edoc-Server der Humboldt-Universität zu Berlin

Dissertation

Autor(en): Jesús Emeterio Navarro Barrientos
Titel: Adaptive investment strategies for different scenarios
Gutachter: Hans-Dieter Burkhard; Frank Schweitzer; Kai Nagel
Erscheinungsdatum: 20.09.2010
Volltext: pdf (urn:nbn:de:kobv:11-100175713)
Fachgebiet(e): Informatik
Schlagwörter (ger): intelligente Agenten, agentenbasierte Modelle, genetische Algorithmen, Investitionsstrategien, maschinelles Lernen, Oekonophysik, Vermoegensverteilung
Schlagwörter (eng): intelligent agents, agent-based models, genetic algorithms, investment strategies, machine learning, econophysics, wealth distribution
Einrichtung: Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät II
Lizenz: Namensnennung - Keine kommerzielle Nutzung - Keine Bearbeitung (CC BY NC ND)
Zitationshinweis: Navarro Barrientos, Jesús Emeterio: Adaptive investment strategies for different scenarios; Dissertation, Humboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät II , publiziert am 20.09.2010, urn:nbn:de:kobv:11-100175713
Metadatenexport: Um den gesamten Metadatensatz im Endnote- oder Bibtex-Format zu speichern, klicken Sie bitte auf den entsprechenden Link. Endnote   Bibtex  
print on demand: Wenn Sie auf dieses Icon klicken, können Sie ein Druckexemplar dieser Publikation bestellen.
Diese Seite taggen: Diese Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer ansehen können.
  • connotea
  • del.icio.us
  • Furl
  • RawSugar

Abstract (ger):
Die folgende Arbeit befasst sich mit den Untersuchungen von Problemen der Optimierung von Ressourcen in Umgebungen mit unvorhersehbarem Verhalten, wo: (i) nicht alle Informationen verfügbar sind, und (ii) die Umgebung unbekannte zeitliche Veränderungen aufweist. Diese Dissertation ist folgendermaßen gegliedert: Teil I stellt das Investitionsmodell vor. Es wird sowohl eine analytische als auch eine numerische Analyse der Dynamik dieses Modells für feste Investitionsstrategien in verschiedenen zufälligen Umgebungen vorgestellt. In diesem Investitionsmodell hängt die Dynamik des Budgets des Agenten x(t) von der Zufälligkeit der exogenen Rendite r(t) ab, wofür verschiedene Annahmen diskutiert wurden. Die Heavy-tailed Verteilung des Budgets wurde numerisch untersucht und mit theoretischen Vorhersagen verglichen. In Teil II wurde ein Investitionsszenario mit stilisierten exogenen Renditen untersucht, das durch eine periodische Funktion mit verschiedenen Arten und Stärken von Rauschen charakterisiert ist. In diesem Szenario wurden unterschiedliche Strategien, Agenten-Verhalten und Agenten Fähigkeiten zur Vorhersage der zukünftigen r(t) untersucht. Hier wurden Null-intelligenz-Agenten, die über technischen Analysen verfügen, mit Agenten, die über genetischen Algorithmen verfügen, verglichen. Umfangreiche Ergebnisse von Computersimulationen wurden präsentiert, in denen nachgewiesen wurde, dass für exogene Renditen mit Periodizität: (i) das wagemutige das vorsichtige Verhalten überbietet, und (ii) die genetischen Algorithmen in der Lage sind, die optimalen Investitionsstrategien zu finden und deshalb die anderen Strategien überbieten. Obwohl der Schwerpunkt dieser Dissertation im Zusammenhang mit dem Gebiet der Informatik präsentiert wurde, können die hier vorgestellten Ergebnisse auch in Szenarien angewendet werden, in denen der Agent anderere Arten von Ressourcen steuern muss, wie z.B. Energie, Zeitverbrauch, erwartete Lebensdauer, etc.
Abstract (eng):
The main goal of this PhD thesis is to investigate some of the problems related to optimization of resources in environments with unpredictable behavior where: (i) not all information is available and (ii) the environment presents unknown temporal changes. The investigations in this PhD thesis are divided in two parts: Part I presents the investment model and some analytical as well as numerical analysis of the dynamics of this model for fixed investment strategies in different random environments. In this investment model, the dynamics of the investor''s budget x(t) depend on the stochasticity of the exogenous return on investment r(t) for which different model assumptions are discussed. The fat-tail distribution of the budget is investigated numerically and compared with theoretical predictions. Part II investigates an investment scenario with stylized exogenous returns characterized by a periodic function with different types and levels of noise. In this scenario, different strategies, agent''s behaviors and agent''s capacities to predict the future r(t) are investigated. Here, ''zero-intelligent'' agents using technical analysis (such as moving least squares) are compared with agents using genetic algorithms to predict r(t). Results are presented for extensive computer simulations, which shows that for exogenous returns with periodicity: (i) the daring behavior outperforms the cautious behavior and (ii) the genetic algorithm is able to find the optimal investment strategy by itself, thus outperforming the other strategies considered. Finally, the investment model is extended to include the formation of common investment projects between agents. Although the main focus of this PhD thesis is more related to the area of computer science, the results presented here can be also applied to scenarios where the agent has to control other kinds of resources, such as energy, time consumption, expected life time, etc.
Zugriffsstatistik: Die Daten für die Zugriffsstatistik der einzelnen Dokumente wurden aus den durch AWStats aggregierten Webserver-Logs erstellt. Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
 
