INVESTOX-Forum

Hallo zusammen,

bezugnehmend auch auf den Beitrag von Dago, habe ich zwei Indikatoren für die Normalisierung der Daten in die Database geladen (werden wahrscheinlich zeitversetzt zum Beitrag verfügbar sein)! Aus zeitlichen Gründen kann ich momentan leider nicht auf die noch offenen Themen näher eingehen, und werde die Funktion sowie den Hintergrund später versuchen zu beschreiben! Wer Lust hat, kann aber gerne damit experimentieren. Es ist möglich, sämtliche Berechnungen Diverenzen ect.), Indices sowie Indikatoren zu normalisieren! Leider weiss ich nicht genau,ob Investox-NN zur Aktivierung dioe logistische Funktion oder Tangens hyperbolicus und Sinusfunktion verwendet. Das ist aber entscheidend da die erstegenannte Funktion Werte zwischen 0 und 1 verwendet und zweitgenannte Wrete zwischen 1 und -1! Es ist zu beachten, dass Investox-NN bereits eine Aktivierungsfunktion beinhaltet, wobei die Daten automatisch skaliert werden! Bei den in den Indikatoren vorgegebenen Grenzwerten sollte das maximale Hoch und das maximale Tief eingegeben werden. Dies lässt sich einfach mit den Investox Indikatoren AllTimeHigh und AllTimeLow ermitteln! Die ermittelten Werte müssen nur noch in das Indikator-Interface eingeben werden! In der Beschreibung zu den Indikatoren findet ihr noch einmal die beiden Formeln für die Ermittlung des oberen-und unteren Grenzwertes di man kopieren und in den Chart einfügen kann! Eine nähere Erklärung zu allem folgt, wie bereits geschrieben später!Viel Spaß beim experimentieren! Vielleicht kann heute Abend schon jemand ein "Super NN" präsentieren....

Hallo Roger,

das selbe tritt bspw. auch bei der Korrelation ein. Würdest du behaupten, dass bei diesen Indikatoren eine Normierung schon implizit vorhanden ist oder das man auch hier noch ein Normierungsverfahren anwenden sollte?

Indikatoren (hier gemeint Oszillatoren und keine GDS ect.) sind in teils in Wertebereiche gepresst, die ein festes Raster haben! Ausnahmen sind Oszillatoren, die nach oben oder unten unbegrenzt ausschlagen können wie beispielsweise der CCI-um einen zu nennen! Man muss aber beachten, dass Investox bereits eine Skalierung durchführt! Der Nachteil dabei ist, dass man nicht weiß wie der skalierte Indikator aufbereitet wird, da man ihn nicht visualisieren kann! Man kann einen einfachen Test machen, indem man den Indikator unter gleichen Voraussetzungen mit den Rohdaten bearbeitet und in einem zweiten Versuch mit normalisierten Daten! Es kommt dabei nicht darauf an, welche Performance das Netz liefert sondern welche Stabilität vorhanden ist! Für mich persönlich rangiert Stabilität beim neuronalen Netz vor der Performance! Erfahrungsgemäß ist man hinsichtlich der Stabilität auf einem guten Weg, wenn auf der Lernzeitraum keine aalglatte Kurve ist.

Diverg(Close,(Close("DJ EUROSTOX-N"),[5],[5])/100;

Man muss ausprobieren, ob die Divergenz dividiert werden muss. Ich gehe davon aus, dass dieser Indikator von der Investox Skalierungsfunktion bereits in den richtigen Maßstab transferiert wird! Nebenbei bemerkt sind Divergenzen kein einfaches Thema, da sie mit harter Logik nicht ausreichend erfasst werden können. Divergenzen sind relativ elastisch, und können in den unterschiedlichsten Zeitabständen auftreten was eine Klassifikation relativ erschwert! Man sollte sie daher erst einmal in einem konventionellen Handelssystem überprüfen. Bei Divergenzen ist es auch notwendig, die Parameter so zu setzen dass sie einem gewissen Signalhorizont entsprechen. Der Signalhorizont ist abhängig davon bei welchen Wertpaaren war nach Divergenzen sucht! Divergenzen können in unterschiedlichen Formen auftreten-es gibt auch Hidden Divergenzen....

PS: Du kannst zur Normalisierung der Daten natürlich auch die beiden hoch geladenen Indikatoren verwenden. Damit kannst du sämtliche Berechnungen, Indikatoren und werde in ein festes Raster transferieren! Die Normalisierung der Daten hebt aber nicht den Arbeitsschritt zum entrauschen der Daten auf!

