Diskussion zum Artikel "Expert Advisor mit einem neuronalen Netz auf Basis von PatchTST"

Neuer Artikel Expert Advisor mit einem neuronalen Netz auf Basis von PatchTST :

Der Artikel stellt die revolutionäre Architektur von PatchTST vor, einem speziell für die Analyse von Finanzzeitreihen entwickelten Transformer, der Marktdaten zur effizienten Verarbeitung in Patches aus jeweils 16 Balken unterteilt. Wir behandeln die vollständige Implementierung eines Expert Advisors in MQL5 und decken dabei alles ab: von den mathematischen Grundlagen und Datenstrukturen bis hin zu einem fertigen EA mit Risikomanagement und Systemen zum kontinuierlichen Lernen.

Die Revolution begann 2017 mit der Veröffentlichung des Artikels „Attention Is All You Need“. Transformer haben die Sequenzverarbeitung im Bereich der natürlichen Sprachverarbeitung (NLP) revolutioniert, doch ihre Anwendung auf Finanzzeitreihen ist auf erhebliche Hindernisse gestoßen.

Das Hauptproblem ist die Rechenkomplexität. Der Attention-Mechanismus erfordert die Berechnung von Korrelationen zwischen jedem Elementpaar in der Sequenz. Für eine Folge der Länge N ergibt dies O(N²) Operationen. Bei N = 1000 Balken (was das Minimum für eine fundierte Analyse darstellt) erreicht die Anzahl der Rechenoperationen eine Million. Jede Operation beinhaltet eine hochdimensionale Matrixmultiplikation, wodurch die Berechnung äußerst ressourcenintensiv ist.

Zudem wurden herkömmliche Transformer für diskrete Token – also Wörter in einem Text – entwickelt. Finanzdaten sind kontinuierliche Zeitreihen mit einer komplexen inneren Struktur. Die bloße Anwendung von Transformern auf Preisdaten lässt diese Besonderheit außer Acht. Bei der Tokenisierung auf der Ebene einzelner Balken gehen wichtige Informationen über lokale Muster innerhalb kurzer Zeitfenster verloren.

Versuche, Standard-Transformer für den Finanzbereich anzupassen, sind auf das Problem der Überanpassung gestoßen. Das Modell konnte bestimmte Sequenzen aus den Trainingsdaten problemlos auswendig lernen, war jedoch nicht in der Lage, dieses Wissen auf neue Marktsituationen zu übertragen. Dies zeigte sich besonders deutlich in Phasen hoher Volatilität oder bei strukturellen Marktveränderungen.

Hier kommt PatchTST ins Spiel – eine Architektur, die die Art und Weise revolutioniert, wie neuronale Netze Finanzzeitreihen analysieren sollten. Es handelt sich nicht einfach nur um einen weiteren Transformer, sondern um ein speziell angepasstes System, das die Natur von Marktdaten versteht und damit wie ein echter professioneller Händler umgeht.


Autor: Yevgeniy Koshtenko

Deine Implementierung in MQL5 ist eine technische Meisterleistung, insbesondere angesichts der Einschränkungen der Umgebung. Wenn es dir jedoch um Geschwindigkeit und Skalierbarkeit geht, bietet dir Python in Verbindung mit ML-Frameworks folgende Vorteile:

  • Schnelleres Training

  • Präzisere Modelle

  • Einfacheres Testen und Visualisieren

Soweit ich das beurteilen kann, lernt PatchTST überhaupt nichts!?