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen (insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert auf eine der Dateien (Kapitel) des Dokuments angezeigt.
 
Um die detaillierten Zugriffszahlen zu sehen, fahren Sie bitte mit dem Mauszeiger über die einzelnen Balken des Diagramms.
Startseite: 5 Zugriffe PDF: 12 Zugriffe Startseite: 1 Zugriffe PDF: 4 Zugriffe Startseite: 5 Zugriffe PDF: 5 Zugriffe Startseite: 12 Zugriffe PDF: 10 Zugriffe Startseite: 5 Zugriffe PDF: 4 Zugriffe Startseite: 2 Zugriffe PDF: 7 Zugriffe Startseite: 8 Zugriffe PDF: 14 Zugriffe PDF: 10 Zugriffe PDF: 12 Zugriffe Startseite: 2 Zugriffe PDF: 13 Zugriffe Startseite: 11 Zugriffe PDF: 18 Zugriffe Startseite: 1 Zugriffe PDF: 14 Zugriffe PDF: 11 Zugriffe PDF: 15 Zugriffe PDF: 27 Zugriffe PDF: 11 Zugriffe Startseite: 5 Zugriffe PDF: 23 Zugriffe PDF: 17 Zugriffe Startseite: 1 Zugriffe PDF: 15 Zugriffe Startseite: 3 Zugriffe PDF: 20 Zugriffe Startseite: 4 Zugriffe PDF: 11 Zugriffe PDF: 9 Zugriffe Startseite: 4 Zugriffe PDF: 19 Zugriffe Startseite: 3 Zugriffe PDF: 17 Zugriffe Startseite: 1 Zugriffe PDF: 14 Zugriffe Startseite: 4 Zugriffe PDF: 11 Zugriffe Startseite: 2 Zugriffe PDF: 14 Zugriffe Startseite: 4 Zugriffe PDF: 17 Zugriffe Startseite: 3 Zugriffe PDF: 26 Zugriffe PDF: 29 Zugriffe Startseite: 2 Zugriffe PDF: 23 Zugriffe
Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Feb
12
Apr
12
May
12
Jun
12
Jul
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Monat Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Feb
12
Apr
12
May
12
Jun
12
Jul
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Startseite 5 1 5 12 5 2 8     2 11 1         5   1 3 4   4 3 1 4 2 4 3   2
PDF 12 4 5 10 4 7 14 10 12 13 18 14 11 15 27 11 23 17 15 20 11 9 19 17 14 11 14 17 26 29 23

Gesamtzahl der Zugriffe seit Jul 2011:

  • Startseite – 88 (2.84 pro Monat)
  • PDF – 452 (14.58 pro Monat)
 
 
Generiert am 24.04.2014, 18:48:11