INVESTOX-Forum

Wen Hintergründe interssieren, kann in dieser PDF nachlesen!

Ich bekomme die Zipdatei nicht entpackt.
Ich bekomme immer eine Meldung "ungültige Komprimierungsmethode".
Kannst Du die Datei bitte nochmal unkomprimiert einstellen.

Versuch doch mal IZarc oder 7zip.

Beide Packer können das entpacken und sind erst noch gratis

Neues über Neuronale Netze: Support Vector Machines


Manchem User ist offenbar nicht bekannt, dass es viele verschiedene Arten von neuronalen Netzen gibt und viele verschiedene NN- Algorithmen. Am weitesten verbreitet ist wohl das Backpropagation- Modell, daneben gibt es aber z.B. auch Quickprop, RProp, Cascade Correlation, Time Delayed NN usw. usw. Alle diese Modelle haben den Nachteil, dass man beim Training sehr schnell in den Bereich der Überoptimierung geraten kann und es schon gewisser Kniffe bedarf, um diese Überoptimierung wenigstens zum Teil zu vermeiden.

Anders ist dies bei einer neuen Generation von NN- Modellen. Dazu folgendes:

" Vorhersage von Finanzzeitreihen mit Support Vector Machines." ist der Titel einer richtungsweisenden Diplomarbeit, die gerade abgeschlossen wurde.

Diese Diplomarbeit wurde in diesem Jahr auf Anregung und unter engmaschiger wissenschaftlicher Betreuung des NRCM (Neural Research Center München) am Institut für Informatik und Mathematik der Universität Passau erstellt, das auf dem Gebiet neuester neuronaler Netzarchitekturen führend ist, insbesondere für die Mustererkennung.

Entwickelt und getestet wurden neuartige, dynamische Paradigmen für neuronale Netze zur Börsenkursprognose.

Als Testplattform diente Investox. Die Netzarchitekturen wurden in JAVA programmiert und sind über eine speziell dafür entwickelte Schnittstelle in Investox darstellbar und von dessen Handelssystemen in Handelssignale umsetzbar.

Die Prognosen wurden als walk forward- Vorhersagen angelegt und sind nach umfangreichen wissenschaftlichen Tests auch als kurzfristige Prognosen erstaunlich präzise. Unter anderem werden dabei Kursmuster, Pattern und Candelstick- Formationen vollautomatisch erfasst (ähnlich biometrischen Verfahren) und in Prognosen umgesetzt. Besonders interessant erscheinen Anwendungen im Intraday- Bereich: So kann z.B. das Kursverhalten der vergangenen zehn Stunden (einstellbar bei Investox über die zeitbedingte Aktualisierung) automatisch nach den verschiedensten Kriterien analysiert und eine Prognose für die nächste Stunde gegeben werden. Nach einer Stunde erfolgt - automatisch und entsprechend zeitversetzt nach vorne - eine neue Prognose usw. Ein dreimonatiger beeindruckender Track Record wurde bereits erstellt.

Ein weiterer Vorteil von Support Vector Machines (SVM) ist, dass kein Zufallsgenerator eingebaut ist (wie z.B. beim Backpropagation- Modell) und somit die Outputs (also die Prognosen) stets sauber reproduzierbar sind, auch wenn das Netz - bei sonst gleichen Einstellungen - neu trainiert wird. Das Training konvergiert stets in einem globalen Optimum und nicht, wie bei vielen bekannten NN- Modellen, in einem (meist unerwünschten) lokalen Optimum. Demnach kann man es sich hierbei ersparen, zig- tausende von NN zu trainieren und dann nach komplizierten, meist auch fragwürdigen Auswahlkriterien das vermeindlich beste NN auszusuchen.

Bei meinem Vortrag über moderne Handelssystementwicklung am 14. November (VTAD München) werde ich auch auf die Möglichkeiten von Support Vector Machines bei der Zeitreihenprognose eingehen.

Die Vorteile von SVM im Zusammenspiel mit Investox sind also zusammengefasst:

- intelligente Mustererkennung nach dem neuesten Stand der Mathematik
- Anbindung an Investox mit seinen vielfältigen Möglichkeiten gelungen
- eindeutiges globales Optimum, kein zufällig erzeugtes lokales Optimum
- kein kompliziertes Auswahlverfahren von zufällig erzeugten NN notwendig
- kurze Rechenzeiten für das NN (10 - 15 sec)
- automatische Aktualisierung möglich, dadurch auch interessante Intraday- Anwendungen
- kein komplizierter Tradingplan erforderlich, da dieser als Automatismus eingestellt werden kann
- walk forward Tests möglich
- präzise, eindeutige Prognosen
- leicht nachvollziehbare Einstellungen
- wissenschaftlich fundierte und von Sachverständigen geprüfte Entwicklung

Über den künftigen Fortgang (erweiterte Anwendungen, Einsatz zum Traden durch User usw.) hat das NRCM (hier liegen die Lizenzen) noch nichts entschieden.

Hallo,

die Möglichkeit besteht prinzipiell. Wir werden noch prüfen, ob bzw. inwieweit dies sinnvoll ist.

Viele Grüße
Andreas Knöpfel

Hallo zusammen,

möchte hiermit auch mein Interesse bekunden.

Grüße, Frank

Hallo,

vor allen der Walk Forward Test wäre sehr interessant da dies beispielsweise bei Optimierungsverfahren nur mit Pyramiden-Generationen möglich ist! Das heißt nur die jeweils beste Generation kann eine bestehende ablösen-alles anderen fallen unter den Tisch! damit hätte meiner Ansicht auch das nachtrainieren eine völlig neue Qualität!

Da es auch zum Thema gehört-vielleicht könnte man zukünftig das "One Way"- Optimierungsverfahren implementieren? Was man damit anfangen kann ist folgendes:

Man optimiert ein System lt. Fitneßkriterien. Die jeweils beste Generation steht automatisch auf Platz 1 und kann direkt an ein HS übergeben werden auch vollautomatisch.Beim Feed Forward Test entscheidet man im Backtest, wie und wann das System nachoptimiert werden sollte. Hat man einen Algorithmus ermittelt,wird dieser vollautomatisch umgesetzt wobei das nachtrainieren mit beispielsweise drei Kriterien durchgeführt werden könnte:

• Historie bei nachtrainieren nachziehen damit die neusten Muster zur Verfügung stehen
  
• Nachtrainieren wenn eine bestimmte individuelle HS-Kennzahlen-Kombination zu stark von der bisherigen "Normalverteilung" abweicht
  
• Nachtrainieren indem eine bestehende Historie immer von Punkt x aus nachtrainiert wird

Ich habe es in Erwägung gezogen, musste es aber verwerfen, weil ich am 13.11. unters Messer komme.

Vielleicht stellt Dr. Paasche ja eine Zusammenfassung des Vortrages im Forum zur Verfügung (für alle frisch operierten und Schwänzer)?

Diplomarbeiten solltest Du normalerweise immer von der Universität/Fachbereich erhalten an der das Diplom abgelegt wurde.