Diskussion zum Artikel "Neuronale Netze im Trading: Ein domänenübergreifendes Framework zur Zeitreihenprognose (Fazit)"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Neuronale Netze im Trading: Ein domänenübergreifendes Framework zur Zeitreihenprognose (Fazit) :
Der erste Schritt bestand darin, den Encoder anhand von historischen Daten des EURUSD-Paares über fünf Jahre im Ein-Minuten-Timeframe zu trainieren. Dieser Umfang und dieser Detaillierungsgrad ermöglichen es, eine wirklich tiefgehende und aussagekräftige latente Repräsentation des aktuellen Marktzustands zu bilden. Der Encoder lernt, relevante Muster voneinander zu unterscheiden, Regelmäßigkeiten zu erkennen und die Marktsituation in einen kompakten, aber informativen Vektor zu kodieren, der anschließend von allen anderen Modulen genutzt wird.
Als Nächstes folgt die zweite Phase – das Offline-Training der Hauptrollen unserer Architektur: des Actor, des Director und des Critic. Zu diesem Zweck wurde ein Trainingsset aus Marktdaten des Jahres 2024 zusammengestellt, wobei alle beim Training des Encoders verwendeten Parameter beibehalten wurden. Der Trainingsprozess basierte auf dem Konzept einer nahezu perfekten Trajektorie: Die Aktionen des Agenten wurden nicht willkürlich ausgewählt, sondern auf Grundlage einer Analyse der nachfolgenden Kursbewegung. Mit anderen Worten: Da uns der gesamte Kursverlauf zur Verfügung stand, wussten wir im Voraus, welche Aktionen zu den besten Ergebnissen geführt hätten, und verwendeten genau diese Aktionen für das Training. Dieser Ansatz ermöglicht es uns, dem Modell zu zeigen, wie es handeln soll, anstatt es dazu zu zwingen, durch Versuch und Irrtum blind nach einer effektiven Strategie zu suchen und ohne Karte durch seine Umgebung zu wandern. Infolgedessen lernt der Agent aus zuvor validierten Beispielen – klar, fundiert und hinsichtlich des Ergebnisses so nah wie möglich am Ideal. Das vereinfacht nicht nur den Trainingsprozess, sondern macht ihn auch zielgerichtet und wirtschaftlich sinnvoll.
Der letzte Schritt ist das Online-Fine-Tuning, das direkt im Strategietester durchgeführt wird. Hier werden die Modelle historischen Daten in einem Modus ausgesetzt, der dem realen Handel sehr nahekommt, und passen ihre Parameter an die Live-Marktdynamik an. Dies ist besonders wichtig, da es uns ermöglicht, das Verhalten des Agenten unter Berücksichtigung sich ändernder Bedingungen, von Marktrauschen und zufälligen Schwankungen, die im Trainingsset nicht erkennbar sind, zu verfeinern.
Nachdem die gesamte Trainingspipeline abgeschlossen war, wurde das Modell anhand neuer Daten getestet – Kursdaten für Januar 2025. Alle während des Trainings verwendeten Parameter und Einstellungen wurden unverändert beibehalten, wodurch vollständige Objektivität und Fairness bei der Bewertung gewährleistet wurden. Die Testergebnisse sind im Folgenden aufgeführt.
Autor: Dmitriy Gizlyk