Diskussion zum Artikel "Neuronale Netze im Trading: Eine intelligente Prognose-Pipeline (Time-MoE)"

Neuer Kommentar

Neuer Artikel Neuronale Netze im Trading: Eine intelligente Prognose-Pipeline (Time-MoE) :

Wir laden Sie ein, das moderne Time-MoE-Framework kennenzulernen, das für Zeitreihenprognosen angepasst wurde. In diesem Artikel werden wir die wichtigsten Komponenten der Architektur Schritt für Schritt umsetzen und dabei Erläuterungen und praktische Beispiele geben. Mit diesem Ansatz können Sie nicht nur verstehen, wie das Modell funktioniert, sondern diese Prinzipien auch auf reale Handelsszenarien anwenden.

Time-MoE ist ein Decoder-Only-Transformer der nächsten Generation, der speziell für Zeitreihendaten entwickelt wurde. Es basiert auf den Prinzipien des Sparse Learning, der Modularität und der Prognose über mehrere Skalen hinweg. Die Autoren des Frameworks zeigen auf, wie sich die Skalierbarkeit und Flexibilität großer Modelle auf den Bereich der Zeitreihen ausweiten lässt, ohne dabei an Recheneffizienz einzubüßen. Die von ihnen vorgeschlagene Modellarchitektur unterstützt beliebige Längen der zu analysierenden Sequenzen und der Prognosehorizonte. Darüber hinaus ist das Modell in der Lage, Datenströme in Echtzeit zu verarbeiten.

Die erste Komponente der Architektur ist die punktweise Tokenisierung der Zeitreihe (Point-Wise Tokenization). Im Gegensatz zu fensterbasierten oder aggregierten Ansätzen wird hier jeder Zeitschritt in ein eigenständiges Token umgewandelt. Diese Eigenschaft kann beim Hochfrequenzhandel von Nutzen sein, wo schon ein einziger Tick das Marktbild verändern kann. In der MQL5-Umgebung können Token aus Bars, Ticks und abgeleiteten Indikatoren generiert werden, darunter Volatilität, Volumina und Signale aus benutzerdefinierten Strategien.

Nach der Tokenisierung durchlaufen die Daten eine Einbettungsschicht mit SwiGLU-Aktivierung, einer Mischung aus Swish und der Gated Linear Unit handelt. Sie ermöglicht die Bildung glatterer und robusterer Repräsentationen der analysierten Informationen, was insbesondere bei Marktrauschen und instabilen Trends von Nutzen ist.


Autor: Dmitriy Gizlyk

Neuer Kommentar