Diskussion zum Artikel "Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für multivariate Zeitreihenprognose (Kernkomponenten)"
Ein sehr interessanter Artikel und eine wertvolle Fortsetzung der GinAR-Implementierungsreihe. Die Architektur hat unser Interesse geweckt, da wir derzeit ein umfassenderes, mehrstufiges Forschungsframework für maschinelles Lernen im Bereich des algorithmischen Handels entwickeln und einer der Bereiche, mit denen wir uns intensiv beschäftigen, die Frage ist, ob eine assetübergreifende Modellierung Informationen liefern kann, die von herkömmlichen, auf einzelne Wertpapiere bezogenen Modellen nicht erfasst werden.
Unser Rahmenwerk ist bewusst in unabhängige Schichten unterteilt: Erfassung von Marktdaten, Feature-Engineering, Erstellung historischer Datensätze, Modellforschung, Validierung, Generierung von Handelskandidaten und Ausführung. Maschinelles Lernen wird eher als Evidenzschicht betrachtet denn als Quelle direkter Handelsentscheidungen. Ein Modell darf daher nachgelagerte Handelsentscheidungen nicht allein deshalb beeinflussen, weil es innerhalb der Stichprobe gute Ergebnisse liefert; es muss zunächst einen stabilen, inkrementellen Mehrwert außerhalb der Stichprobe nachweisen.
Derzeit arbeiten wir mit einem Multi-Asset-Universum, das Devisen, Gold, US-Indizes, Aktien und Energieinstrumente umfasst. Historische Daten werden über eine „Bronze → Silber → Gold“-Pipeline verarbeitet, wobei strenge Kontrollen zu bestimmten Zeitpunkten erfolgen. Informationen, die zum Zeitpunkt der Entscheidung verfügbar sind, werden von zukünftigen Informationen getrennt gehalten, die für Labels und die Ergebnisanalyse verwendet werden.
Unser aktueller „Gold“-Trainingsdatensatz enthält 142 Quellmerkmale pro Beobachtung, bestehend aus 129 numerischen und 13 kategorialen Merkmalen. Der Merkmalssatz umfasst Volatilität, Trend, Momentum, Marktstruktur, Break-Verhalten, Preisaktionskontext, Liquiditätsbedingungen, Sitzungsstatus und andere deterministische Marktdeskriptoren.
Vor dem Testen von GinAR hatten wir bereits eine Modellfamilie der zweiten Generation unter Verwendung von logistischer Regression, XGBoost, LightGBM und CatBoost aufgebaut. Diese Modelle wurden mittels chronologischer Walk-Forward-Validierung, Schwellenwert-Screening, Bootstrap-Stabilitätsanalyse, Kalibrierungsprüfungen, Regime-Analyse und einer unberührten Holdout-Phase evaluiert.
Zehn Instrumente erreichten unsere „Deep Validation PASS“-Kandidatenphase:
GBPUSD, USDCHF, US500, US30, USDCAD, EURUSD, USDJPY, EURGBP, USTEC und XAUUSD.
Diese bildeten das anfängliche Forschungsuniversum für unser GinAR-Experiment.
Was GinAR für uns besonders interessant machte, ist, dass es etwas einführt, das sich grundlegend von unseren bestehenden Modellen unterscheidet. Unsere aktuellen GEN2-Modelle sind größtenteils symbolbezogene Klassifikatoren, während GinAR die Möglichkeit bietet, dynamische, assetübergreifende Beziehungen und latente Darstellungen über mehrere Instrumente hinweg gleichzeitig zu erlernen.
Dies ist auf den Finanzmärkten besonders relevant, da Finanzinstrumente nicht unabhängig voneinander sind. Die Beziehungen zwischen Währungen, Gold, Aktienindizes und anderen Vermögenswerten ändern sich je nach Marktumfeld, Volatilität und Handelsstruktur. Zudem gibt es in einem Multi-Asset-Handelsuniversum naturgemäß Zeiträume, in denen nicht alle Instrumente gleichzeitig über gültige Kurse oder aktive Handelssitzungen verfügen.
Aus diesem Grund haben wir einen völlig separaten GinAR-Forschungszweig eingerichtet, der über keine Handelsbefugnis verfügt und keine Auswirkungen auf unser bestehendes Ausführungssystem hat.
Das Ziel bestand nicht darin, die in diesem Artikel beschriebene Implementierung Zeile für Zeile nachzubilden oder unsere bestehenden Modelle sofort zu ersetzen. Stattdessen wollten wir eine enger gefasste Forschungsfrage beantworten:
Kann ein assetübergreifendes Graphmodell im GinAR-Stil zusätzliche Out-of-Sample-Informationen liefern, die über unsere bestehenden GEN2-Modelle auf Symbolbasis hinausgehen?
