Full Description
Tobias Schneider stellt einen neuen Typus von Recommender-Systemen vor, der auf der Modellierung von Praferenzen in experimentellen Designs beruht und bei dem neuronale Netze als neue, flexible Methode der Praferenzmodellierung fungieren. In einer Beispielapplikation untersucht er die Eignung seines Ansatzes als Empfehlungssystem fur Investmentfonds, wobei die Rendite-Risiko-Trade-Offs von Kapitalanlegern im Vordergrund stehen.
Contents
1 Einleitung.- 2 Einordnung als Recommender System.- 2.1 Hintergrund der Entwicklung von Recommender Systemen.- 2.2 Nutzen von Recommender Systemen.- 2.3 Typen von Recommender Systemen.- 3 Methodische Grundlagen eines PBRS.- 3.1 Fundierung in der experimentellen Wirtschaftsforschung.- 3.2 Kompositionelle und dekompositionelle Ansätze.- 3.3 Bestimmung relevanter Eigenschaften.- 3.4 Entscheidungsmodelle und PBRS.- 3.5 Zweistufiger Präferenzbildungsprozeß.- 3.6 Experimentelles Design.- 3.7 Präferenzmessung und Skalierung.- 3.8 Gütekriterien bei der Berechnung von Präferenzfunktionen.- 3.9 Präferenzmodellierung mittels Conjoint Analyse.- 3.10 Präferenzmodellierung mit Neuronalen Netzen.- 3.11 Validitätsvergleich mit Artificial Data.- 4 Grundlagen eines PBRS für Investmentfonds.- 4.1 Rahmenbedingungen für eine Online-Anlageberatung.- 4.2 Anlageberatung — Ausgangspunkte und Qualitätsdefizite.- 4.3 Portfolio-Theorie als Leitlinie der Anlageberatung.- 4.4 Operationalisierungen von Rendite und Risiko.- 5 cliXXon — ein PBRS für Investmentfonds.- 5.1 Technische und organisatorische Grundlagen von cliXXon.- 5.2 Empfehlungsprozeß bei cliXXon.- 5.3 Ergebnisse der Analyse.- 5.4 Implikationen.- 6 Zusammenfassung und Ausblick.
