Diskussion zum Artikel "Trendvorhersage mit LSTM für Trendfolgestrategien"

Neuer Kommentar
 

Neuer Artikel Trendvorhersage mit LSTM für Trendfolgestrategien :

Long Short-Term Memory (LSTM) ist eine Art rekurrentes neuronales Netz (RNN), das für die Modellierung sequenzieller Daten entwickelt wurde, indem es langfristige Abhängigkeiten effektiv erfasst und das Problem des verschwindenden Gradienten löst. In diesem Artikel werden wir untersuchen, wie LSTM zur Vorhersage zukünftiger Trends eingesetzt werden kann, um die Leistung von Trendfolgestrategien zu verbessern. Der Artikel behandelt die Einführung von Schlüsselkonzepten und die Motivation hinter der Entwicklung, das Abrufen von Daten aus dem MetaTrader 5, die Verwendung dieser Daten zum Trainieren des Modells in Python, die Integration des maschinellen Lernmodells in MQL5 und die Reflexion der Ergebnisse und zukünftigen Bestrebungen auf der Grundlage von statistischem Backtesting.

Intuitiv betrachtet, profitieren Trendfolgestrategien von Gewinnen in Märkten, die sich im Aufwärtstrend befinden, schneiden aber in unruhigen Märkten schlecht ab, in denen die Strategie mit einem Aufschlag gekauft und mit einem Abschlag verkauft wird. Wissenschaftliche Untersuchungen haben gezeigt, dass klassische Trendfolgestrategien, wie das Goldene Kreuz, über lange Zeiträume hinweg auf verschiedenen Märkten und Zeitrahmen funktionieren. Diese Strategien sind zwar nicht hochprofitabel, haben aber beständige Gewinne gezeigt. Trendfolgestrategien profitieren in der Regel von extremen Ausreißern, die deutlich höhere Gewinne als die durchschnittlichen Verluste erzielen. Der enge Stop-Loss und der Ansatz, Gewinne laufen zu lassen, führen zu einer niedrigen Gewinnrate, aber zu einem hohen Chance-Risiko-Verhältnis pro Handel.

LSTM (Long Short-Term Memory) ist ein spezieller Typ eines rekurrenten neuronalen Netzes (RNN), das für die Erfassung langfristiger Abhängigkeiten in sequentiellen Daten entwickelt wurde. Es nutzt Speicherzellen, die Informationen über lange Zeiträume hinweg aufrechterhalten können, und überwindet so das Problem des verschwindenden Gradienten, von dem herkömmliche RNNs betroffen sind. Diese Fähigkeit, Informationen aus einer früheren Sequenz zu speichern und darauf zuzugreifen, macht LSTM besonders effektiv für Aufgaben wie Zeitreihenprognosen und Trendvorhersagen. Bei Regressionsproblemen kann das LSTM die zeitlichen Beziehungen zwischen den Eingabemerkmalen modellieren und kontinuierliche Ausgaben mit hoher Genauigkeit vorhersagen, was es ideal für Vorhersageanwendungen macht.

Die Motivation für diesen Artikel ist es, die Leistungsfähigkeit von LSTM für die Trendregression zu nutzen, um zukünftige Handelsgeschäfte vorherzusagen und potenziell schlechte Trades herauszufiltern, die aus einer geringen Trendstärke resultieren. Diese Motivation beruht auf der Hypothese, dass Trendfolgestrategien auf trendigen Märkten besser abschneiden als auf Märkten mit einem abweichenden Trend.


Autor: Zhuo Kai Chen

 
Ich verstehe das nicht: Wo ist das Modell regression2024.onnx selbst im Zip-Archiv?
 
an_tar #:
Ich verstehe es nicht: wo ist das regression2024.onnx Modell selbst im Zip-Archiv?

Hallo an_tar.

Wie im Artikel erwähnt, soll diese Art von System durch einen Rolling-Window-Backtest validiert werden. Ich wollte nicht mein ganzes trainiertes Modell seit 2008 einbeziehen, um die Datei nicht zu schwer zu machen.

Es ist ratsam, das im Artikel vorgestellte Framework zu verwenden, um Ihr eigenes Modell zu trainieren, damit es mit Ihrer persönlichen Validierungsmethode kompatibel ist.

Neuer Kommentar