INVESTOX-Forum

...das wäre wirklich sehr sehr Hilfreich!

Udo, darf ich fragen, um welche Software es sich dabei handelt?

Viele Grüsse

Roger

Hallo zusammen,

da kann ich Udo nur Recht geben. Anfangs stochert man immer blind im Unbekannten. Doch bin ich mir nicht sicher, ob so eine Funktion einen wirklich weiter bringt. Es besteht auf jeden Fall die Gefahr, dass man sich wieder auf etwas verlässt, ohne vorher seine Hausaufgaben gemacht zu haben, welche aus ein paar grundlegenden Punkten bestehen:

1. Es müssen Inputs sein, die sich auch in einem konventionellen HS bewährt haben. Wichtig ist, dass man dem NN aussagekräftige Argumente liefert. Der Vorteil eines NN ist eigentlich nur, dass man diese Argumente nicht mehr selbst in einem HS verknüpfen muss. Und selbst da muss man aufpassen, dass man dem NN nicht zu viele Freiheiten gibt, um einer Überoptimierung vorzubeugen.
2. Die Inputs dürfen keine Optimierungsvariablen enthalten. Das hat Udo immer wieder gepredigt und ich kann es nur bestätigen. Eine wirkliche NN-Stabilität kann nur so erreicht werden. Auch die Anfangs angesprochene Funktion einer Inputselektion funktioniert mit Optimierungsvariablen nicht.
3. Die Inputs sollten normiert sein. Das kann, wie Udo schon gezeigt hat außerhalb des NN durch diverse Tools geschehen, oder innerhalb z.B. durch Inputs, die nur den Wert 1, 0 oder -1 annehmen können. Von solchen Inputs dürfen es dann auch ruhig ein paar mehr werden, vor allem dann wenn nur selten ein Signal kommt. Meine NNs haben ca. 50 mögliche Inputs, von denen aber nur maximal 5 gleichzeitig auftreten können.
4. Alle Inputs, die man dem NN vorhält müssen auch zugelassen und nicht in der Anzahl begrenzt werden. Die Qualität eines NN kann nur beurteilt werden, wenn immer wieder die gleichen Voraussetzungen vorhanden sind.

Ich hab am WE noch mal alle NNs überarbeitet und alle Punkte umgesetzt. Das Ergebnis ist erstaunlich. Die NNs werden nur mit 10 Eltern, 20 Nachkommen und 10 Generationen trainiert. Trainingszeit 15 min . Auch nach 20 Trainingsdurchläufen in verschiedenen Zeiträumen sind 85% aller Generationen im Out of Sample deutlich im plus und die Nieten hätte man zum Teil auf Anhieb vorher erkannt. Somit entfällt die überaus lästige NN-Selektion.
Vielen Dank Udo, dass Du mich durch Deine Beiträge auf die richtige Spur gebracht hast.

Hallo Dago

vielen Dank für deine tolle Zusammenfassung.

Ich würde deine Liste noch um folgenden Punkt ergänzen:
5. Das NN sollte auch ohne GA Optimierung im Out of Sample Zeitraum profitable Signale liefern

Interessanterweise werden meine Intermarket NN mittels GA Optimierung nur verschlechtert. Das Training ohne GA Optimierung
führt jedoch des öfteren zu höchst interessanten Ergebnissen!
Erklären kann ich das aber leider nicht...

@Udo
>> einem Punkt kommt, an dem Mathematik und Statistik nicht mehr weiterhelfen und das nackte testen beginnt!
Welche mathematischen und statistischen Methoden setzt du zur Inputselektion ein?

Viele Grüsse

Hallo Martin,
damit habe ich zur Genüge experimentiert. Man kann das Spiel auch weiter treiben und einem Input die Möglichkeit geben mehr als 3 Werte an zu nehmen. Damit kann man wesentlich mehr Informationen aus einer Zeitreihe extrahieren. Es ist allerdings ein 2-schneidiges Schwert. Wenn ein Input statt 2 nun 3 Werte annehmen kann, steigt, je nach Anzahl der möglichen Inputs, die Anzahl der möglichen Kombinationen dramatisch. Damit rutscht das NN wieder in eine klassische Überoptimierung, wenn man nicht auf anderer Seite dem Verknüpfungshunger des NN Einhalt gebietet. Kurz gesagt: TZR und KZR performen damit besser, Generalisierung wird schlechter.