Unsere Implementierung war daher ein „Clean-Room“-Forschungsmodell im Stil von GinAR, das auf den wichtigsten architektonischen Ideen basierte:
- Interpolation Attention,
- adaptive Graphbeziehungen,
- Graph-Konvolutions-Transformationen,
- rekurrenter Graphenzustand,
- Klassifizierung auf Knotenebene.
Für das erste Experiment verwendeten wir den gemeinsamen numerischen Teil des Gold-Feature-Kontrakts, wodurch das Modell 129 numerische Merkmale pro Knoten erhielt.
Als Ziel wurde in diesem Experiment ein 240-minütiges WHIPSAW-Klassifizierungsproblem verwendet.
Die Integrität der Labels erwies sich als wichtiges methodisches Problem. Unsere historischen Labels enthalten:
WHIPSAW
NO_WHIPSAW
AMBIGUOUS_FIRST_MOVE
und in einigen Fällen INCOMPLETE.
„AMBIGUOUS_FIRST_MOVE“ tritt auf, wenn beide Barrieren für den ersten Zug innerhalb desselben M1-Balkens berührt werden, was bedeutet, dass die tatsächliche Reihenfolge innerhalb des Balkens anhand der verfügbaren Quelldaten nicht bestimmt werden kann.
Wir haben daher explizit Folgendes verwendet:
AMBIGUOUS_DO_NOT_GUESS
.
Der binäre Zielkontrakt lautete:
WHIPSAW = 1
NO_WHIPSAW = 0
während AMBIGUOUS_FIRST_MOVE und INCOMPLETE aus den binären Verlust- und Bewertungsmetriken ausgeschlossen wurden, anstatt zwangsweise einer der beiden Klassen zugeordnet zu werden.
Dieser Punkt war für uns wichtig, da die Umwandlung mehrdeutiger Ergebnisse in eine der beiden Klassen künstliches Label-Rauschen verursachen würde.
Außerdem hielten wir strenge Maßnahmen gegen das „Anti-Look-Ahead“ ein.
Das Validierungsprotokoll lautete:
180 Tage Training
30 Tage Validierung
60-tägiger Walk-Forward-Schritt
240-minütige Bereinigung/Lücke
60-tägiger abschließender, unberührter Holdout
Der abschließende Holdout-Satz blieb während des anfänglichen GinAR-Experiments versiegelt.
Wir haben bewusst auf eine zufällige Aufteilung in Trainings- und Testdaten verzichtet.
Ein weiterer wichtiger Punkt betrifft fehlende Variablen. Die „Interpolation Attention“ von GinAR ist potenziell sehr nützlich für eine Handelsumgebung mit mehreren Vermögenswerten, in der Instrumente aufgrund unterschiedlicher Handelssitzungen vorübergehend nicht verfügbar sein können.
Wir haben das Modell jedoch nicht zur Generierung historischer Beobachtungen verwendet.
Fehlende Quellbeobachtungen blieben in den ursprünglichen Datensätzen unberücksichtigt und wurden explizit durch Masken dargestellt. Interne Interpolation wurde nur als Teil der neuronalen Darstellung verwendet. Es wurden keine rekonstruierten Werte in unsere Gold-Datensätze zurückgeschrieben.
Anschließend trainierten wir das GinAR-Forschungsmodell über 6 chronologische Walk-Forward-Folds hinweg.
Die Anzahl der gültigen Zielbeobachtungen war groß und über die Folds hinweg relativ stabil. Die daraus resultierende OOF-Auswertung lieferte etwa 114.558 Out-of-Fold-Vorhersagen.
Die PR-AUC-Werte über die sechs Folds waren:
Fold 1: 0,6894
Fold 2: 0,6910
Fold 3: 0,6833
Fold 4: 0,6866
Fold 5: 0,6584
Faltung 6: 0,6999
Die meisten Folds waren relativ stabil, obwohl Fold 5 deutlich schwächer ausfiel. Wir halten diesen Zeitraum für besonders interessant im Hinblick auf eine spätere Regime- und Graphstrukturanalyse.
Der nächste Schritt war der Teil, den wir als am wichtigsten erachteten: ein direkter Vergleich mit unseren bestehenden GEN2-Champion-Modellen.
Wir haben die GinAR-OOF-Vorhersagen mit den entsprechenden GEN2-Vorhersagen am gleichen Schnittpunkt aus Symbol und Zeitstempel abgeglichen.
