INVESTOX-Forum

Einige der althergebrachten Systementwicklung-Leitsätze lassen sich mi tNP teils widerlegen,wie man das in der Grafik sieht! Im abgebildeten System wurde überwiegend in einem Lernzeitraum trainiert, der dem Testzeitraum vom Verlauf her nur in Ansätzen ähnelt! Dennoch ist die Performance im Testzeitraum relativ gut. An dieser Stelle der Hinweis der in vielen Testdurchläufen immer wieder auffällt.

NP hat eine Funktion MaxCluster.Ohne die exakte Begriffserklärung aus der Inv-Hilfe zu wiederholen kann man sagen, das an mit dieser Funktion Überoptimierungen entscheidend entschärfen kann!In der NP-PDF wird das Zusammenspiel der MaxCluster mit der MaxAbweichung beschrieben. Meine Einstellungen sind in vielen Fällen so, das die MaxAbweichung sehr nah am Nullpunkt liegt und die MaxCluster dann via LiveKlick ,angefangen von einem hohen Wert reduziert werden!Bei sehr kleinen zeitbasierten Komprimierungen wird man aber feststellen, das der Testzeitraum immer schlechter wird. Das liegt daran, das immer weniger Cluster für die Signalgenerierung verwendet werden. Das baut Überoptimierung zwar ab-aber in vielen Fällen auch die Performance des Systems! Modelle die mit vielen Clusters entwickelt wurden und auch im Testzeitraum weiter stark performen sind wesentlich anfälliger als Modelle die mit weniger Clusters arbeiten.Mit den mitgelieferten Testsysteme kann man mit dieser Funktion spielen. Es lässt sich beim testen schnell feststellen, das im Lernzeitraum bei Erhöhung der Clusteranzahl die Performance drastisch steigt!Wie kann es dann sein das auch im Lernzeitraum die Performance steigt? In vielen Fällen ist es so, das im Testzeitraum die gleichen-oder viele ähnliche Muster wie im Lernzeitraum vorhanden sind.Wie NP die Muster analysiert und letztendlich auswertet bleibt uns verborgen aber über diese Funktion kann man zumindest die "Curve-Fitting Stärke" beeinflussen. Den "Trick" einen Lernzeitraum in den Testzeitraum zu projizieren kennt man auch bei NNs oder sonstigen optimierten Modellen. Die Folge ist, das die System in Zukunft ab einem fixen Zeitpunkt heftig einknicken, wobei zwischen Lern-Test und OoS-Zeitraum teils erheblich große Zeitspannen liegen können. Man kann dieses Verfahren anwenden wenn man mit den Gegenmaßnahmen vertraut ist! Mit dieser Anwendung ist man dann vertraut, wenn man die Kernfunktionen und das Grundgerüst selbst konstruiert und ausgetestet hat.

Es lässt sich feststellen, das nicht unbedingt die Inputs der ausschlaggebende Faktor für die Performance darstellen. Die Möglichkeiten für die Feinjustierung die NP bietet sollte man auf keinen Fall unterschätzen!Es bringt nicht so viel ,das Modell mit Inputs vollzustopfen (wie man das mitunter bei NNs macht und dann selektiert) sondern mit kleinen,schlanken Modellen beginnt und versucht über die Feinjustierungen,von denen ich versucht habe eine näher zu beschreiben,einstellt!Ein großer Vorteil ist,wenn man die Zeitreihen "säubert" denn noch immer lässt sich jeder Algorithmus fehlleiten!Wie säubert man für Zeitreihen für NP kostengünstig und ohne hohen Aufwand? Nein, nicht mit Jurik-Indikatoren oder sonst hochwissenschaftlichen,käuflichen Instrumenten sondern einfach mit P&F,RENKO und Spannencharts,die-gibt's gratis in INV-XL...;)

Hallo Juri,

danke für den Hinweis! Ich habe die Passage oben korrigiert Zweimal Testzeitraum geht nicht..;)

Hallo Roger,

ja genau! Das Preprocessing verliert mit NP hinsichtlich der Gesamtperformance der Systeme etwas an Bedeutung aber in Anbetracht der Stabilität ist es m.A. immer noch wichtig, die Zeitreihe von Ausreissern und Anomalien zu säubern-auch mit NeuroClassify! Bei der Neuralen Prognose sollte man das unbedingt tun, da dieser "Indikator" ähnlich einem NN funktioniert- bis auf den Algorithmus, der nicht mehr auf Backprop aufbaut und somit auch nicht dessen Schwächen (oder Stärken) mitbringt! P&F,RENKO und die Spannencharts wurden genau deshalb entwickelt, Anomalien aus den Zeitreihen zu eliminieren,wobei man mit P&F m.M. die meisten Möglichkeiten hat!

