Diskussion zum Artikel "Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für die multivariate Zeitreihenprognose (GinAR)"

[MetaQuotes]

Neuer Artikel Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für die multivariate Zeitreihenprognose (GinAR) :

Wir laden Sie ein, einen innovativen Ansatz zur Prognose von Zeitreihen mit fehlenden Daten mithilfe des GinAR-Frameworks kennenzulernen. Der Artikel veranschaulicht die Implementierung wichtiger Komponenten mithilfe von OpenCL, wodurch eine hohe Leistung gewährleistet wird. In unserer nächsten Veröffentlichung werden wir uns eingehend damit befassen, wie diese Lösungen in MQL5 integriert werden können. Dies wird helfen, zu verstehen, wie sich die Methode in der Praxis im Trading anwenden lässt.

Die Architektur des GinAR-Frameworks folgt dem klassischen Encoder → Decoder-Schema. Der Encoder ist als Stapel von GinAR-Schichten implementiert, während der Decoder auf einem mehrschichtigen Perzeptron (MLP) basiert. Ein wesentlicher Bestandteil des Systems ist die GinAR-Zelle – ein Modul, das auf dem Prinzip der rekursiven Modellierung basiert. Wenn unvollständige Daten eingegeben werden – also Zeitreihen mit fehlenden Variablen –, ist das Modell in der Lage, zukünftige Werte für alle Variablen gleichzeitig zu prognostizieren, selbst für diejenigen, für die keine vollständige Historie vorliegt.

Bei der Entwicklung der internen Logik von GinAR schlugen die Autoren des Frameworks vor, alle vollständig verbundenen Schichten in der klassischen rekursiven Struktur von SRU durch zwei spezialisierte Komponenten zu ersetzen: IA (Interpolative Attention) und AGCN (Adaptive Graph Convolution Network).

Die erste Komponente imputiert die fehlenden Variablen anhand von Informationen aus verfügbaren Nachbarn. Dies ist insbesondere auf den Finanzmärkten von Bedeutung: Fehlen Daten zu wichtigen Assets – und sei es auch nur teilweise –, kann die Genauigkeit des Modells drastisch sinken. Der IA-Mechanismus verhindert dies, indem er auf der Grundlage der verfügbaren Zeitreihen aussagekräftige Repräsentationen der fehlenden Zeitreihen rekonstruiert und die Auswirkungen von Rauschen minimiert.

Die zweite Komponente – AGCN – stützt sich nicht auf feste Abhängigkeitsgraphen, wie beispielsweise vordefinierte Beziehungen zwischen Assets, Indizes und Sektoren, sondern lernt stattdessen direkt während des Trainings eine adaptive Graphstruktur. Dadurch lassen sich räumliche Abhängigkeiten zwischen Variablen flexibel erfassen, selbst wenn diese veränderlich oder nicht auf den ersten Blick erkennbar sind.

Der Encoder von GinAR ist mit einem rekursiven Schema implementiert, bei dem in jedem Zeitschritt die Merkmale des aktuellen Zeitpunkts und der verborgene Zustand aus dem vorherigen Schritt als Eingaben verwendet werden. Die GinAR-Zelle verarbeitet diese Daten, aktualisiert den Zustand und bildet eine verborgene Repräsentation des aktuellen Zeitschritts. Dieser Ansatz ermöglicht es, fehlende Daten zu imputieren, den Abhängigkeitsgraphen zu rekonstruieren und dynamische Muster zu extrahieren – und das alles innerhalb eines einzigen Moduls. Dank Residual-Verbindungen (Skip Connections) kann das Modell tief sein, ohne dass die Trainingsstabilität darunter leidet. Dies ist besonders wichtig bei der Prognose komplexer Marktsignale, bei denen sowohl kurzfristige Schwankungen als auch langfristige Trends eine Rolle spielen.

Autor: Dmitriy Gizlyk