Diskussion zum Artikel "Neuronale Netze im Trading: Adaptive periodische Segmentierung (Token-Generierung)"

[MetaQuotes]

Neuer Artikel Neuronale Netze im Trading: Adaptive periodische Segmentierung (Token-Generierung) :

Wir laden Sie ein, sich auf eine spannende Reise durch die Welt der adaptiven Analyse von Finanzzeitreihen zu begeben und zu erfahren, wie Sie komplexe Spektralanalyse und flexible Faltung in konkrete Trading-Signale umsetzen können. Sie werden sehen, wie LightGTS dem Marktrhythmus lauscht, sich über eine variable Schrittweite des Fensters an dessen Veränderungen anpasst und wie OpenCL-beschleunigte Berechnungen den Weg zu profitablen Entscheidungen deutlich verkürzen können.

Im praktischen Teil des vorherigen Artikels haben wir mit der Entwicklung eines Algorithmus für adaptives periodisches Patching begonnen – einem der Schlüsselelemente der LightGTS-Architektur. Die Einschränkungen, die sich aus der fehlenden Möglichkeit ergeben, in den für MQL5 und OpenCL typischen Laufzeitumgebungen dynamische Speicherzuweisung zu nutzen, wurden eingehend untersucht. Diese Einschränkungen zwangen uns, die Idee einer beliebigen Anzahl von Ausgabe-Token aufzugeben.

Stattdessen haben wir eine strategisch gut durchdachte Entscheidung getroffen: Wir haben die Anzahl der Patches festgelegt und deren Überlappung genutzt, um Längenänderungen einzelner Segmente auszugleichen. Auf diese Weise konnten wir ein Gleichgewicht zwischen Anpassungsfähigkeit (das Modell bleibt sensibel für die tatsächliche Periodizität der Zeitreihe) und rechnerischer Stabilität herstellen, die für die effiziente Nutzung der Hardware-Ressourcen erforderlich ist. Dieser Ansatz ermöglichte es, sowohl die getreue Darstellung der zyklischen Strukturen in den analysierten Daten als auch die Vorhersehbarkeit der Speicherverwaltung zu gewährleisten, was für Modelle im Hochfrequenz-Trading und für die Implementierung in Umgebungen mit eingeschränktem Ausführungskontext von entscheidender Bedeutung ist.

Wir haben den Algorithmus zur Auswahl der dominanten Frequenz bereits implementiert – er extrahiert effektiv die Hauptperiodizität für jede univariate Sequenz in der Eingabezeitreihe. Dadurch können wir einen Basismaßstab für die anschließende Datensegmentierung festlegen. Heute werden wir die begonnene Arbeit fortsetzen und den nächsten Schritt gehen – nämlich den Algorithmus zur Token-Generierung im OpenCL-Kontext implementieren.

Unsere Aufgabe besteht darin, jede Zeitreihe in eine feste Anzahl von Fragmenten zu unterteilen, wobei die Segmentgröße entsprechend der ermittelten dominanten Frequenz festgelegt wird, während die Überlappung die Anpassung an die Fensterlänge steuert. All dies muss streng parallel unter Verwendung von GPU-kompatiblem Code erfolgen, wobei jedes Work-Item für die Erzeugung eines einzelnen Tokens in einer der univariaten Komponenten der zu analysierenden Sequenz zuständig ist.

Autor: Dmitriy Gizlyk