ML RSI an AI Classification and Ranking

Übersicht

ML RSI | KI-Klassifizierung und -Ranking ist ein adaptives RSI-Intelligenzsystem, das Momentum-Analyse, Erkennung historischer Muster, Klassifizierung mittels maschinellem Lernen, Konfidenzbewertung und dynamisches Trendmanagement in einem einzigen Rahmenwerk vereint.

Anstatt den RSI ausschließlich anhand traditioneller Überkaufs- und Überverkaufsschwellen zu interpretieren, untersucht der Indikator, wie sich ähnliche RSI-Situationen in der Vergangenheit verhalten haben, und nutzt diese Beobachtungen, um die aktuellen Marktbedingungen zu klassifizieren. Der Indikator transformiert den RSI in einen mehrdimensionalen Merkmalsraum, speichert historisches Marktverhalten, identifiziert die am ehesten passenden historischen Analogien und lässt diese Analogien über die zukünftige Richtungsneigung abstimmen. Eine adaptive Engine zur Merkmalsoptimierung lernt dann kontinuierlich, welche RSI-Merkmale unter den aktuellen Marktbedingungen den größten Vorhersagewert bieten.

Das Ergebnis ist ein Hybridsystem, das Folgendes vereint:

· Mehrdimensionale RSI-Analyse

· Analoge Vergleichsanalyse historischer Daten

· Klassifizierung mittels maschinellem Lernen

· Adaptive Merkmalsgewichtung

· Rang - und Konfidenzbewertung

· KI-gestütztes Trendmanagement

Warum dieser Indikator einzigartig ist

Dies ist kein gewöhnlicher RSI. Es handelt sich um eine vollwertige analoge Klassifizierungs-Engine. Sie wandelt das RSI-Verhalten in einen Marktfingerabdruck mit 8 Merkmalen um, speichert historische Beispiele, kennzeichnet diese anhand des zukünftigen Ergebnisses, findet die ähnlichsten Situationen aus der Vergangenheit, lässt diese Analogien abstimmen und wandelt das Ergebnis anschließend in einen adaptiven ML-RSI, Rang-/Konfidenzwerte, Signale und einen ML-modulierten Supertrend um.

1. Erstellt 8 vom RSI abgeleitete Merkmale

Es wird nicht nur der RSI-Wert verwendet. Es werden folgende Merkmale modelliert: RSI-Niveau, Steigung, Beschleunigung, Abstand von 50, Perzentilrang, RSI-Volatilität, Spreizung zwischen schnellem und langsamem RSI sowie geglättetes RSI-Regime. Jeder Balken wird zu einem mehrdimensionalen Momentum-Zustand und ist nicht mehr nur „RSI ist 63“.

2. Erstellt eine Speicherbank

Jeder bestätigte Balken wird zusammen mit einer Momentaufnahme seiner Merkmale und einer Kennzeichnung des zukünftigen Ergebnisses gespeichert. Die Kennzeichnung hängt davon ab, ob sich der Kurs nach einem festgelegten Zeithorizont, skaliert durch die ATR, nach oben oder unten bewegt hat. Dies ist der Trainingsdatensatz.

3. Verwendet K-Nearest-Neighbor-Analog-Matching

Für den aktuellen Balken durchsucht der Indikator den historischen Datenbestand und ermittelt anhand eines komprimierten Abstands im Lorentz-Stil die am besten passenden Beispiele aus der Vergangenheit. Dies reduziert den Einfluss von Ausreißern – große Abweichungen bei den Merkmalen dominieren das Modell nicht vollständig.

4. Lässt Analogien abstimmen

Die nächsten Nachbarn stimmen für „Bull“ oder „Bear“, gewichtet nach der Entfernung. Engere Übereinstimmungen haben mehr Gewicht. Das Ergebnis umfasst: Analog-Score, Tendenzrichtung, Übereinstimmungsanteil und Lückenengheit.

