Diskussion zum Artikel "Neuronale Netze im Handel: Eine einheitliche Betrachtung von Raum und Zeit (Abschluss)"

Neuer Artikel Neuronale Netze im Handel: Eine einheitliche Betrachtung von Raum und Zeit (Abschluss) :

Das Extralonger-Framework zeichnet sich durch die einzigartige Fähigkeit aus, räumliche und zeitliche Faktoren in einem einzigen Modell zu vereinen, wodurch eine hohe Prognosegenauigkeit gewährleistet wird. Dank seiner Architektur lässt es sich an unterschiedliche Planungshorizonte und Finanzinstrumente anpassen, wobei die Transparenz und Verwaltbarkeit des Systems gewahrt bleiben.

Das Modelltraining ist eine umfassende Vorbereitung auf den Handel. Bevor wir die Strategie im realen Handel eingesetzt haben, haben wir sie anhand historischer Daten gründlich einem Backtest unterzogen. Die erste Phase – das Offline-Training – wurde anhand einer Stichprobe des Währungspaares EURUSD im H1-Zeitrahmen für den Zeitraum von Januar 2024 bis Juni 2025 durchgeführt. Diese Phase erwies sich als intensiv und abwechslungsreich: Ruhige Phasen mit Seitwärtsbewegungen wechselten sich mit starken Trendbewegungen ab, während Nachrichtenveröffentlichungen kurze Phasen hoher Volatilität auslösten. Dank dieser Kombination von Bedingungen konnte das Modell lernen, eine Vielzahl von Marktszenarien zu unterscheiden und robuste Handelsentscheidungen zu treffen, ohne in komplexen Situationen die Orientierung zu verlieren.

Nachdem die erste Vorbereitungsphase abgeschlossen war, gingen wir zur zweiten über – der Online-Feinabstimmung im Strategietester von MetaTrader 5. Hier trafen die Daten in Echtzeit ein – Kursbar für Kursbar –, und das Modell lernte die Dynamik der Arbeit mit Streaming-Daten. Es lernte, trotz Marktrauschen stabil zu bleiben, mit geringer Liquidität umzugehen und auch bei plötzlichen Kurssprüngen den Kurs zu halten. Diese Phase diente gewissermaßen der Feinabstimmung der Strategie. Diese Phase veränderte das auf historischen Daten aufgebaute Framework nicht, half aber dabei, es an reale Bedingungen anzupassen und das Risiko einer Überanpassung zu verringern.

Der abschließende Test wurde anhand von Daten aus Juli 2025 durchgeführt – diese Daten waren zuvor noch nicht verwendet worden und für das Modell völlig neu. Alle in den vorangegangenen Phasen ermittelten Parameter wurden unverändert geladen. Dieser reine Out-of-Sample-Test ermöglichte es, die Generalisierungsfähigkeit des Modells ohne jegliche Feinabstimmung oder Anpassungen objektiv zu bewerten.

Die Testergebnisse sind im Folgenden aufgeführt.


Autor: Dmitriy Gizlyk