CEF 2001, New Haven

Genetic Neural Fuzzy Explorer

GENEFER

Konzeption, Technologien und Einsatzmöglichkeiten

Eric RinghutMuenster Institute for Computational Economics

ringhut.mice@uni-muenster.de

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

▌ ▌ ▌ ▌