Hallo Roger,
danke für den Hinweis, damit ist natürlich noch besser und früher zu erkennen, ob es sich lohnt weiterhin Zeit in ein NN zu inverstieren. Habs auf die Schnelle mal ausprobiert. Die Trainigszeit verkürzt sich auf 3 sec und die Performance bleibt bei 10 Durchläufen erfreulicher Weise gleich (schwitz). Nur die KK wird etwas holpriger, doch die kann man ja noch filtern.

Hallo Dago
>>Die Trainigszeit verkürzt sich auf 3 sec und die Performance bleibt bei 10 Durchläufen erfreulicher Weise gleich (schwitz)
Das kling super! Freut mich sehr für dich! Es scheint als hättest du in der Tat sehr robuste Inputs eingesetzt.

>>Meine NNs haben ca. 50 mögliche Inputs, von denen aber nur maximal 5 gleichzeitig auftreten können.
Wie setzt du das um? Mit der OR funktion? Setzt du auch ganze Handelsregeln als Inputs ein?

Vielen Dank und beste Grüsse

Roger

Hallo Roger,
ganze Handelsregeln setze ich nicht ein. Ich hab Candlestick-Muster progammiert, von denen ich weiß, dass aktuell nur maximal 2 zusammen auftreten können. Damit das NN jetzt noch die richtigen Schlüsse daraus ziehen kann, in welcher Marktlage diese Muster auftreten, laufen noch 2-3 Indikatoren mit.

..ahh. Ok Dago. Vestanden. Damit arbeite ich auch. Ich habe die Candlesticks jedoch nicht selbst programmiert, sondern von Wiwu (Ascunia) erworben.
Das kann ich nur empfehlen!

Hallo zusammen!

Da sich hier eine interessante Diskussion zum Thema des (offenkundig als vornehmlich angesehenen und damit - aus meiner Sichtweise - vermeintlichen) Herzstücks der Konzipierung Neuronaler Netze, nämlich den Inputs, zu ergeben scheint, an dieser Stelle ein kurzer Beitrag meinerseits auch mit Blick über den "Input-Tellerrand" hinaus.

Eingedenk dessen, dass z.B. Udo (dessen Beiträge mir sowohl in Umfang wie auch Qualität immer wieder bemerkenswert erscheinen) sicherlich für sich den notwendigen Blick über den genannten "Tellerrand" hinaus gemacht hat, sei im folgenden Beitrag doch vor allem auch auf diesen hingewiesen, da er zum Einen einen wesentlichen Beitrag zum (späteren Handels-)Erfolg eines NN leistet und zum Anderen hier noch nicht genannt worden ist.

Dieser Beitrag trägt auf der einen Seite in jenem Ausmaß Zustimmung zum bisher Kommunizierten in sich, wie er auf der anderen Seite (aufgrund differierender Sichtweise, welche wiederum auf differierenden Erfahrungen fusst) deutliche Einschränkung bis hin zum Widerspruch zu Teilen des "Postulierten" erforderlich macht:

Eine Implementierung wie bespielsweise einer Sensitivitätsanalyse (wie von Hr. Knöpfel in Aussicht gestellt) ist grundsätzlich zu begrüßen und würde den Beginn des Rückzugs des Ausweichens auf andere Lösungen (im Hinblick auf Software, die dies bietet) in diesem Bereich einläuten, was wiederum angesichts der Alternative des durch rein heuristische Verfahren langwierigen "im Nebel stochern" als notwendig anzusehen ist. Hier kann ich mich nur anschließen.

