Vhagar

Was ist das?

Greensight AI COMBO ist ein vollständig eigenständiger Indikator mit künstlicher Intelligenz für MetaTrader 5. Er trainiert drei verschiedene Deep-Learning-Sequenzmodelle - xLSTM (sLSTM), GRU und Mamba (Diagonal SSM) - direkt auf Live-Marktdaten und speist dann ihre Ergebnisse in ein gradientenverstärktes XGBoost-Ensemble ein, um ein endgültiges Richtungssignal zu erzeugen. Diese zweistufige Pipeline läuft über alle 21 nativen MetaTrader 5-Zeitrahmen gleichzeitig (M1 bis MN1) und zeigt jedes Signal, jeden Konfidenzwert und jede Modellzustandsmetrik auf einem einzigen, interaktiven HUD-Overlay an - kein externer Server, kein Abonnement-Feed, keine Blackbox-Abhängigkeit.

Außer der Indikatordatei muss nichts installiert werden. Das Training erfolgt automatisch beim Anhängen und wird mit jedem neuen Balken wiederholt.

Wie die zweistufige Pipeline funktioniert

Stufe 1 - Deep Learning Sequenzextraktion

Drei architektonisch unterschiedliche Sequenzmodelle werden trainiert und parallel ausgeführt. Jedes Modell arbeitet mit zwei unabhängigen Datenspuren pro Zeitrahmen: einer normalisierten Preisspur und einer normalisierten Log-Return-Spur, wodurch sechs Rohprognosen pro Zeitrahmen erstellt werden (drei Modelle × zwei Spuren).

xLSTM (sLSTM-Variante - Beck et al. 2024) Die erweiterte Long Short-Term Memory-Implementierung ersetzt die standardmäßigen sigmoidalen Vergessens- und Eingabegatter durch exponentielle Gatter. Eine laufende Stabilisatorvariable verhindert einen numerischen Überlauf während der Potenzierung, und eine Normalisatorvariable sorgt dafür, dass die Zellausgabe begrenzt bleibt. Es hat sich gezeigt, dass diese Architektur den Gradientenfluss über längere Sequenzen aufrechterhält als das klassische LSTM und deutlicher auf Regimewechsel reagiert - eine wichtige Eigenschaft bei Marktübergängen zwischen Trends und Schwankungen.

GRU (Gated Recurrent Unit) Eine schlankere rekurrente Architektur mit Reset- und Update-Gates. Die GRU trainiert schneller pro Epoche, konvergiert zuverlässig bei kürzeren Rückblickfenstern und fungiert als ergänzende "zweite Meinung" zum xLSTM. Während das xLSTM bei plötzlichen Umkehrungen zurückbleiben kann, erfasst die GRU diese oft früher.

Mamba (Diagonal State Space Model) Ein vereinfachtes diagonales SSM, das von der Literatur über strukturierte Zustandsräume inspiriert ist. Anstelle eines expliziten Aufmerksamkeitsmechanismus propagiert Mamba einen latenten Zustand durch eine diagonale Übergangsmatrix, was eine effiziente zeitliche Modellierung über weite Strecken bei minimalen Rechenkosten ermöglicht. Die diagonale Beschränkung hält das Training stabil und bewahrt gleichzeitig die Empfindlichkeit gegenüber sich langsam entwickelnden Marktregimen.

Alle drei Modelle werden mit Xavier-skalierten Zufallsgewichten initialisiert, mit einem kombinierten Gradientenabstieg/SPSA-Störungsschema mit Gewichtsbegrenzung trainiert und im Inferenzmodus auf dem aktuellen Balken ausgeführt, um den Merkmalsvektor der Stufe 1 zu erzeugen.

Stufe 2 - XGBoost Gradient-Boosted Decision Stumps

Die sechs Ausgänge der Stufe 1 werden mit zwei OHLC-Kerzenstrukturmerkmalen (dem Verhältnis zwischen hohem und niedrigem Bereich und dem Körperverhältnis) kombiniert, um einen Eingangsvektor mit acht Merkmalen zu bilden. Dieser Vektor wird an einen trainierten XGBoost-Wald aus flachen Entscheidungsstümpfen weitergegeben. XGBoost erlernt die Restkorrekturen iterativ und ist damit äußerst effektiv bei der Kombination heterogener Signalquellen - in diesem Fall drei DL-Modelle mit jeweils unterschiedlichen Stärken - zu einer einzigen kalibrierten Richtungsvorhersage.

