Footprint LSTM
- Indikatoren
- Version: 1.0
- Aktivierungen: 5
- „Base Learn“ trainiert ein Modell unter Verwendung der konfigurierten Parameter; das Training erstreckt sich über mehrere Epochen und Walk-Forward-Sätze.
- „Genetic Learn“ nutzt einen evolutionären Algorithmus, um mögliche Modellkonfigurationen zu bewerten. Die Eignung der Kandidaten wird anhand der validierten Ergebnisse der besten Checkpoints über die Walk-Forward-Sätze hinweg bestimmt. Auf diese Weise kann das System verschiedene Modellkonfigurationen untersuchen und die leistungsstärksten Kandidaten auf der Grundlage der Validierungsleistung beibehalten.
- „Deep Learn“ bewertet ein strukturiertes Raster aus konfigurierten Modell- und Trainingsparametern. Die Modellkandidaten werden anhand der Validierungsergebnisse verglichen, und die am besten validierte Konfiguration wird beibehalten.
Zwei Prognosemodi
- Der Klassifikationsmodus schätzt die Richtung der zukünftigen Kursbewegung über den konfigurierten Prognosehorizont. Das Modell liefert einen vorzeichenbehafteten Ausgabewert, der durch die konfigurierte Aktivierungsfunktion begrenzt ist (-1/+1). Die Leistung wird anhand der Richtungsgenauigkeit oder eines anderen ausgewählten Klassifikationswerts bewertet.
- DerRegressionsmodus schätzt die zukünftige Rendite in Prozent. Regressionskandidaten werden in erster Linie anhand des Validierungsfehlers bewertet, wobei ein benutzerdefinierter Score auf Basis des RMSE als Hauptauswahlkriterium sowie die „Directional-Match“-Statistik herangezogen werden.
Tools
-
Merkmalsextraktion: Wenn diese Option aktiviert ist, bewertet das System Kandidaten-Eingabemengen und trainiert das endgültige Modell unter Verwendung der ausgewählten Merkmale, die das beste Ergebnis liefern. -Die genetische Extraktion sucht mithilfe eines evolutionären Optimierungsprozesses nach effektiven Merkmalsuntermengen; dies ermöglicht es dem System, Kombinationen von Merkmalen zu testen und stärkere Eingabemengen zu identifizieren. -Sequentielle Extraktion wertet rangierte Merkmalspräfixe aus, um eine effektive Teilmengengroße zu ermitteln. -Top-Extraktion ordnet Merkmale nach ihrer Wichtigkeit und wählt die konfigurierte Anzahl der am höchsten rangierenden Eingaben aus.
- Walk-Forward-Training und -Validierung: Historische Daten werden chronologisch in Walk-Forward-Sätze unterteilt; jeder Satz enthält ein eigenes Trainingsfenster und ein eigenes Validierungsfenster; für jeden Walk-Forward-Satz wird die Epochen mit der besten Leistung auf der Grundlage der Validierungsergebnisse ausgewählt. Kandidatenkonfigurationen werden anhand ihrer ausgewählten Checkpoints bewertet, nicht lediglich anhand der Gewichte aus der letzten Epoche; dieser Ansatz bewertet das Modellverhalten über mehrere historische Fenster hinweg, anstatt sich auf eine einzige Trennung zwischen Training und Validierung zu stützen.
- Early-Stop / Deep-Patience: „Deep-Patience“ beendet das Training eines Kandidaten nach der konfigurierten Anzahl aufeinanderfolgender Epochen, wenn sich dessen Validierungsauswahlwert nicht verbessert; „Early-Stop“ beendet das Training eines Kandidaten, sobald die konfigurierte Validierungsmetrik den Zielschwellenwert erreicht oder überschreitet.
- Architektur mit Merkmalen aus mehreren Zeitrahmen: Der Indikator ermöglicht es, den Zeitrahmen der Merkmale unabhängig vom Zeitrahmen des Charts zu konfigurieren; abgeschlossene Balken des Quellzeitrahmens werden an die Beobachtungen des Chart-Zeitrahmens angeglichen, sodass das Modell bei der Vorhersage zukünftiger Kerzen im Chart-Zeitrahmen den Kontext mehrerer Zeitrahmen nutzen kann. Diese Struktur trägt zur Wahrung der chronologischen Konsistenz bei und ermöglicht es dem Modell gleichzeitig, auf Informationen aus verschiedenen Zeitraumauflösungen zuzugreifen.
- Merkmale mit gepaarten Symbolen: Ein optionales gepaartes Symbol kann während der Merkmalskonstruktion und des Trainings marktübergreifenden Kontext liefern.
- Ridge-Kalibrierung: Die Ridge-Kalibrierung ist eine optionale Verfeinerungsphase nach dem Training, die auf die Rohvorhersagen des Modells angewendet wird; sie nutzt eine L2-regulierte lineare Regression, um eine stabile Abbildung von der Ausgabe des Basismodells auf die endgültige kalibrierte Vorhersage zu erlernen. Die Ridge-Straffung schränkt die Kalibrierungskoeffizienten ein, wodurch die Empfindlichkeit gegenüber verrauschten oder instabilen Modellausgaben verringert und eine Überanpassung an kleine Schwankungen der Rohwerte vermieden wird.
- ML-Diagramm: Das Visualisierungsdiagramm zeigt die Beziehungen zwischen Eingabemerkmalen, Trainings-Epochen, Modellkandidaten, Validierungssätzen und Kalibrierungsphasen an; verbundene Knoten und hervorgehobene Pfade veranschaulichen, wie sich die Modellkandidaten entwickeln und zum ausgewählten neuronalen Modellnetzwerk führen.
Hinweis: MT5 stellt native historische Tick-by-Tick-Daten bereit, sodass in den Footprint-Zeilen das gemeldete, tatsächlich gehandelte Volumen angezeigt werden kann, das auf jeder Preisstufe ausgeführt wurde, sofern der Broker Echtvolumendaten bereitstellt.