Der Vergleich umfasste 90.122 abgeglichene Beobachtungen außerhalb des Folds.
Das Ergebnis lautete:
Delta PR-AUC: -0,0161
Delta LogLoss: +0,0059
Da ein höherer PR-AUC-Wert und ein niedrigerer LogLoss-Wert wünschenswert sind, sprach das aktuelle Ergebnis eindeutig für die bestehenden GEN2-Modelle.
Mit anderen Worten: In unserem ersten Experiment konnte GinAR als eigenständiger WHIPSAW-Klassifikator unsere bestehende Modellfamilie aus logistischer Regression, XGBoost, LightGBM und CatBoost nicht übertreffen.
Wir haben GinAR daher nicht als Ersatz für GEN2 empfohlen.
Ich glaube jedoch nicht, dass dieses Ergebnis GinAR für Finanzanwendungen uninteressant macht.
Tatsächlich könnte das Experiment darauf hindeuten, dass der wertvollste Teil der Architektur nicht unbedingt der abschließende eigenständige Klassifikator ist.
GinAR erzeugt eine assetübergreifende latente Darstellung, über die unsere unabhängigen, symbolbezogenen Modelle von Natur aus nicht verfügen.
Aus diesem Grund behalten wir GinAR als Forschungs-Encoder bei und ändern die nächste Forschungsfrage von:
„Kann GinAR GEN2 ersetzen?“
in:
„Kann GinAR GEN2 um assetübergreifende Informationen ergänzen?“
Unser nächstes geplantes Experiment lautet daher:
GEN2-Baseline
versus
GEN2 + GinAR-anlageklassenübergreifende Einbettungen
unter Verwendung von „fold-safe Stacking“, Wahrscheinlichkeits-Diskrepanz-Analyse, Regime-Analyse, Graph-Stabilitäts-Analyse und Ablationsversuchen.
Unser besonderes Interesse gilt der Untersuchung von Fällen, in denen der GEN2-Champion falsch liegt, während GinAR richtig liegt, und umgekehrt. Sollten sich diese Fehlermengen ausreichend unterscheiden, könnte die GinAR-Darstellung trotz ihres niedrigeren eigenständigen PR-AUC-Werts dennoch als zusätzliche Merkmalsschicht nützlich sein.
Außerdem planen wir zu untersuchen, ob die gelernte Adjazenzmatrix über die Zeit stabil bleibt oder ob sich die Beziehungen zwischen den Instrumenten über verschiedene Volatilitäts- und Marktregime hinweg wesentlich verändern.
Hier könnten graphbasierte Modelle unserer Ansicht nach in Handelssystemen besonders nützlich werden.
Beispielsweise die Relevanz von Beziehungen wie:
Gold ↔ USD,
Devisen ↔ US-Indizes,
USDCAD ↔ Energie,
oder USTEC ↔ große Technologiewerte
nicht unbedingt davon auszugehen, dass sie über die Zeit hinweg konstant bleibt.
Ein Modell, das in der Lage ist, diese Zusammenhänge dynamisch zu erlernen, kann wertvolle Einblicke liefern, selbst wenn sein direkter Klassifikationskopf für sich genommen nicht der stärkste Prädiktor ist.
Eine methodische Erkenntnis aus unserem Experiment ist ebenfalls erwähnenswert: Es ist sehr leicht, eine neue neuronale Architektur allein anhand des Trainingsverlusts oder eines einzigen Backtests zu beurteilen. Unsere Ergebnisse veränderten die Interpretation des Modells, sobald wir es mit einem bestehenden Benchmark anhand derselben „Out-of-Fold“-Beobachtungen verglichen.
Für uns ist diese Art des Vergleichs unerlässlich.
Ein neues Modell sollte nicht allein deshalb als nützlich angesehen werden, weil es eine vernünftige Metrik liefert. Es muss entweder Folgendes nachweisen:
- eine bessere Vorhersageleistung,
- eine bessere Kalibrierung,
- eine bessere Robustheit,
- komplementäre Fehler,
- nützliche latente Darstellungen,
- oder messbarer Mehrwert in Kombination mit einem bestehenden System.
Zu diesem Zeitpunkt lautet unsere Schlussfolgerung daher:
GinAR ist derzeit kein besserer eigenständiger Klassifikator als unsere GEN2-Modelle, bleibt jedoch ein vielversprechender Kandidat als Schicht zur anlageklassenübergreifenden Darstellung und Merkmalsgenerierung.
Wir haben den endgültigen, unberührten Holdout-Datensatz bewusst bis zur Festlegung der nächsten Forschungsphase unter Verschluss gehalten, um zu vermeiden, dass der Holdout-Datensatz wiederholt für Entscheidungen zur Modellentwicklung herangezogen wird.