Ebenfalls anschließen kann ich mich bezüglich der von Dago angesprochenen Wichtigkeit der Verwendung von Inputs, welche sich auch in konventionellen bzw. rein technisch (also ohne Hinzunahme von künstlicher Intelligenz) konzipierten HS bewähren.

Die (aus meiner Sicht) zu treffende Einschränkung folgt hier jedoch dem weiter Ausgeführten sofort auf den Fuß (und soll als Input und nicht Kritik aufgefasst werden):

Freiheiten in Form von Optimierungs-Variablen stellen (auch und gerade wenn sie z.B. nicht binär normiert sind) keinen Nachteil, sondern vielmehr einen Vorteil dar! Gerade dies ist der Vorsprung beim Einsatz von künstlicher Intelligenz: Sie sucht selbständig nach (besseren bzw. noch besseren) Lösungsmöglichkeiten innerhalb der vorgegebenen Bandbreite von Optimierungs-Variablen der wiederum jeweils angebotenen Inputs. Fuzzy-Logik-Technologie z.B., welche gerade im Einsatz von Handelssystemen mit Neuronalen Netzen zu sehr stabilen und beeindruckenden Ergebnissen beiträgt, wird gerade aufgrund Vorgenanntem erst möglich und widerspricht aus sich heraus einer z.B. binären Normierung, weil gerade ein Neuronales Netz dadurch in die Lage versetzt wird, nicht nur schwarz und weiß bzw. 1 und -1 für die "Beurteilung" bzw. die Lösungsmöglichkeit heranzuziehen, sondern eben auch die dazwischenliegenden (sehr wichtigen!) nuancierten Ebenen der verschiedenen Grautöne zwischen schwarz und weiß. Dago hat angeführt, eine Inputselektion (durch Sensitivitätsanalyse) funktioniere bei Verwendung von Optimierungs-Variablen nicht. Stimmt! Jedoch wenn man das Pferd von vorne aufzäumt werden Opimierungs-Variablen plötzlich zum Vorteil: Zuerst muss die Identifikation von Inputs erfolgen, aus welchen ein NN geeignete Rückschlüsse für das vor uns liegende und damit unbekannte Marktverhalten ziehen kann. Die nachmalige Verwendung von Optimierungs-Variablen bzw. Verwendung von Fuzzy-Logik auf bereits als geeignet identifizierte Inputs hat sich für uns allerdings als (positiver) Turbo im Hinblick auf die Erfolgsskala von NN's erwiesen.

Dies führt sogleich auf direktem Wege (neben der Kurszeitreihen-Verfremdung durch sogenanntes "Input-Rauschen") zur sehr wohl erfolgreichen Bekämpfung von Überoptimierung durch Beschränkung im Sinne der Auswahl von Inputs durch das Neuronale Netz selbst: Wenn ein Neuronales Netz durchgängig Inputs angeboten bekommt, welche - für sich und auch unabhängig von den jeweils anderen verwendeten - stabile und profitable Ergebnisse (in rein technischen HS) erzielen, so hat man als Ausgangsbasis eine (wie von Dago in Pkt. 4 angesprochene bzw. von chied indirekt) zwar nicht idente aber sehr wohl qualitativ hochwertige Basis zur Beurteilung von NN's. Liegt diese erst einmal vor, so kann ich ebenfalls auf Erfahrung zurückgreifend folgendes sagen: Die Auswahl der Inputs durch das NN selbst endet auf diese Weise nicht in einer Überoptimierung sonder erweist sich auf diesem Gebiet ebenfalls als positiver Turbo im Hinblick auf die Erfolgsskala.

Da damit der erste Blick über den "Tellerrand" eigentlich schon erfolgt ist, sei auf die weitere und wesentliche Komponente im Bezug auf den künftigen Erfolg eines NN's im realen (und unbekannten) Markt verwiesen, welche noch ein Stückchen weiter blicken lässt: Die Architektur. Hier liegt viel Effizienz und vor allem ein weiterer wesentlicher Scheideweg zwischen dem künftigen Funktionieren oder Versagen eines NN's verschüttet, den es zu entdecken gilt!...