Diskussion zum Artikel "Neuronale Netze im Handel: Eine intelligente Prognosepipeline (Fazit)"
Vielen Dank, dass Sie Ihre Codes zur Verfügung stellen. Ich verfolge Ihre Artikel schon seit einiger Zeit. Sie scheinen alle auf ganz aktuellen wissenschaftlichen Veröffentlichungen zu basieren. Ich habe jedoch Probleme beim Kompilieren, da bei allen zu viele Syntaxfehler auftreten. Viele der Fehler stammen aus der Datei „NeuroNet.cl“, die, wenn ich mich nicht irre, den Kern der OpenCL-Berechnungen für „NeuroNet.mqh“ bildet. Ich bin mir sicher, dass alle Codes auf Ihrer Seite bereits kompiliert sind. Daher nehme ich an, dass die Probleme auf die MQL-Version auf meiner Seite zurückzuführen sind, die sich möglicherweise von Ihrer unterscheidet. Könnten Sie uns dazu ein paar Details geben? Vielen Dank!
[D]ie Trades erfolgen ausschließlich auf der Long-Seite[.]
Meiner Meinung nach eignet sich ein reiner Long-Algorithmus wahrscheinlich besser für einen Index wie den S&P 500, der eine konstantere Aufwärtsbewegung aufweist.
Natürlich dient der EUR/USD lediglich als Beispiel für die im Artikel beschriebenen Konzepte und deren Funktionsweise, also…
- 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 Handel: Eine intelligente Prognosepipeline (Fazit) :
Der Modelltrainingsprozess wurde in zwei Phasen unterteilt. Dieser Ansatz ermöglichte es, das System Schritt für Schritt, zuverlässig und ohne Eile aufzubauen.
Zunächst erfolgte das Offline-Training. Wir haben historische Daten aus 15 Jahren für das Währungspaar EURUSD im M1-Zeitrahmen herangezogen. Dadurch stand dem Modell eine Vielzahl unterschiedlicher Marktsituationen zur Verfügung. Der Encoder lernte, Regelmäßigkeiten zu erkennen, aussagekräftige Muster zu identifizieren und die Marktlage in einen kompakten, informationsreichen Merkmalsvektor zu kodieren. Dieser Vektor bildet die Grundlage für alle Entscheidungen, die der Agent trifft. Während des Trainings lernt der Actor eine Verhaltensstrategie, indem er Signale vom Critic und vom Director erhält.
Als Nächstes folgte die Online-Feinabstimmung. Sie wird im Strategietester von MetaTrader 5 ausgeführt. Hier interagiert das Modell auf realistische Weise mit historischen Daten: Kerze für Kerze, mit Marktrauschen, zufälligen Schwankungen und Instabilität. Dies trägt dazu bei, das Verhalten des Agenten an die Dynamik des realen Marktes anzupassen und seine Strategie unter nahezu realen Bedingungen abzustimmen.
Nach dem Training wurde das Modell anhand neuer Daten – Kursnotierungen aus dem Januar 2025 – getestet. Alle Einstellungen waren voreingestellt und wurden nicht verändert. Dadurch wird sichergestellt, dass die Bewertung objektiv und transparent erfolgt. Die Testergebnisse sind unten aufgeführt.
Autor: Dmitriy Gizlyk