Diskussion zum Artikel "Neuronale Netze im Trading: Das Temporal-Query-Modell (Fazit)"

Neuer Kommentar

Neuer Artikel Neuronale Netze im Trading: Das Temporal-Query-Modell (Fazit) :

Wir freuen uns, Ihnen die abschließende Phase der Entwicklung und des Testens des TQNet-Frameworks vorstellen zu dürfen, in der die Theorie auf die reale Trading-Praxis trifft. Wir werden vom historischen Training zu einem Stresstest mit aktuellen Marktdaten übergehen, um die Robustheit und Genauigkeit des Modells zu bewerten. Die Endergebnisse sind nicht nur trockene Statistiken, sondern auch eine klare Demonstration des praktischen Nutzens des vorgeschlagenen Ansatzes.

In der ersten Offline-Phase führten wir ein gründliches Training anhand historischer Daten für das Währungspaar EURUSD auf dem H1-Timeframe durch, die das gesamte Jahr 2024 abdeckten. Dieses Jahr bot die gesamte Bandbreite an Marktregimen – ruhige Seitwärtsmärkte, anhaltende Trends, plötzliche Volatilitätsspitzen und Phasen erhöhten Rauschens – und war damit ein ideales Trainingsumfeld für das Modell.

Die zweite Phase ist die Online-Feinabstimmung. Das Training wurde in einer Umgebung durchgeführt, die dem Live-Trading so nahe wie möglich kam: Im Strategietester von MetaTrader 5 verarbeitete das Modell den Kerzenstrom sequenziell, genau wie in Echtzeit. Der Online-Modus offenbart Eigenschaften, die sich völlig von denen im Batch-Training unterscheiden: die Fähigkeit, gegenüber Rauschen robust zu bleiben, auf Veränderungen der Liquidität zu reagieren und Verzögerungen sowie die Auswirkungen durchgängiger Slippage korrekt zu berücksichtigen. Während der Feinabstimmung simulierten wir reale Ausführungsbedingungen, damit das Verhalten des Modells bei der Übertragung auf reale Handelsbedingungen vorhersehbar bleibt.

Die letzte – und vielleicht strengste – Phase bestand in Tests anhand vollständig getrennter Out-of-Sample-Daten: Kursnotierungen von Januar bis März 2025. Alle Modellparameter und Hyperparameter blieben unverändert; auf Grundlage dieser Daten wurde keine zusätzliche Feinabstimmung vorgenommen. Diese Art von Test liefert ein objektives Bild der praktischen Wirksamkeit: Er spiegelt die Fähigkeit des Algorithmus wider, unter neuen Bedingungen vorhersehbar und stabil zu bleiben.

Die Testergebnisse sind unten aufgeführt.


Autor: Dmitriy Gizlyk

Neuer Kommentar