Diskussion zum Artikel "Neuro-symbolische Systeme im algorithmischen Handel: Kombination von symbolischen Regeln und neuronalen Netzen"

Neuer Kommentar
 

Neuer Artikel Neuro-symbolische Systeme im algorithmischen Handel: Kombination von symbolischen Regeln und neuronalen Netzen :

Der Artikel beschreibt die Erfahrungen bei der Entwicklung eines hybriden Handelssystems, das die klassische technische Analyse mit neuronalen Netzen kombiniert. Der Autor liefert eine detaillierte Analyse der Systemarchitektur, von der grundlegenden Musteranalyse und der Struktur des neuronalen Netzes bis hin zu den Mechanismen, die den Handelsentscheidungen zugrunde liegen, und stellt echten Code und praktische Beobachtungen vor.

Stellen Sie sich vor, Sie versuchen, einem Computer zu erklären, wie man an der Börse handelt. Einerseits gibt es klassische Regeln und Muster – „Kopf und Schultern“, „Doppelboden“ und Hunderte anderer Muster, die jeder Händler kennt. Viele von uns haben EAs in MQL5 geschrieben und versucht, diese Muster zu kodieren. Aber der Markt ist ein lebendiger Organismus, er verändert sich ständig, und strenge Regeln versagen oft.

Auf der anderen Seite gibt es neuronale Netze – modern, leistungsstark, aber manchmal völlig undurchsichtig in ihren Entscheidungen. Füttern Sie ein LSTM-Netzwerk mit historischen Daten, und es wird Vorhersagen mit angemessener Genauigkeit machen. Die Gründe für diese Entscheidungen bleiben jedoch oft ein Geheimnis. Beim Handel kann jeder falsche Schritt bares Geld kosten.

Ich erinnere mich, dass ich vor einigen Jahren mit diesem Dilemma in meinem Handelsalgorithmus zu kämpfen hatte. Klassische Muster führten zu falsch-positiven Ergebnissen, und das neuronale Netz erstellte manchmal unglaubliche Vorhersagen ohne jegliche Logik. Und dann dämmerte es mir: Was wäre, wenn wir beide Ansätze kombinieren? Wie wäre es, wenn wir klare Regeln als Systemrahmen verwenden und das neuronale Netz als adaptiven Mechanismus, der die aktuelle Marktlage berücksichtigt?

So wurde die Idee eines neurosymbolischen Systems für den algorithmischen Handel geboren. Stellen Sie sich einen erfahrenen Händler vor, der alle klassischen Muster und Regeln kennt, aber auch weiß, wie er sich dem Markt anpassen kann, indem er subtile Nuancen und Beziehungen berücksichtigt. Ein solches System hat ein „Skelett“ aus klaren Regeln und „Muskeln“ in Form eines neuronalen Netzes, das für Flexibilität und Anpassungsfähigkeit sorgt.


Autor: Yevgeniy Koshtenko

 
MetaQuotes:

Veröffentlichter Artikel Neurosymbolische Systeme im Algorithmenhandel: Kombination von symbolischen Regeln und neuronalen Netzen:

Autor: Yevgeniy Koshtenko

Das Hauptproblem ist die Stabilität der berechneten Häufigkeit des Auftretens einer weißen oder schwarzen Kerze nach dem Auftreten eines Musters. Bei kleinen Stichproben ist sie unzuverlässig, und bei großen Stichproben ist sie 50/50.

Und ich verstehe die Logik nicht, zuerst die Musterfrequenz als eines der Merkmale in Neuronka einzuspeisen und dann die gleiche Frequenz zu verwenden, um darauf aufbauende Neuronka-Signale zu filtern.


 
Ohne den Ansatz an sich zu berühren, werden durch die Reduzierung der realen Bewegungsbereiche auf zwei Klassen die nützlichen Informationen, die das neuronale Netz extrahieren könnte (um derentwillen wir es einschrauben), zunichte gemacht - ähnlich wie wenn wir das Farbbilderkennungssystem mit Schwarz-Weiß-Bildern füttern würden. IMHO ist es notwendig, das Netz nicht an die alten Methoden der binären Muster anzupassen, sondern echte, unscharfe Muster auf vollständigen Daten hervorzuheben.
Neuer Kommentar