In diesem Artikel schließen wir unsere Arbeit an der Entwicklung des SAGDFN-Frameworks mit MQL5 ab, fassen den Entwicklungsprozess zusammen und stellen die Ergebnisse der praktischen Tests vor. Lassen Sie uns die bereits implementierten Module zu einem einzigen System zusammenführen, die Stärken dieses Ansatzes hervorheben, auf seine Schwächen hinweisen und mögliche Wege zu seiner Verbesserung erörtern.
Das Trainieren des Modells ist wie eine gut geplante Expedition: Bevor wir uns auf die weite See des realen Marktes begaben, haben wir im ruhigen Hafen der Geschichte gründlich geübt. Diese erste Offline-Phase basierte auf Daten des Währungspaares EURUSD im H1-Zeitrahmen für das gesamte Jahr 2024 – ein Zeitraum, der durch erhebliche Kontraste gekennzeichnet war. Hier fanden wir alles vor – von den ruhigen, fast spiegelglatten Gewässern seitwärts tendierender Märkte bis hin zu den turbulenten Stürmen starker Trendbewegungen und unerwarteten Böen nachrichtenbedingter Volatilität. Dank dieser großen Vielfalt an Marktszenarien konnte das Modell eine robuste Navigation entwickeln und lernen, sowohl häufige als auch seltene Kursbewegungsmuster zu erkennen, ohne selbst unter schwierigen Bedingungen die Orientierung zu verlieren.
Nachdem diese Vorbereitungen abgeschlossen waren, war es an der Zeit, das Übungsdock zu verlassen und in den Strömungen des realen Marktes das Schiff auf die Probe zu stellen. Die zweite Phase – die Online-Feinabstimmung – wurde unter realistischen Bedingungen im Strategietester von MetaTrader 5 durchgeführt. Hier trafen die Daten nacheinander ein, eine Kerze nach der anderen, und das Modell lernte nicht nur, Streaming-Daten zu analysieren, sondern auch, inmitten von Rauschwirbeln, auf den wandernden Untiefen geringer Liquidität und während unerwarteter Nachrichtenstürme stabil zu bleiben. Diese Phase diente der präzisen Feinabstimmung: Sie beeinträchtigte das bereits etablierte Framework nicht, sondern half dabei, es für reale Bedingungen zu optimieren, die Anpassungsfähigkeit zu erhöhen und das Risiko einer Überanpassung zu verringern.
Der abschließende Test erwies sich als echte Feuerprobe. Wir haben die Daten aus dem Januar 2025 herangezogen – völlig neue Daten, die von früheren Experimenten unberührt geblieben waren – und alle zuvor abgeleiteten Parameter geladen, ohne auch nur eine einzige Änderung vorzunehmen. Das war ein entscheidender Punkt: keine Feinabstimmung, keine zusätzlichen Anpassungen – lediglich ein reiner Test, der die tatsächliche Generalisierungsfähigkeit des Modells widerspiegelte.
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 Trading: Das adaptive Graphdiffusionsmodell (Fazit) :
Das Trainieren des Modells ist wie eine gut geplante Expedition: Bevor wir uns auf die weite See des realen Marktes begaben, haben wir im ruhigen Hafen der Geschichte gründlich geübt. Diese erste Offline-Phase basierte auf Daten des Währungspaares EURUSD im H1-Zeitrahmen für das gesamte Jahr 2024 – ein Zeitraum, der durch erhebliche Kontraste gekennzeichnet war. Hier fanden wir alles vor – von den ruhigen, fast spiegelglatten Gewässern seitwärts tendierender Märkte bis hin zu den turbulenten Stürmen starker Trendbewegungen und unerwarteten Böen nachrichtenbedingter Volatilität. Dank dieser großen Vielfalt an Marktszenarien konnte das Modell eine robuste Navigation entwickeln und lernen, sowohl häufige als auch seltene Kursbewegungsmuster zu erkennen, ohne selbst unter schwierigen Bedingungen die Orientierung zu verlieren.
Nachdem diese Vorbereitungen abgeschlossen waren, war es an der Zeit, das Übungsdock zu verlassen und in den Strömungen des realen Marktes das Schiff auf die Probe zu stellen. Die zweite Phase – die Online-Feinabstimmung – wurde unter realistischen Bedingungen im Strategietester von MetaTrader 5 durchgeführt. Hier trafen die Daten nacheinander ein, eine Kerze nach der anderen, und das Modell lernte nicht nur, Streaming-Daten zu analysieren, sondern auch, inmitten von Rauschwirbeln, auf den wandernden Untiefen geringer Liquidität und während unerwarteter Nachrichtenstürme stabil zu bleiben. Diese Phase diente der präzisen Feinabstimmung: Sie beeinträchtigte das bereits etablierte Framework nicht, sondern half dabei, es für reale Bedingungen zu optimieren, die Anpassungsfähigkeit zu erhöhen und das Risiko einer Überanpassung zu verringern.
Der abschließende Test erwies sich als echte Feuerprobe. Wir haben die Daten aus dem Januar 2025 herangezogen – völlig neue Daten, die von früheren Experimenten unberührt geblieben waren – und alle zuvor abgeleiteten Parameter geladen, ohne auch nur eine einzige Änderung vorzunehmen. Das war ein entscheidender Punkt: keine Feinabstimmung, keine zusätzlichen Anpassungen – lediglich ein reiner Test, der die tatsächliche Generalisierungsfähigkeit des Modells widerspiegelte.
Die Testergebnisse sind unten aufgeführt.
Autor: Dmitriy Gizlyk