Die endgültige Ausgabe von Stufe 2 ist ein Skalar zwischen -1 und +1. Werte oberhalb des konfigurierbaren Schwellenwerts für die Totzone führen zu einem KAUFEN-Signal, Werte darunter zu einem VERKAUFEN; der Rest wird als NEUTRAL registriert.

Das HUD auf einen Blick

Das schwebende HUD-Panel ist in klar beschriftete Abschnitte unterteilt, die alle auf einmal sichtbar sind:

7 × 3 Signalraster (Abschnitt A) Alle 21 Zeitrahmen werden in einem kompakten siebenspaltigen, dreireihigen Raster angezeigt. Jede Zeile zeigt die Bezeichnung des Zeitrahmens, das aktuelle Signal (Schwach / Mittel / Stark KAUFEN oder VERKAUFEN oder NEUTRAL), die prozentuale Konfidenz und einen DL-Übereinstimmungswert - die Anzahl der Teilmodelle der Stufe 1, die mit der endgültigen Richtung der Stufe 2 übereinstimmen (dargestellt als x/6).

Band Confidence Row Die 21 Zeitrahmen sind in drei zeitliche Bänder gruppiert - SHORT (M1-M30), MID (H1-H12) und LONG (D1-MN). Jedes Band zeigt seine Konsensrichtung, das durchschnittliche Vertrauen und die Bullen-/Bärenanzahl auf einen Blick an.

Wahrscheinlichkeitsmatrix (Abschnitt B) Ein vierstufiges Scoring-System für Zusammenflüsse:

Die Wahrscheinlichkeitsschätzung passt sich dynamisch auf der Grundlage des durchschnittlichen Vertrauens über die trainierten Zeiträume an.

Confluence-Panel (Abschnitt C) Zeigt den Prozentsatz der Netto-Bullen/Bären-Übereinstimmung, das durchschnittliche Vertrauen über alle trainierten TFs, eine normalisierte Punktzahl und die Bezeichnung der dominanten Verzerrung (Strong Bull / Bull Bias / No Bias / Bear Bias / Strong Bear) an.

Modellgesundheit und -übereinstimmung (Abschnitt F) Eine Aufschlüsselung pro Modell für alle sechs Teilmodelle der Stufe 1 (xLSTM-Preis, GRU-Preis, Mamba-Preis, xLSTM-Return, GRU-Return, Mamba-Return) über alle 21 trainierten Zeitrahmen. Die Spalten zeigen die Anzahl der Bullen, der Bären, der Neutralen, die durchschnittliche Entschlossenheit, den prozentualen Anteil der XGBoost-Zustimmung, einen Gesundheitsstatus (STRONG / ACTIVE / WEAK) und die Nettoverzerrung. Dieser Abschnitt ist von unschätzbarem Wert für die Diagnose, welche Modelle das Gesamtsignal antreiben und welche in die entgegengesetzte Richtung ziehen.

Modellvaliditäts-Tracker Zeigt die Zeitstempel für das Training pro Band, das berechnete Gültigkeitsfenster (abgeleitet aus der Anzahl der Trainingsbalken und der durchschnittlichen TF-Dauer), die verbleibende Zeit, bevor das Modell als veraltet gilt, und ein Statusabzeichen FRISCH / ALTER / VERALTERT an. Sagt Ihnen genau, wann ein erneutes Training fällig ist.

Fußzeile / Bull-Bear-Balken Eine einzeilige Zusammenfassung der Gesamtverzerrung mit einem proportionalen visuellen Balken, der das Bull/Bear-Gleichgewicht über alle 21 Zeitrahmen anzeigt.

Alarmsystem

Alarme werden in drei verschiedenen Szenarien ausgelöst:

• Tier 1 All-Band Alignment - alle drei zeitlichen Bänder stimmen in dieselbe Richtung mit einem Konfidenzniveau oberhalb des Schwellenwerts.
• Bias Threshold - der Netto-Bull/Bear-Bias erreicht oder übersteigt das konfigurierte Minimum mit Bestätigung in der Mitte des Bandes.
• Bias Flip - die vorherrschende Richtung kehrt sich gegenüber dem vorangegangenen Balkenwert um.