Ich wäre sehr daran interessiert, die kommenden Experimente des Autors mit realen Marktdaten zu sehen, insbesondere:
- wie sich GinAR bei der Walk-Forward-Validierung verhält,
- wie fehlende Variablen über verschiedene Handelssitzungen hinweg behandelt werden,
- ob die gelernte Graphstruktur über verschiedene Marktphasen hinweg stabil bleibt,
- ob die Architektur für Prognosen oder Klassifikationen effektiver ist,
- und ob Graphen-Embeddings in Kombination mit leistungsstärkeren baumbasierten Modellen einen zusätzlichen Mehrwert bieten.
Vielen Dank für die Veröffentlichung dieser Serie. Sie stellt eine der interessanteren Ansätze dar, die wir bisher bei der Anwendung multivariater, graphbasierter Lernverfahren auf finanzielle Zeitreihen kennengelernt haben.
Auch wenn unser erster unabhängiger Vergleich keinen eigenständigen Vorteil gegenüber GEN2 zeigte, eröffnete das Experiment für uns eine neue und potenziell nützlichere Forschungsrichtung: die Nutzung von GinAR als anlageklassenübergreifende Intelligenzebene statt lediglich als weiteren Klassifikator.
Ich freue mich auf den nächsten Artikel und wäre sehr daran interessiert, unsere Ergebnisse mit den Marktdaten-Ergebnissen des Autors zu vergleichen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netze im Trading: Ein Ende-zu-Ende-Modell für multivariate Zeitreihenprognose (Kernkomponenten) :
Der Interpolation Attention-Mechanismus spielt eine zentrale Rolle in der Architektur: Dabei handelt es sich nicht um einen klassischen Self-Attention-Kernel, sondern um ein vollwertiges adaptives Modul, das sowohl globale Abhängigkeiten zwischen Variablen als auch den lokalen Kontext von Beobachtungen berücksichtigen kann. In der Praxis bedeutet dies, dass das Modell beispielsweise in der Lage ist, den Wert eines Finanzindikators auch dann zu prognostizieren, wenn dessen aktuellste Messwerte fehlen – und zwar unter Heranziehung der Struktur benachbarter Indikatoren und des allgemeinen Marktbildes. Dieser Ansatz ist unter realen Bedingungen von entscheidender Bedeutung, da Daten dort oft verspätet, unregelmäßig oder mit großen Lücken eintreffen.
Ein wesentliches Merkmal von GinAR ist die Fähigkeit, die Graphstruktur während des Trainings dynamisch neu aufzubauen. Im Gegensatz zu den meisten graphbasierten Modellen, bei denen die Struktur von vornherein festgelegt ist, entsteht sie hier erst während des Trainings. Dadurch lassen sich Veränderungen der Marktbedingungen, Korrelationen und latente Faktoren berücksichtigen. Das Modell entscheidet eigenständig, welche Variablen miteinander verbunden werden sollen, welche Verbindungen abgeschwächt werden sollen und welche als entscheidend für den aktuellen Kontext hervorgehoben werden sollen. Dadurch entsteht eine flexible Architektur, die sich an Marktregime und Marktdynamiken anpassen kann.
Im praktischen Teil des vorherigen Artikels haben wir bereits viel Arbeit geleistet und damit die Grundlage für Berechnungen im OpenCL-Programm geschaffen. Alle wichtigen Funktionen wurden implementiert – von lokalen Reduktionen und der Berechnung von SoftMax bis hin zu den Vorwärts- und Rückwärtsdurchläufen im Interpolation Attention-Modul. Besonderes Augenmerk wurde auf den korrekten Umgang mit lokalem Speicher, die Stream-Synchronisation und die numerische Stabilität gelegt, was bei der Arbeit mit unvollständigen Zeitreihen in einer parallelen Rechenumgebung besonders wichtig ist.
Diese Vorbereitung ebnet den Weg für den nächsten Schritt – die Integration des Modellkerns in das Hauptprogramm. Hier wird der Algorithmus zum Leben erwachen: Daten werden aus der Handelsumgebung empfangen, mithilfe von OpenCL-Geräten verarbeitet, durch das Modell geleitet und als Prognosen und Handelsentscheidungen zurückgegeben. Diese Verbindung zwischen der übergeordneten Logik und den hardwarenahen, beschleunigten Berechnungen ist ein wesentlicher Bestandteil unserer Gesamtimplementierung der GinAR-Architektur.
Autor: Dmitriy Gizlyk