Diskussion zum Artikel "Neuronale Netze im Handel: Transformer für die Punktwolke (Pointformer)"

Neuer Kommentar
 

Neuer Artikel Neuronale Netze im Handel: Transformer für die Punktwolke (Pointformer) :

In diesem Artikel geht es um Algorithmen für die Verwendung von Aufmerksamkeitsmethoden zur Lösung von Problemen bei der Erkennung von Objekten in einer Punktwolke. Die Erkennung von Objekten in Punktwolken ist für viele reale Anwendungen wichtig.

Nach mehreren Iterationen des Modelltrainings und der Aktualisierung der Datensätze ist es uns gelungen, eine Strategie zu entwickeln, die sowohl in den Trainings- als auch in den Testdatensätzen Gewinne erzielt.

Wir bewerteten die Leistung des trainierten Modells mit dem MetaTrader 5 Strategy Tester, indem wir Tests mit historischen Daten vom Januar 2024 durchführten, während alle anderen Parameter unverändert blieben. Die Testergebnisse werden im Folgenden vorgestellt. 

Während des Testzeitraums führte das trainierte Modell insgesamt 31 Handelsoperationen durch, von denen die Hälfte mit Gewinn abgeschlossen wurde. Ein um fast 50 % höherer Wert bei den maximal und durchschnittlich gewinnbringenden Geschäften im Vergleich zu den Verlusten führte zu einem Gewinnfaktor von 1,53. Trotz des beobachteten Aufwärtstrends der Aktienkurve können wir aufgrund der begrenzten Anzahl von Handelsgeschäften keine endgültigen Schlussfolgerungen über die Wirksamkeit des Modells über einen längeren Zeitraum ziehen.



Autor: Dmitriy Gizlyk

 
Dmitriy Gizlyk :
auf historischen Daten vom Januar 2024.

Warum erst im Januar, ist es nicht schon September? Oder ist damit gemeint, dass man jeden Monat neu trainieren muss?

 
Aleksey Vyazmikin #:

Warum erst im Januar, es ist doch schon September? Oder heißt es, dass man jeden Monat umschulen muss?

Man kann ein Modell nicht auf der Grundlage von Daten aus einem Jahr trainieren und eine stabile Leistung über denselben oder einen längeren Zeitraum erwarten. Um eine stabile Modellleistung für 6-12 Monate zu erhalten, braucht man einen viel längeren Verlauf zum Trainieren. Folglich wird das Trainieren des Modells mehr Zeit und Kosten in Anspruch nehmen.

Neuer Kommentar