Diskussion zum Artikel "Neuronale Netze im Trading: LSTM-Optimierung zur Prognose multivariater Zeitreihen (DA-CG-LSTM)"

[MetaQuotes]

Neuer Artikel Neuronale Netze im Trading: LSTM-Optimierung zur Prognose multivariater Zeitreihen (DA-CG-LSTM) :

Dieser Artikel stellt den DA-CG-LSTM-Algorithmus vor, der neue Ansätze für die Zeitreihenanalyse und -prognose bietet. Er erklärt, wie innovative Aufmerksamkeitsmechanismen und Modellflexibilität die Prognosegenauigkeit verbessern können.

Finanzmärkte sind mehr als nur Zahlen auf Bildschirmen. Sie sind ein dynamisches Umfeld, in dem jeder Tick, jede Kerze und jede Änderung des Handelsvolumens menschliche Emotionen, Erwartungen, Ängste und Hoffnungen widerspiegelt. Diesen Rhythmus zu verstehen und zu lernen, wohin sich die Preise entwickeln werden, ist eine Herausforderung, die Händler seit Jahrzehnten zu lösen versuchen.

Im Zentrum dieser Herausforderung stehen multivariate Zeitreihen – die klassische Darstellung von Marktdaten: Kurse von Vermögenswerten im Zeitverlauf, Handelsvolumina, technische Indikatoren und Nachrichtenströme. All dies sind Datenquellen, die analysiert, modelliert und letztendlich für Prognosen verwendet werden können.

Bis vor Kurzem verließ sich die Branche hauptsächlich auf bewährte klassische Methoden wie ARIMA, SARIMA und verwandte Modelle. Diese Modelle sind praktisch, interpretierbar und erfordern keine enormen Rechenressourcen. Sie funktionierten bei der Bewältigung von Saisonalität und linearen Abhängigkeiten recht gut, insbesondere unter stabilen Marktbedingungen. Finanzmärkte sind jedoch nicht stationär. Nachrichten beeinflussen Erwartungen, die Anlegerstimmung kann sich innerhalb von Sekunden ändern, algorithmischer Handel erzeugt Resonanzeffekte, und all dies führt zu komplexen, nichtlinearen und oft chaotischen Zusammenhängen. Traditionelle Modelle können die allgemeine Richtung anzeigen, erfassen jedoch nicht die feineren Details.

Autor: Dmitriy Gizlyk

[Vladimir Sanin]

Guten Tag. Wo kann man die Bibliotheken „NeuroNet.mqh“, „NeuroNet.cl“ und „Trajectory.mqh“ herunterladen?
Und wie lauten die genauen Modellparameter (Größe der Eingabedaten, Anzahl der Neuronen, Optimierer)?

[Dmitriy Gizlyk]

Владимир #:
Guten Tag. Wo kann man die Bibliotheken „NeuroNet.mqh“, „NeuroNet.cl“ und „Trajectory.mqh“ herunterladen?
Und wie lauten die genauen Modellparameter (Größe der Eingabedaten, Anzahl der Neuronen, Optimierer)?

Guten Tag, Vladimir.

Alle NeuroNet.*-Bibliotheken befinden sich im Anhang „MQL5\Experts\NeuroNet_DNG\NeuroNet.*“, Trajectory.mqh hingegen in „MQL5\Experts\DACGLSTM\Trajectory.mqh“.

Eine detaillierte Beschreibung der trainierbaren Modelle wird im nächsten Artikel vorgestellt.