Diskussion zum Artikel "Klassische Strategien neu interpretieren (Teil 17): Modellierung technischer Indikatoren"

[MetaQuotes]

Neuer Artikel Klassische Strategien neu interpretieren (Teil 17): Modellierung technischer Indikatoren :

In dieser Diskussion konzentrieren wir uns auf die Frage, wie wir die gläserne Decke durchbrechen können, die uns die klassischen Techniken des maschinellen Lernens im Finanzbereich auferlegen. Es scheint, dass die größte Einschränkung für den Wert, den wir aus statistischen Modellen ziehen können, nicht in den Modellen selbst liegt – weder in den Daten noch in der Komplexität der Algorithmen – sondern vielmehr in der Methodik, mit der wir sie anwenden. Mit anderen Worten: Der wahre Engpass kann darin liegen, wie wir das Modell einsetzen, und nicht in der eigentlichen Fähigkeit des Modells.

Die Anwendung des maschinellen Lernens und anderer moderner statistischer Verfahren auf den algorithmischen Handel ist eine besondere Herausforderung. Die Probleme, mit denen unsere Community konfrontiert ist, betreffen ausschließlich die Finanzmärkte – und werden daher in breiteren Kreisen des maschinellen Lernens nur selten diskutiert. Infolgedessen bietet das klassische überwachte Lernen nur sehr wenige praktische Anleitungen zu Themen, die für unsere Gemeinschaft von Bedeutung sind. Eines der am meisten übersehenen Probleme in unserem Bereich ist die Tatsache, dass wir bei der Modellierung von Finanzdaten kein festes Ziel haben. Dies mag auf den ersten Blick nicht problematisch erscheinen, ist es aber.

Zur Veranschaulichung wollen wir darüber nachdenken, wie diese Modelle in der Medizin angewandt werden – der Leser sollte sich daran erinnern, dass die Medizin der Bereich ist, aus dem viele Techniken des überwachten Lernens ursprünglich hervorgegangen sind, und unsere Gemeinschaft sich diese Techniken „ausleiht“. In der Medizin ist die Zielvariable eindeutig und wohldefiniert. Ein Arzt könnte einen Patienten als krebskrank oder nicht krebskrank einstufen wollen – ein binäres Klassifizierungsproblem mit einer eindeutigen und unveränderlichen Bezeichnung. Das Ziel des Arztes ändert sich nie, und das Ziel ist in der physischen Realität verankert. Außerdem arbeiten medizinische Modelle innerhalb natürlicher Zwänge – biologischer, ethischer oder verfahrenstechnischer Art – die dem Lernproblem eine einheitliche Struktur geben.

Im Gegensatz dazu fehlt im Finanzbereich eine solche Struktur. Als algorithmische Händler haben wir keine feste Definition des Ziels. Wir können den Markt in Form von Jahresrenditen, Tagesrenditen, 15-Minuten-Renditen, jährlichen Kurssteigerungen, maximalen Drawdowns, Volatilität oder sogar relativen Bewegungen zwischen Vermögenswerten modellieren. Es gibt in der Tat unendlich viele Möglichkeiten, die Bedeutung des „Ziels“ im Handelskontext zu definieren. Und obwohl diese Ziele alle von denselben zugrunde liegenden Daten abgeleitet werden, sind einige Ziele weitaus schwieriger zu prognostizieren als andere. 

Autor: Gamuchirai Zororo Ndawana