INVESTOX-Forum

Hallo Ulukai,

Du schreibst u.a.

Zitat

.... wie kann es sein das stopps zur verschlechterung eines HS beitragen, beim robustieren habe ich gesehen das sparpe ratio und profit-kapitalriskio-verhäktins besser werden je weiter die stopps sind und wenn keine stopps eingestellt sind, gabs die beste KK, das gleiche gilt für kapitalkurvenanalysen, ich kann die KK einfach nicht verbessern

Das ist eine gute Frage!

Aber auf alle Fälle ein interessantes Phänomen. Ich könnte mir vorstellen, dass es in der "andersartigen" Beschaffenheit von NNs gegenüber Indikatoren liegt.

Der "grosse" Nachteil der technischen Indikatoren liegt ja darin, dass sie immer dann erst etwas signalisieren, wenn die Sache schon fast gelaufen ist. Typisches Beispiel sind Trendfolge Indis.

Ein NN ist da schneller und "erkennt" Änderungen früher.

Der Nachteil ist dann aber, dass der Markt noch nicht "klar" den neuen Trend folgt und somit sehr leicht durch zu enge Stopps ausgestoppt werden kann

Habe ich auch in 2 normalen Handelssystemen von mir, dass man mit Stops die Sache tatsächlich nur verschlechtern kann.

Dann muss man halt einen Stop wählen, der vom Risiko gerade so noch vertretbar ist und das System nur minimal verschlechtert.
Aber ohne Stop finde ich geht nicht!

Hallo Christian,

Ein NN ist da schneller und "erkennt" Änderungen früher.

Das würde ich so nicht sagen! Ein NN erkennt meiner Ansicht nichts früher sondern das ergibt sich aus den komplexen Mustern, die das NN auslesen kann!Aufgrund der Muster-Assoziation und der Form der Inputs kann sich ein kleiner Vorsprung ergeben,aber auch nur so lange sich die Zusammenhänge nicht ändern! Bei linearen Inputs ist das NN genauso gut oder schlecht wie jeder andere Indikator. Daher werden NNs vorwiegend für Intermarket-Analysen mit Hilfe von Spreads oder Divergenz aufbereitet oder eingesetzt. Bei linearen Indikatoren-Inputs ist der Vorsprung faktisch nicht vorhanden und die Fähigkeit zu generalisieren geht ebenfalls verloren!Beim NN ist der Input enorm wichtig! Umso besser der Input dem NN Informationen liefern kann desto exakter arbeitet es. Schlechte Inputs werden niemals ein sehr gutes Netz liefern. Ich schätze der prozentuale Anteil erfolgreicher Netze dürfte weit über 80% an sehr guten Inputs liegen! Das ist ähnlich wie bei Pairtrading: Hat man zwei gute Paar kann man sich damit dumm und dümmer verdienen. Korrelieren die Paare nur ab und zu über xx% wird das System wesentlich schlechter ausfallen! Insofern sollte man genau unterscheiden, ob man wirklich gute Inputs hat oder ob man das Netz gut optimiert hat-vielleicht auch noch mit Hilfe genetischer Algorithmen! Hier sollte man acht geben, das man nicht zu sehr durch die rosarote Brille schaut..

@Ulukai

Im ersten Teil der Antwort vielleicht auch mal was ganz allgemeines zu NNs-ist vielleicht auch mal ganz interessant um das ganze etwas besser zu verstehen!

Viele glauben,dass künstliche neuronale Netzwerke dem natürlichen Gehirn gleichen. Tatsächlich gibt es nur wenig Ähnlichkeiten zwischen biologischen Gehirnen und künstlichen neuronalen Netzwerken, die in der Datenanalyse eingesetzt werden. Sie werden als "neuronale Netzwerke" bezeichnet, weil die Idee von natürlichen neuronalen Systemen stammt. Für die Datenverarbeitung ist dieser Ursprung jedoch nicht relevant.

Neuronale Netzwerke wurden für zwei Forschungsgebiete entworfen:

**die Modellierung natürlicher Gehirne und
**die (nicht lineare) Datenverarbeitung

Die kognitive Wissenschaft beschäftigt sich mit der Modellbildung von biologischen Gehirnen. Das Ziel ist es, mehr über die Arbeitsweise des Gehirns zu erfahren. Dafür werden biologisch plausible Modelle aufgestellt. Wenn neuronale Netzwerke in der Datenverarbeitung eingesetzt werden, werden sie lediglich als statistische Hilfsmittel verwendet. Ihre biologischen Wurzeln können vernachlässigt werden, da biologische Plausibilität nicht relevant ist.

Die nicht lineare Datenverarbeitung entspricht beispielsweise Intermarkets und Spreads! Es sollen Assoziationen gefunden werden, die dem Entwickler einen zeitlichen Vorsprung liefern indem Muster erkannt werden die man mit dem "biologischen Gehirn" nicht assoziieren kann! Das klappt soweit gut und kann mit diversen Tests nachgewiesen werden! Prickelnder wird es schon bei der Frage wie und welche Daten man dem Netz anbietet! Da es viele unterschiedliche Netzstrukturen gibt werden die Inputs auf unterschiedliche Art verarbeitet! Ein Neuro-Fuzzy- Netz verarbeitet die Inputs auf andere Art und Weise als das uns vorliegende Backprop- Netz! Wie arbeitet so ein Netz?