Hallo,

das sieht ja richtig gut Dago! In dem Fall Roger, ist der Verlauf der Datenreihe so, dass man durchaus mit der Monte Carlo Simulation testen kann! Der Verlauf beinhaltet relativ viel Bewegung, aber wie du schon geschrieben hast keinen extremen Abwärtstrend! Man sollte aber auch einmal eine längere Historie betrachten und prüfen, welche Muster die Zeitreihe überhaupt ausprägt! Man kann versuchen Muster, die sich für das neuronale Netz nicht eignen oder wo es sich abschwächt auszufiltern, indem man die Lernbeschränkung einsetzt! Ich möchte jetzt nicht zu weit vorgreifen, aber es ist natürlich auch möglich Kursmuster aus der Investox-Kursmusteranalyse für das neuronale Netz einzusetzen! Der Korrelationskoeffizienten der Musteranalyse hat einen oszillierenden in Verlauf und ist weitestgehend (je nach sind Sensivität) rauschfrei und weitestgehend dekorreliert! Datennormalisierung findet ihren Schwerpunkt bei Intermarket Netzen wenn beispielsweise Sentimentdaten eingesetzt werden!Die Netze, die mir zumindest vorschweben sollen so funktionieren, dass sie bei mehrfachem NNs-Training keine extremen Abweichungen liefern! Irgendwann muss ein neuronales Netz neu trainiert werden, und wenn die Abweichungen im Testzeitraum enorm klaffen, wird man bei der neuen Justierung Probleme bekommen. Abweichungen darf es im Testzeitraum geben, aber der Testzeitraum sollte nicht einmal nach oben und einmal nach unten abweichen! Dabei ist es nicht so wichtig, welchen Gewinn man im Testzeitraum erzielt als er die Tatsache, dass der Verlauf des Testzeitraums unter extremen Testbedingungen immer steigt!

Die Wavelets, direkt aus der Statistik Software übernommen, können wie schon einmal geschrieben in die Zukunft blicken beziehungsweise ändern sich, wenn neue Datensätze hinzukommen! Aber das heißt nicht, dass man sie nicht nutzen kann. Man müsste sie nur dem entsprechend aufbereiten, sowie man das mit allen digitalen Filtern durchführen sollte. Zum digitalen Filtern gehören auch Bandpassfilter! Die Normalisierung der Daten bringt eine Zeitreihe lediglich in eine " normierte" y-Achse. Dieser Vorgang wird allerdings nicht die Zeitreihe von verrauschten Daten säubern. Dazu muss man die Datenreihe Vorverarbeiten. Dagos Strategie, so wie ich es verstanden habe, beinhaltet sehr viele binäre Werte (Candlestickmuster)! Hier werden explizit Pattern gesucht. Die Auswirkung diese Inputaufbereitung sieht völlig anders aus als wenn man zum Beispiel eine Zeitreihe mit einem gleitenden Durchschnitt vergleicht. Bei einer Differenz kann die Säuberung der Daten sehr viel Stabilität mehr bringen, als wenn man jeden Spike unnütz auswerten lässt.

Hallo Dago,

Zitat

daß bullische und bearische Kurse in gleichem Maß zum Training vorhanden sein sollten

Reicht der TZR aus oder muss auch im KZR des NN's das ausgewogene Verhältnis stimmen?

Viele Grüße
Torsten

PS:
Ich würde vermuten, wenn der Kontrollzeitraum des NN's nur aus stark fallenden Kursen besteht, dann wird sich das NN im OoS-Bereich mit steigenden Kurs schwer tun.

Hallo zusammen,

Udo hatte die Frage in den Raum geworfen, mit welcher Aktivierungsfunktion (Sinus oder Hyperbolens-Tangens) die neuronalen Netze in Investox arbeiten. Abhängig davon hat er eine Normierung des Inputs zwischen 0 und 1 oder zwischen -1 und 1 vorgeschlagen. Für ein einfaches Netzwerk habe ich die beiden Konstellationen mehrfach durchprobiert. Dabei kam ich zu dem Ergebnis, dass die Normierung im Intervall -1 bis +1 deutlich bessere Ergebnisse liefert und dies sowohl während des Trainings, als auch im anschließenden Test.

In der Folge habe ich das gleiche Experiment mit einem Normierung der Inputs im Intervall -2 bis +2 durchgeführt. Die Performance des Netzes war wieder deutlich schlechter als beim Intervall -1 bis +1.

Herzlicher

Martin

Hallo,

leider scheint der Indikator so nicht zu funktionieren.

Zitat

Calc indi: ROC(close,10,$);
Normierung_1_1(indi, AllTimeLV(indi), AllTimeHV(indi))

Man muss die min- bzw. max-Werte leider als Konstanten eingeben.
Hmm, kann man da eventuell was machen?

