine Learning mit dessen Hilfe die Rendite des S&P500 nichtlinear vorhergesagt wird. In Anlehnung an Welch and Goyal (2008) wird als Vergleichsgröße zur Renditevorhersage der historische Durchschnitt der Rendite verwendet. Das ANFIS wird auf Daten angewendet, welche über 1-jährige Zeiträume und 2-jährige Zeiträume erhoben wurden. Bei der Verwendung der Daten der 1-jährigen Zeiträume gelingt es mit dem ANFIS nicht den historischen Durchschnitt der Rendite als Vergleichsgröße zu schlagen. Angewendet auf die Daten der 2-jährigen Zeiträume ist es jedoch möglich die Vergleichsgröße zu schlagen."],"dc:identifier.doi":["https://doi.org/10.18452/14236"],"dc:identifier.uri":["https://edoc.hu-berlin.de/18452/14888"],"dc:language.iso":["eng"],"dc:publisher":["Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät"],"dc:rights":["Namensnennung - Keine kommerzielle Nutzung - Keine Bearbeitung"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/de/"],"dc:subject":["Fuzzylogik","Fuzzy Inferenz System","Neurales Netzwerk","ANFIS","Machine Learning","Renditevorhersage","Fuzzy logic","fuzzy inference systems","neural networks","return prediction"],"dc:title":["Multiple nonlinear prediction of S&P500 returns using an ANFIS"],"dc:type":["masterThesis"]},"updated_at":"2026-08-21T16:45:14Z"}