Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung

BOOK
Ein Prognoseverfahren auf der Grundlage der Prädikatenlogik 1. Ordnung
- Authors: Diedrich, Ralf
- Series: Betriebswirtschaftliche Schriften, Vol. 135
- (1993)
Book Details
Pricing
Section Title | Page | Action | Price |
---|---|---|---|
Geleitwort | 7 | ||
Inhaltsverzeichnis | 9 | ||
Abbildungs- und Tabellenverzeichnis | 11 | ||
Abkürzungsverzeichnis | 12 | ||
Symbolverzeichnis | 13 | ||
I. Einleitung | 17 | ||
A. Zur Aktualität des Themas | 17 | ||
B. Problemstellung und Annahmen | 19 | ||
C. Aufbau der Arbeit | 20 | ||
II. Das Prognoseproblem bei der Unternehmungsbewertung | 22 | ||
A. Terminologische und dogmengeschichtliche Grundlagen der Unternehmungsbewertung | 22 | ||
B. Modell- und verfahrenstheoretische Grundlagen der Unternehmungsbewertung | 26 | ||
1. Modelle zur Strukturierung des Bewertungsproblems | 26 | ||
2. Verfahren zur Lösung des Bewertungsproblems | 30 | ||
C. Das Prognoseproblem als Bestandteil des Bewertungsproblems | 37 | ||
1. Einordnung und Charakterisierung des Prognoseproblems | 37 | ||
2. Zur Rationalität von Prognosen | 40 | ||
3. Aspekte der Qualität von Prognosen | 52 | ||
D. Traditionelle Ansätze zur Lösung des Prognoseproblems | 56 | ||
1. Mathematisch-statistische Verfahren: Die Regressionsanalyse | 57 | ||
2. Intuitive Verfahren: Die Delphi-Befragung | 62 | ||
3. Zusammenfassende Beurteilung | 64 | ||
III. Einführung in das vorgestellte Prognoseverfahren | 66 | ||
A. Allgemeine Charakteristika eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 66 | ||
B. Prinzipielle Arbeitsweise eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 69 | ||
C. Funktionaler Aufbau eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 72 | ||
IV. Repräsentation des prognoserelevanten Wissens und des Bedingungskomplexes der Prognose | 75 | ||
A. Konzeptualisierung des prognoserelevanten Wissens | 75 | ||
B. Auswahl einer geeigneten Repräsentationssprache | 80 | ||
C. Die Prädikatenlogik 1. Ordnung als Instrument zur Repräsentation prognoserelevanten Wissens und fallspezifischer Informationen | 83 | ||
1. Syntaktische und semantische Möglichkeiten zur Darstellung von Einflußfaktoren und prognoserelevanten Zusammenhängen | 83 | ||
2. Hornklauselmengen zur Abbildung prognoserelevanten Wissens und fallspezifischer Informationen | 89 | ||
D. Erweiterung der Prädikatenlogik 1. Ordnung zur probabilistischen Logik | 94 | ||
1. Von Wahrheitswerten zu Wahrscheinlichkeiten | 94 | ||
2. Anpassung der Semantik von Hornklauselmengen | 98 | ||
V. Ableitung von Prognosen mit Hilfe von Inferenzverfahren | 106 | ||
A. Deterministische Inferenz | 106 | ||
1. Resolution als grundlegende Inferenzregel | 106 | ||
2. Geordnete Input-Resolution mit Tiefensuche | 109 | ||
B. Probabilistische Inferenz | 117 | ||
1. Das Ideal der probabilistischen Inferenz | 117 | ||
2. Probabilistische Inferenz auf der Basis von Unabhängigkeitsannahmen | 119 | ||
3. Entropiemaximierende Inferenz | 126 | ||
4. Zur Verwendung von Wahrscheinlichkeitsintervallen | 132 | ||
VI. Automatisierter Erwerb prognoserelevanten Wissens aus Beispielen für Unternehmungsentwicklungen | 135 | ||
A. Ermittlung deterministischer Zusammenhänge | 135 | ||
1. Wissenserwerb als Suche nach konsistenten und vollständigen empirischen Generalisierungen | 135 | ||
2. Generalisierungs- und Spezialisierungsregeln | 140 | ||
3. Strategien zur Suche nach konsistenten und vollständigen empirischen Generalisierungen | 144 | ||
4. Heuristiken zur Auswahl erfolgversprechender Generalisierungs- oder Spezialisierungspfade | 151 | ||
5. Strukturierter und konstruktiver Erwerb prognoserelevanten Wissens | 155 | ||
B. Ermittlung probabilistischer Zusammenhänge | 160 | ||
C. Die Bedeutung des Vor- und Hintergrundwissens beim automatisierten Erwerb prognoserelevanten Wissens | 165 | ||
VII. Abschließende Beurteilung des vorgestellten Prognoseverfahrens und thesenförmige Zusammenfassung | 169 | ||
Literaturverzeichnis | 175 |