Viele Grüße
Torsten

Hallo,

vielleicht kann man die Normierungs-Indi's von Udo wie folgt vereinfachen:

Man übergibt dem Normierungs-Indikator nur noch die zu normierende Zeitreihe, z.B. Close = ROC(Close,10,$)
Die Indikatorberechnung lautet:

Zitat

Close - AllTimeLV(Close)
-----------------------------
(AllTimeHV(Close) - AllTimeLV(Close)) - 1

Vorteil:
- einfachere Schnittstelle, statt 3 Parmeter nur noch 1 Parameter
- die Normierung wird autom. durchgeführt, d.h. man muss jetzt nicht mehr händisch die konkreten min- und max-Werte ermitteln

mögliche Nachteile:
Bin mir nicht ganz sicher was passiert, wenn der alte min- bzw. max-Wert einer Inputzeitreihe unter- bzw. überschritten wird. Möglicherweise ändert sich dann die ganze Inputzeitreihe rückwirkend. Wenn ja, wie reagiert das NN dann darauf?

Andernseits ein NN ist sowieso nicht für die Ewigkeit bestimmt, d.h. wenn man es irgendwie am NN-Verhalten mitbekommt, dass eine Inputzeitreihe den vorgegebenen Min/Max-Bereich verletzt hat, dann muss man das NN einfach neu trainiert.

Viele Grüße
Torsten

Was Sten oben schreibt funktioniert nicht, da ja jede periode wieder ein neuer Max oder Min entstehen kann.
Das heißt es wird immer nur bis zu diesem Punkt normiert und ab da werden neue Masstäbe angelegt.
Kann evtl. zu merkwürdigen Inputsführen, die permanent auf 1 oder 0 stehen, bei gleichförmig steigender oder fallender Zeitreihe.

So geht´s aber problemlos

indikator 0_1:

Hallo Torsten,

der Indikator hat nur eine Funktion: Er soll die Daten normalisieren! Es spielt keine Rolle, ob es sich um Indikatoren oder Zeitreihen handelt. Auch Berechnungen können normalisiert werden. Insbesondere sind das Berechnungen, die eine große Differenz-Spanne haben! Hier reicht die Investox-Aktivierungsfunktion (Skalierung) oftmals nicht aus. Natürlich kann man auch versuchen Indikatoren zusätzlich zu normalisieren. Es entscheidet der Test, ob das neuronale Netz mit den zusätzlich normalisierten Indikatoren besser umgehen kann als ohne! Beim neuronalen Netz ist es wichtig dass man zuerst in den Basisfunktionen beginnt um eine saubere Berechnungsgrundlage im Anschluss zu haben! Es ist primär völlig egal, welche Performance das neuronale Netz im Anschluss mit einem Handelssystem liefert. Wenn es nicht stabil ist und feststeht, dass es keinerlei Fähigkeiten zur Generalisierung hat, kann man es ohnehin vergessen! Stabilität erreicht man in den meisten Fällen mit sehr schlanken Netzen, das heißt, mit wenigen Inputs und wenigen Gewichten! Die Startsequenzen eines neuronalen Netzes sollte man relativ klein halten! Was man meiner Ansicht nicht tun sollte, ist ein ohnehin über optimiertes Netz so lange zu bearbeiten, bis der Testzeitraum Performance bringt! Wenn ein neuronales Netz nur mit aufwändiger, detaillierter klein-klein Modellierung profitabel arbeitet, sollte man das Ganze noch einmal überarbeiten!

Den Indikator Normalisierung_1_1 habe ich optimiert, so er jetzt vollautomatisch arbeitet! Allerdings wird beim ATH/ATL Close verwendet! Aus diesem Grund, kann der Indikator problemlos auf andere Indikatoren angewendet werden, da man bei Indikatoren nur Close Kurse zur Verfügung hat. Außerdem stehen am Anfang einiger End of Day Zeitreihen nur Close Kurse zur Verfügung! Die Abweichungen bei der Normalisierung, die dadurch entstehenden belaufen sich in den meisten Fällen auf den zehntel Bereich und fallen somit überhaupt nicht ins Gewicht! Den optimierten Indikator teste ich morgen noch einmal und lade ihn dann in die Database hoch!

Hinsichtlich der Ausspruchproblematik der Basis Zeitreihe aus ATH/ATL kann man, wenn notwendig, eine normalisierten Berechnungstitel als Basis Zeitreihe einsetzen! Der normalisierte Berechnungstitel sollte mit der optimierten Formel vollautomatisch im effektiven Wirkbereich zwischen 1und -1 gehalten werden! Ich habe zu dieser Strategie allerdings noch keine aussagekräftigen Testergebnisse vorliegen, sondern es ist nur eine Idee hinsichtlich der angesprochenen Problematik!

Martin, danke für die Testergebnisse! Ich habe ähnliches festgestellt...