Hallo Torsten,

zu Frage 1: Das kannst Du gerne nennen wie Du möchtest! :-) Der Indikator/die Komprimierung soll Ausreißer eliminieren. Mit einem GD glättet und eliminiert man Ausreißer und mit P&F,RENKO und Spannencharts in gewisser Hinsicht auch! Allerdings glättet man mit diesen drei Methoden nicht wirklich wie beim GD sondern kapselt einen bestimmten Wertzonen-Bereich auf der Y-Achse in einen Brick, X&O oder als Spanne xy ab! Somit soll ausgeschlossen werden das zwischenzeitliche Ausreißer zu viel Gewicht in der Bewertung finden bzw. Werte liefern und der Algorithmus auf die schwergewichtigen Zonen fixiert werden kann! Wenn man sämtlich Ausreißer in die Bewertung aufnimmt und beispielsweise MAXCluster sehr empfindlich einstellt kann man davon ausgehen, das der OoS-Zeitraum im wesentlichen nur den einen Zyklus eine starke Performance vom Lernzeitraum weiter schreibt,da es sich um ein projiziertes System handelt. Es findet folglich eine versteckte Überoptimierung statt! Das kann man natürlich handeln wenn man weiß,wie man damit umgehen muss!

Die Basiskomprimierung wird auf eine der drei Komprimierungen eingestellt. Ich vermeide grundsätzlich alles, was komplex ist und eine P&F Komp-Berechnung innerhalb einer zeitbasierten Berechnung die mögliche Fehlerquellenquote steigert. Zudem glaube ich das es bei diesem Algorithmus nicht notwendig ist, KOMP in KOMP zu berechnen! NP berechnet das was man vorgibt. Der lineare Zeitbezug geht nicht verloren weil P&%F/R/S mit realen Werten auf der Y-Achse berechnet werden. Würden bei diesen drei Komprimierungen nur tatsächliche Spaltenwerte berechnet,was optional möglich ist, hätte ich auch meine Bedenken. Das Ergebnis wäre dann etwa so wie bei Heikin Ashi,deren Signalausgaben bei unzureichender System-Aufbereitung imaginär sind!

Das lässt sich natürlich auch mit dementsprechenden Stopps und Filtern ausbalancieren-ohne Komp in Komp verwenden! Zudem kann man die Schablone dementsprechend aufbauen und bestücken.Die Möglichkeiten sind hier extrem vielfältig! Ich suche die fehlerunanfälligsten aber dennoch erfolgversprechenden Kombinationen. Diese können durchaus simpel aufgebaut sein.

Die loga. Dämpfung mindert lediglich (Frequenz)Ausschläge z.B. stationärer Datensätze . P&F;Renko und Spanne eliminieren diese Peaks und bereinigen die Datenreihe von Datenbündlungen und Ausreissern. Dem Algorithmus werden demzufolge kleinere und klarere Datensätze vorgelegt die eindeutiger zugeordnet werden können und Fehlinterpretationen, bedingt durch massenhaft Peaks und Ausreißer, vermeiden. Die Dämpfung eliminiert nichts und trotz der Frequenzdämpfung wird jeder Datenpeak vom Algorithmus erfasst! Insbesondere mit P&F kann man komplette Handelssysteme (auch auf die herkömmliche Art) entwickeln da zudem Muster benannt werden können. Wenn man ein NN oder mit NP beispielsweise auf Basis eines GD entwickelt (was real aber nicht handelbar ist) kann man feststellen, wie gut beide auf Preprocessing der Basis (im weiten Sinn) reagieren. Allerdings bezieht sich die "Leistungssteigerung" auf die Komprimierung der Basis und nicht unbedingt auf die Glättung/Dämpfung der Inputs!Das Preprocessing hat im NN nur dann Wirkung, wenn die Glättungsmethode sehr nah am realen Kurs liegt,aber dennoch Peakbündlungen eliminiert und einen hohen Anteil an aufkommenden Ausreißern egalisiert!

Ein Datenbündel ist wie der Name schon sagt ein Bündel von Daten auf engsten Raum bzw.ein Anhäufung chaotischer Bewegungen- oder wie der Trader sagt:eine Konsolodierungs-Range! Ich habe Preprocessing nicht getestet sondern wollte mit dem Thema einfach nur mal wieder was schreiben... :D Datennormalisierung und Datenglättung ist ein Unterschied! Der Unterschied besteht darin, das man bei der Normalisierung Absolutwerte in eine stationäres Umfeld packt und bei der Datenglättung eliminiert man chaotische Anhäufungen und Ausreisser um Fehlinterpretationen weitesgehend zu vermeiden.