5. Automatische Optimierung der Merkmalsgewichte

Eine Berechnung nach dem Fisher-Diskriminanten-Verfahren ermittelt, welche RSI-Merkmale derzeit am besten zwischen bullischen und bärischen Ergebnissen unterscheiden. Die Gewichte werden im Zeitverlauf neu skaliert und geglättet, sodass das Modell lernen kann, dass bei einem Instrument die RSI-Steigung wichtiger ist, während bei einem anderen das RSI-Perzentil oder -Regime eine größere Rolle spielt.

6. Erstellt Rangfolge und Konfidenz

Signale werden nicht einfach deshalb ausgelöst, weil das Modell auf „bullish“ oder „bearish“ umschaltet. Sie müssen ein Qualitätssystem durchlaufen:

· Der Rang berücksichtigt Übereinstimmung, Dichte der Abstände, Trendausrichtung, Volatilitätsstabilität, Regime-Anpassung, Steigungsanpassung, Glattheit, Persistenz sowie Strafen für Seitwärtsbewegungen oder vorzeitige Richtungswechsel.

· Das Konfidenzkriterium konzentriert sich auf analoge Übereinstimmung, Enge, Persistenz und Steigungsanpassung.

7. Fügt den adaptiven Supertrend hinzu

Die Bandbreite des Supertrends ändert sich je nach ML-Überzeugung. Bei hoher Überzeugung wird der Trailing-Stop enger gesetzt. Bei geringer Überzeugung oder Seitwärtsbewegung wird er weiter gesetzt.

So funktioniert es

Feature-Engine für maschinelles Lernen

Die meisten RSI-Indikatoren analysieren einen einzigen Wert. Der ML-RSI wandelt den RSI in einen umfassenden Momentum-Fingerabdruck um – acht unabhängige Merkmale, die beschreiben, wie sich das Momentum unter der Oberfläche verhält:

· RSI -Wert – Aktueller RSI-Stand

· RSI -Steigung – Änderungsrate

· RSI -Beschleunigung — Veränderung der Veränderung

· Abstand vom Neutralpunkt — Abstand vom Mittelpunkt 50

· RSI -Perzentilrang – Position des aktuellen RSI im Vergleich zur jüngsten Entwicklung

· RSI -Volatilität — Standardabweichung des RSI

· Spread zwischen schnellem und langsamem RSI — Differenz zwischen kurzfristigem und langfristigem RSI

· RSI -Regime — Geglätteter Richtungstrend des RSI

Zusammen ergeben diese Faktoren ein wesentlich umfassenderes Bild als ein einzelner RSI-Wert. Anstatt zu fragen: „Wo steht der RSI?“, fragt das Modell: „Welche Art von Momentum-Verhalten ist derzeit zu beobachten?“

Historisches analoges Gedächtnis

Der Indikator baut kontinuierlich eine Datenbank mit historischem Marktverhalten auf. Jeder bestätigte Balken wird zusammen mit seinem RSI-Fingerabdruck und dem darauf folgenden Ergebnis gespeichert. Im Laufe der Zeit sammelt das Modell Hunderte oder Tausende von realen Marktbeispielen, auf die es zurückgreifen kann.

KI-Klassifizierungs-Engine

Der Indikator sucht gleichzeitig anhand aller acht RSI-Merkmale nach historischen Situationen, die dem aktuellen Markt sehr ähnlich sind. Die Ähnlichkeit wird mithilfe einer gewichteten Lorentz-Abstandsfunktion gemessen. Im Gegensatz zum traditionellen euklidischen Abstand reduziert die logarithmische Kompression den Einfluss extremer Ausreißer und verhindert, dass ein einzelnes Merkmal den Vergleich dominiert. Das Ziel besteht nicht darin, identische Charts zu finden – sondern historische Momentum-Umfelder, die sich ähnlich verhalten haben.

