Diskussion zum Artikel "Neuronale Netze im Handel: Robuste Handelssignale in jedem Marktregime (ST-Expert)"

Neuer Artikel Neuronale Netze im Handel: Robuste Handelssignale in jedem Marktregime (ST-Expert) :

In diesem Artikel werden wir uns mit dem ST-Expert-Framework befassen, das die Robustheit von Prognosen unter Marktunsicherheit gewährleistet, indem es lokale und globale Abhängigkeiten in Zeitreihen berücksichtigt. Die flexible Architektur fördert die Anpassungsfähigkeit des Modells und verbessert die Genauigkeit der Vorhersagen.

Wir sind es gewohnt, in Korrelationen zu denken. Es besteht ein stabiler Zusammenhang zwischen dem Ölpreis und dem Wechselkurs des kanadischen Dollars, zwischen den Zinssätzen der Fed und dem Technologiesektor sowie zwischen der Nachfrage nach Gold und den Kursschwankungen des Dollars. Sobald sich jedoch die äußeren Bedingungen ändern, brechen diese Abhängigkeiten zusammen. Während des durch COVID-19 ausgelösten Börsencrashs im Jahr 2020 spiegelten die üblichen Korrelationen zwischen Aktien, Anleihen und Rohstoffen innerhalb weniger Wochen nicht mehr die Realität wider. Selbst geringfügigere Regimewechsel, wie etwa Zyklen von Zinserhöhungen und -senkungen durch die Fed, können Korrelationen drastisch verändern und Modelle untergraben, die einst als zuverlässig galten.

Der Kern des Problems besteht darin, dass moderne Algorithmen anhand relativ kurzer und homogener Datenintervalle trainiert werden. Unter diesen Laborbedingungen erzielen sie beeindruckende Ergebnisse und erfassen dabei auch subtile Zusammenhänge zwischen den Vermögenswerten. Sobald der Markt jedoch von seiner üblichen statistischen Verteilung abweicht, sinkt die Genauigkeit der Prognosen drastisch. Im Wesentlichen zeigen die Modelle in ruhigen Phasen eine sehr gute Leistung, sind jedoch nicht in der Lage, mit Phasenübergängen am Markt umzugehen.

Diese Situation ähnelt in vielerlei Hinsicht der Situation in städtischen Verkehrsnetzen; anhand dieses Beispiels schlugen die Autoren der wissenschaftlichen Arbeit „Robust Traffic Forecasting against Spatial Shift over Years“ ein neues Framework namens ST-Expert vor. Solange sich die Stadt nicht verändert, funktionieren Verkehrsprognosen sehr gut. Doch sobald eine neue Anschlussstelle gebaut wird oder ein großes Einkaufszentrum eröffnet, sind die alten Routen überholt. Im Finanzbereich sind diese Einflussfaktoren regulatorische Entscheidungen, Sanktionen, geopolitische Konflikte oder das Aufkommen neuer Technologien. Die Verknüpfungsstruktur verändert sich, und ältere Modelle werden unwirksam.

Um diese Herausforderung zu bewältigen, schlagen die Autoren von ST-Expert eine originelle Lösung auf Basis einer Mixture of Experts (MoE) vor. Der Kerngedanke besteht darin, dass das Modell nicht anhand einer einzigen starren Struktur von Abhängigkeiten lernt, sondern anhand einer Reihe von Graphgeneratoren, die als „Graphons“ bezeichnet werden. Jedes davon spiegelt eine bestimmte Art von Marktverhalten wider. Ein Experte identifiziert Muster bei einem anhaltenden Trend, ein anderer beschreibt eine Phase hoher Volatilität und ein dritter erkennt lokale Korrelationen innerhalb von Branchen. Wenn sich der Markt verändert, bricht das System nicht zusammen, sondern kombiniert auf adaptive Weise zuvor erlernte Szenarien, schafft neue Verbindungen zwischen den Instrumenten und gewährleistet so weiterhin die Prognosegenauigkeit.


Autor: Dmitriy Gizlyk