Über die letzten Jahrzehnte befassten sich zahlreiche Bereiche der angewandten Mathematik mit der Aufgabe, verborgene Faktoren in großen Datensätzen zu finden. Dies ist eine der großen Herausforderungen in der Theorie moderner Multi-Faktor-Modelle. Principal Component Analysis (PCA) ist dabei eine weit verbreitete Analysemethode zur Lösung dieser Aufgabe. In den letzten Jahren wurde in den Gebieten des Signal Processing und des Data Mining zu diesem Zweck ein neuer Ansatz entwickelt. Dieser Ansatz wird Independent Component Analysis (ICA) genannt und beschreibt die Suche der Faktoren unter der Annahme statistischer Unabhängigkeit. Wie bei der PCA, wird auch bei der ICA der beobachtete Datensatz linear in Komponenten zerlegt. Dabei sind die aus der PCA resultierenden Komponenten unkorreliert, wohingegen die Komponenten, die von der ICA gefunden werden, statistisch unabhängig sind. Wir greifen in dieser Arbeit diesen Unterschied auf und verbinden die neue Technik mit der Theorie der Multi-Faktor Modelle. Dazu betrachten wir existierende Ansätze und diskutieren deren Schwachstellen. Hier verspricht die Einführung der ICA einige Verbesserungspotentiale.     «

Über die letzten Jahrzehnte befassten sich zahlreiche Bereiche der angewandten Mathematik mit der Aufgabe, verborgene Faktoren in großen Datensätzen zu finden. Dies ist eine der großen Herausforderungen in der Theorie moderner Multi-Faktor-Modelle. Principal Component Analysis (PCA) ist dabei eine weit verbreitete Analysemethode zur Lösung dieser Aufgabe. In den letzten Jahren wurde in den Gebieten des Signal Processing und des Data Mining zu diesem Zweck ein neuer Ansatz entwickelt. Dieser Ansa...     »