Alarme werden im MT5-Alarmfenster angezeigt. Optionale Push-Benachrichtigungen senden das Signal über das MT5-Push-System an Ihr mobiles Gerät. Ein konfigurierbarer Cooldown verhindert doppelte Alarme innerhalb einer bestimmten Anzahl von Bars.

HUD-Steuerungen

Das Panel ist vollständig interaktiv, ohne dass der Indikator neu geladen werden muss:

• [─] Minimieren - verkleinert das HUD auf die Kopfleiste, damit Ihr Diagramm übersichtlich bleibt.
• [↔] Verschiebemodus - ermöglicht das Ziehen zur Positionierung mit der linken Maustaste oder den Pfeiltasten (◄ ► ▲ ▼).
• [+] / [-] Skalieren - skaliert das gesamte HUD von 0,5× bis 2,0× in 0,1×-Schritten, um es an jede Monitorauflösung anzupassen.

Eingabeparameter

Stufe 1: DL-Modellgewichte Konfigurieren Sie das Beitragsgewicht jedes Modells (xLSTM, GRU, Mamba) und die relative Gewichtung zwischen der Preisspur und der Log-Return-Spur.

xLSTM / GRU-Einstellungen

• Länge der Lookback-Sequenz (Balken)
• Ausgeblendete Einheiten pro Zelle (bis zu 12)
• Trainingsbalken pro Zeitrahmen
• Trainingsepochen
• Lernrate
• Signal-Totzonen-Schwelle

Mamba-Einstellungen

• Trainingsepochen
• Lernrate

Stufe 2: XGBoost

• Anzahl der Boosting-Bäume (bis zu 10)
• Lernrate (Schrumpfung)
• Umfang der Stufe-2-Trainingsstichprobe

Warnungen

• Alarme aktivieren/deaktivieren
• Push-Benachrichtigungen aktivieren/deaktivieren
• Minimale Konfidenzschwelle zum Auslösen
• Minimale Nettoverzerrung zum Auslösen
• Abklingzeit des Alarms (Balken)

HUD

• Ausgangsposition X und Y
• Skalierungsmultiplikator
• Automatisches Auffrischen beim Umschalten auf einen neuen Balken

Aussehen Vollständige Farbanpassung für jedes Element: Hintergrund, Rahmen, Überschrift, Unterüberschrift, gedämpfter Text, Bullenfarbe, Bärenfarbe, neutrale Farbe, übermäßige Farbe und Goldakzent. Alle Farben akzeptieren die Standard-MT5-Farbeingaben.

Praktische Nutzungshinweise

• Beim ersten Anlegen trainiert der Indikator alle 21 Zeitrahmenmodelle nacheinander. Die Trainingszeit hängt von den Einstellungen für Training Bars und Epochs ab; die Standardkonfiguration ist auf einem modernen Rechner normalerweise in weniger als zwei Minuten abgeschlossen.
• Das HUD wird bei jedem neuen Balken aktualisiert, wenn Auto-Refresh aktiviert ist. Die Inferenz ist leichtgewichtig; nur der Vorwärtsdurchlauf läuft bei jedem Balken - eine vollständige Umschulung erfordert ein manuelles Neuladen des Indikators.
• Tier-1-Signale (alle drei Bänder ausgerichtet) stellen die hochwertigsten Setups dar. Berücksichtigen Sie diese Signale sorgfältig; sie sind von vornherein selten.
• Der Abschnitt Modellgesundheit kann Ihnen bei der Abstimmung der Gewichte helfen: Wenn ein Modell durchgängig einen WEAK-Status aufweist (niedrige XGB-Übereinstimmung), können Sie sein Stufe-1-Gewicht in den Eingaben reduzieren.
• Der Model Validity Tracker gibt Ihnen ein datengestütztes Signal, wenn die trainierten Gewichte im Verhältnis zu den aktuellen Marktbedingungen veraltet sind. Laden Sie den Indikator neu, um neu zu trainieren, wenn ein Band STALE anzeigt.
• Verwenden Sie die Skalierungssteuerung, um das HUD auf 4K-Monitoren lesbar zu machen, ohne den Platz im Chart auf kleineren Bildschirmen zu opfern.

Technische Daten

Greensight AI COMBO ist ein Werkzeug zur technischen Analyse. Alle Signale sind probabilistischer Natur. Die Übereinstimmung der Modelle in der Vergangenheit ist keine Garantie für zukünftige Genauigkeit. Wenden Sie stets ein unabhängiges Risikomanagement an.