Diskussion zum Artikel "Handelsroboter auf Basis eines GPT-Modells für Finanzzeitreihen"

Neuer Artikel Handelsroboter auf Basis eines GPT-Modells für Finanzzeitreihen :

Der Artikel stellt eine vollständige Implementierung von TimeGPT vor, einer spezialisierten transformer-basierten Architektur zur Prognose von Finanzzeitreihen auf der MetaTrader-5-Plattform. Es werden die Anpassung des Aufmerksamkeitsmechanismus an Finanzdaten, die selektive Tokenisierung von Kursänderungen, hardwareorientierte Optimierungen sowie fortschrittliche Lernverfahren erörtert. Enthalten sind praktische Testergebnisse, die eine Prognosegenauigkeit von 87 % bei einem Prognosehorizont von 24 Balken und einer Trainingszeit von 15 Minuten auf der CPU zeigen. Außerdem stellen wir einen einsatzbereiten Expert Advisor mit automatischem erneuten Training vor.

Bevor wir uns mit dem Code befassen, ist es wichtig, zu verstehen, womit TimeGPT arbeitet. Finanzmärkte liefern Daten in Form von Zeitreihen – einer Abfolge von Kursen, die in regelmäßigen Abständen, beispielsweise stündlich, erfasst werden. Die Marktpreise folgen keinen einfachen Regeln: Sie können aufgrund von Nachrichten in die Höhe schnellen, langsam fallen oder ohne ersichtlichen Grund schwanken. Die Aufgabe von TimeGPT besteht darin, Muster in diesen Daten zu erkennen und vorherzusagen, wie sich der Kurs in 24 Stunden verändern wird – ein Zeitraum, der im Kurschart 24 Balken entspricht.

Die Entwicklung eines Modells erfordert die Lösung mehrerer Probleme. Zunächst müssen wir festlegen, wie die Kursdaten gespeichert und verarbeitet werden sollen. Dann müssen wir diese Daten in ein Format umwandeln, das das Modell verstehen kann. Als Nächstes müssen wir die Modellarchitektur so gestalten, dass sie komplexe Zusammenhänge in den Daten erkennen kann. Das Modell wird anschließend anhand historischer Daten trainiert, um zu lernen, wie es genaue Vorhersagen treffen kann. Schließlich ist es angesichts der Einschränkungen der MetaTrader-5-Plattform wichtig, das Modell so zu optimieren, dass es schnell läuft und nicht zu viel Arbeitsspeicher beansprucht. Sehen wir uns nun jeden dieser Schritte anhand des Codes aus der Datei „TimeGPT_Fixed.mqh“ genauer an.


Autor: Yevgeniy Koshtenko

Evgeny, vielen Dank! Es wäre schön, eine ähnliche Lösung für eine moderne, leistungsstarke Grafikkarte zu sehen.
Backpropagation gibt es, soweit ich das verstehe, nicht? Die Gewichte bleiben dieselben wie bei der Initialisierung.