Der erste Trainingsalgorithmus, der - historisch gesprochen - fähig war, mit verdeckten Schichten in neuronalen Netzwerken umzugehen, heißt "backpropagation of errors" (Fehlerrückleitung). Er wird zur Anpassung der Gewichte in einem mehrschichtigen Perzeptron (engl. multi-layer perceptron) verwendet, das eine Eingangsschicht, eine oder mehrere verdeckte Schichten und eine Ausgangsschicht hat. Mehrschichtige Perzeptrons werden oft auch als "Backpropagation-Netzwerke" bezeichnet, was den enormen Einfluss verdeutlicht, den dieser Algorithmus auf die Entwicklung künstlicher neuronaler Netzwerke hatte.Der Fehler des Ausgangssignals eines Neurons wird verwendet, um seine Gewichtung so zu adjustieren, dass der Fehler verringert wird. Der Fehler in versteckten Schichten wird proportional zur gewichteten Summe der (geschätzten) Fehler in der Schicht darüber gesetzt.Während des Trainings werden die Daten dem Netzwerk einige tausend Male präsentiert. Für jede Datenprobe wird das Ausgangssignal des Netzwerks berechnet und dann mit dem "wahren" Sollwert verglichen. Das Fehlersignal dj des Neurons j wird von der Differenz zwischen dem Soll- und dem berechneten Ausgabewert berechnet.

Für verdeckte Neuronen wird diese Differenz über die gewichteten Fehlersignale der darüber liegenden Schicht berechnet. Die Fehler werden dann verwendet, um die Gewichte wij des neuronalen Netzwerks abzustimmen.Das Netzwerk stellt seine Gewichte nach jedem präsentierten Datensatz neu ein. Dieser Lernprozess entspricht eigentlich einem Gradientenabstieg in der Fehlerfläche des Gewichteraums - mit all seinen Nachteilen. Der Lernalgorithmus ist langsam und neigt dazu, in lokalen Minima stecken zu bleiben.Für den Backpropagation-Algorithmus müssen die Anfangsgewichte der Neuronen relativ klein sein. Sie können zum Beispiel zufällig aus einem kleinen Intervall um null gewählt werden. Während des Trainings werden sie dann langsam angeglichen. Mit kleinen Gewichten zu starten ist entscheidend, weil große Gewichte unbeweglich sind und nicht schnell genug geändert werden können.

Neuronale Netze neigen zum Overfitting. Das in Investox verwendete Backprop Netz ist für Finanzanalysen im Grunde zu mächtig. daher sollte man mit Gewichten und Zwischenschichten sehr sparsam umgehen. Das "herumfummeln" an den Basiseinstellungen der Netzstruktur kann keine informativen Inputs ersetzen oder schlechte Inputs egalisieren! Das Problem bei jeder Modellierungsmethode, die auf keinen Annahmen bezüglich des Zusammenhangs der Variablen beruht (sog. "modellfreie Methode"), ist, dass diese Modelle dazu tendieren, sich an beliebige Daten anzupassen (inkl. der enthaltenen Fehler), wenn sie nicht richtig eingesetzt werden. Im Fall von neuronalen Netzwerken wird dieser Effekt "Overtraining" oder auch "Overfitting" genannt. Overtraining tritt auf, wenn das neuronale Netzwerk für das gestellte Problem zu mächtig ist. Es "erkennt" dann den zugrunde liegenden Trend nicht, sondern lernt die Daten perfekt (das Rauschen in den Daten mit eingeschlossen). Daraus ergibt sich eine schlechte Verallgemeinerung und eine zu gute Anpassung an die Trainingsdaten.Dies kann man oft bei Indikatoren,die als Input eingesetzt werden beobachten! Lineare Inputs,also solche die der Zeitreihe folgen,können keine Informationen an das Netz liefern! Umso mehr Gewichte man einsetzt und das Netz ggfls noch mit GA optimiert desto besser lernt das Netz die Daten auswendig! Diesen Effekt kann man nur nutzen,wenn man eine Methode hat mit der sich frühzeitig feststellen lässt, wann sich die Performance des Overfittings abbaut!

So viel zunächst...

Hallo Udo,

vielen Dank für deine tollen Ausführungen zum Thema NNs!

Das wird das Thema sicher wieder in Erinnerung rufen... denn ich habe den Eindruck, dass NNs etwas "aus der Mode" gekommen sind. Viele betrachten NNs als "nettes Spielzeug für Anfänger" ohne, dass man damit Geld verdienen könnte. Kennst Du denn Trader, die NNs profitabel einsetzen?

Auch habe ich noch eine Frage zu deinen Ausführungen:

Zitat

.... Bei linearen Inputs ist das NN genauso gut oder schlecht wie jeder andere Indikator. Daher werden NNs vorwiegend für Intermarket-Analysen mit Hilfe von Spreads oder Divergenz aufbereitet oder eingesetzt. Bei linearen Indikatoren-Inputs ist der Vorsprung faktisch nicht vorhanden und die Fähigkeit zu generalisieren geht ebenfalls verloren!

Was verstehst Du denn unter einem linearen Input?

Ich denke es gibt so gut wie keine linearen Inputs!

Linearität besteht bei koeffizienten wie z.B. x.

Daraus lassen sich dann Relationen angeben wie: a*x+b (die bekannte Geradengleichng)

Oder

a*x^2+b (parabel) etc.

Die koeffizienten 'a' sind dann zwar linear, die Relationen - welche den Märkten entsprechen - aber nicht.

So wie ich es immer verstanden habe, sind NNs in der Lage nicht lineare Systeme wie z.B. Kursdaten "besser" verarbeiten zu können.

Nimmt man zum beispiel als Input den gestrigen Open-Kurs und den Open Kurs von vor fünf Tagen,

So besteht zwischen diesen Kursen zumindest kein linearer Zusammenhang.

Ich denke auch bei den meisten Indis - welche sich ja oft auf Kursdaten beziehen - trifft dies zu.

Somit haben NNs doch ganz klare Vorteile, oder?