Der Artikel beschreibt eine praktische Implementierung des HimNet-Frameworks auf Basis von MQL5, die für die Integration in den automatisierten Handel bereit ist. Wir zeigen, wie heterogenitätsangepasste Metaparameter das Modell in ein universelles Werkzeug verwandeln, das schwankende Volatilität bewältigen kann.
Das Training gliedert sich in zwei sich ergänzende Phasen, die sowohl eine solide Grundlage als auch die nötige Flexibilität für den Einsatz unter realen Marktbedingungen schaffen. In der ersten Phase, der Offline-Phase, führten wir ein umfangreiches Training anhand historischer Daten für das Währungspaar EURUSD im H1-Zeitrahmen über das gesamte Jahr 2024 durch. Dieser Zeitraum umfasste das gesamte Spektrum der Marktbedingungen – ruhige Seitwärtsmärkte, anhaltende Trends, starke Volatilitätssprünge und Phasen verstärkten Rauschens – und bot somit ein hervorragendes Trainingsfeld für das Modell.
Die zweite Phase ist die Online-Feinabstimmung. Das Modell verarbeitete den Strom der Kerzen sequenziell im MetaTrader 5-Strategietester unter Bedingungen, die denen des realen Handels so nahe wie möglich kamen. In dieser Phase zeigen sich Eigenschaften, die sich grundlegend von denen des Offline-Trainings unterscheiden: die Fähigkeit, Rauschen zu tolerieren, angemessen auf Liquiditätsveränderungen zu reagieren sowie Verzögerungen und Slippage zu berücksichtigen. Wir haben die realen Ausführungsbedingungen sorgfältig simuliert, damit das Verhalten des Modells auch bei der Übertragung auf reale Marktbedingungen vorhersehbar bleibt.
Die abschließende und strengste Validierungsphase wurde anhand einer vollständig externen Stichprobe durchgeführt – Kursdaten aus dem Zeitraum Januar bis März 2025. Alle Modellparameter blieben während dieses Vorgangs unverändert. Diese Art von Tests liefert ein objektives Bild der praktischen Wirksamkeit, also der Fähigkeit des Algorithmus, unter neuen Bedingungen Stabilität und Vorhersagbarkeit aufrechtzuerhalten.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Erlauben Sie die Verwendung von Cookies, um sich auf der Website MQL5.com anzumelden.
Bitte aktivieren Sie die notwendige Einstellung in Ihrem Browser, da Sie sich sonst nicht einloggen können.
Sie sind angemeldet. Die Zwei-Faktor-Authentifizierung wurde deaktiviert. Richten Sie sie erneut ein und scannen Sie einen neuen QR-Code oder fahren Sie mit deaktivierter Zwei-Faktor-Authentifizierung fort.
Neuer Artikel Neuronale Netze im Handel: Heterogenitätsgestütztes Metaparameterlernen (Fazit) :
Das Training gliedert sich in zwei sich ergänzende Phasen, die sowohl eine solide Grundlage als auch die nötige Flexibilität für den Einsatz unter realen Marktbedingungen schaffen. In der ersten Phase, der Offline-Phase, führten wir ein umfangreiches Training anhand historischer Daten für das Währungspaar EURUSD im H1-Zeitrahmen über das gesamte Jahr 2024 durch. Dieser Zeitraum umfasste das gesamte Spektrum der Marktbedingungen – ruhige Seitwärtsmärkte, anhaltende Trends, starke Volatilitätssprünge und Phasen verstärkten Rauschens – und bot somit ein hervorragendes Trainingsfeld für das Modell.
Die zweite Phase ist die Online-Feinabstimmung. Das Modell verarbeitete den Strom der Kerzen sequenziell im MetaTrader 5-Strategietester unter Bedingungen, die denen des realen Handels so nahe wie möglich kamen. In dieser Phase zeigen sich Eigenschaften, die sich grundlegend von denen des Offline-Trainings unterscheiden: die Fähigkeit, Rauschen zu tolerieren, angemessen auf Liquiditätsveränderungen zu reagieren sowie Verzögerungen und Slippage zu berücksichtigen. Wir haben die realen Ausführungsbedingungen sorgfältig simuliert, damit das Verhalten des Modells auch bei der Übertragung auf reale Marktbedingungen vorhersehbar bleibt.
Die abschließende und strengste Validierungsphase wurde anhand einer vollständig externen Stichprobe durchgeführt – Kursdaten aus dem Zeitraum Januar bis März 2025. Alle Modellparameter blieben während dieses Vorgangs unverändert. Diese Art von Tests liefert ein objektives Bild der praktischen Wirksamkeit, also der Fähigkeit des Algorithmus, unter neuen Bedingungen Stabilität und Vorhersagbarkeit aufrechtzuerhalten.
Die Testergebnisse sind unten aufgeführt.
Autor: Dmitriy Gizlyk