Abstimmung über historische Analogien

Nachdem die am besten passenden historischen Entsprechungen ermittelt wurden, lässt das System diese über die aktuelle Marktrichtung abstimmen. Engere Entsprechungen erhalten dabei mehr Gewicht. Die gewichteten Stimmen ergeben:

· Richtungsneigung

· Übereinstimmung der Analogien

· Klassifikationsstärke

· Ähnlichkeitsqualität

· Marktüberzeugung

Anstatt die Zukunft direkt vorherzusagen, fragt das Modell: „Wie haben sich die ähnlichsten Momentum-Umfelder verhalten, als sie zuvor auftraten?“

Adaptiver Merkmalsoptimierer

Märkte verändern sich ständig. Merkmale, die in einem Marktumfeld eine hohe Vorhersagekraft besitzen, können in einem anderen weniger nützlich sein. Das Modell bewertet kontinuierlich mithilfe der Fisher-Diskriminanzanalyse, welche RSI-Merkmale bullische von bärischen Ergebnissen am besten unterscheiden. Merkmale, die durchweg gewinnbringende von verlustbringenden Bedingungen unterscheiden, erhalten größere Gewichte; diejenigen, die an Vorhersagekraft verlieren, erhalten im Laufe der Zeit weniger Einfluss.

Rang- und Konfidenz-Engine

Jedes Setup wird zwei unabhängigen Bewertungen unterzogen.

Der Rang gibt die Qualität der Konfiguration an:

· Historische Übereinstimmung, Analogqualität, Trendangleichung

· Volatilitätsbedingungen , Regimestruktur

· Momentum -Konsistenz, Marktstabilität

Vertrauensmaße spiegeln die Modellüberzeugung wider:

· Historischer Konsens, Clusterbildung anhand von Analogien

· Richtungskonsistenz, Signalbeständigkeit

· Strukturelle Bestätigung

Signale werden erst dann generiert, wenn sowohl die Qualitäts- als auch die Konfidenzschwellenwerte erfüllt sind.

ML-Supertrend-System

Im Gegensatz zu herkömmlichen Supertrends, die auf einem festen ATR-Multiplikator basieren, passt der ML Supertrend die Sensitivität dynamisch an die Klassifikationsstärke an:

· Hohe Überzeugung – die Bänder verengen sich, Trendwechsel erfolgen schneller, Stopps reagieren schneller

· Geringe Überzeugung – die Bänder weiten sich aus, die Toleranz gegenüber Marktrauschen steigt, Whipsaws werden reduziert

Anwendung

Den ML-RSI lesen

Der ML-RSI reicht von 0 bis 100.

· Über 50 – es herrschen bullische Momentum-Bedingungen vor

· Unter 50 – es herrschen bärische Momentum-Bedingungen vor

· Über 70 – starker Aufwärtsdruck

· Unter 30 – starker Abwärtsdruck

Die Signale deuten

Long- und Short-Signale erscheinen nur, wenn das Modell eine signifikante Veränderung der Marktbedingungen erkennt und diese Veränderung sowohl die Qualitäts- als auch die Konfidenzanforderungen erfüllt.

· Long-Signal – Die Klassifizierungs-Engine hat ein bullisches Umfeld identifiziert, das durch historische Analogien, die Trendstruktur und die Marktbedingungen gestützt wird.

· Short-Signal – Die Klassifizierungs-Engine hat ein bärisches Umfeld identifiziert, das durch historische Parallelen, die Trendstruktur und die Marktbedingungen gestützt wird.

Verwendung des ML Supertrend

· Der Supertrend dreht ins bullische – das Modell geht davon aus, dass sich der Markt in einem Aufwärtstrend befindet

· Der Supertrend wechselt in eine bärische Phase – das Modell geht davon aus, dass sich der Markt in einem Abwärtstrend befindet

Verwenden Sie den ML-Supertrend sowohl als Trendfilter als auch als dynamischen Trailing-Stop.

Einstellungen