INVESTOX-Forum

Hallo Peter,

Frage 1
Die Erläuterung aus der Hilfe sagt eigentlich schon das Wesentliche aus! Wenn die Bedingung zutrifft (binär der Wert 1 gegeben ist) wird diese Dekade zum "lernen"- oder besser gesagt justieren herangezogen!Ist der Wert der selektierten Lernperioden-Formel 0,werden diese Dekaden außen vor gelassen. Es kann vorkommen das durch die Selektion zu wenig Fälle zur Verfügung stehen und daher die Qualität des Outputs gemindert wird. Daher sollte man sich anhand der Formel zunächst überzeugen, wie oft diese im Chart überhaupt auftritt!5 Ereignisse in 4 Wochen wäre mit Sicherheit zu wenig Fälle um daraus eine standfeste Prognose abzuleiten!

Frage 2
Ob es sinnvoll ist zeigt der Backtest,das kann man nicht pauschalisieren. Voraussetzung wäre, das sich in den jeweiligen Lernperioden annähernd gleiche Muster befinden,die dann auf gegenwärtige und zukünftige Muster übertragen werden können! Es spielt auch eine wesentliche Rolle, wieviel Spielraum man den Mustern einräumt und ob ,incl. der Spielräume, die Klassifizierung noch zielführend arbeiten kann!

Frage 3
Das macht keinen Sinn da der Test WF bereits ein Output,bezogen auf die zurückliegenden Perioden ist! Man kann aber die Outputs generell (ohne WF-Berechnung) sinnvoll in anderen Formeln einbetten und diese ebenfalls zur Prognose(Verbesserung) heranziehen!

Hallo Peter

Zitat

Meine Idee war zB den Markt in Phasen à la Volatil/Nicht Volatil einzuteilen und dann diese beiden (vom Input (zB diverse ROC) identen) NeuroClassifyWF-Modelle dann in der Phase Volatil für NCWF#1 bzw. in der Phase Nicht Volatil NCWF#2 separat klassifizierenzu lassen.

Diese Vorgehensweise wirkt sich hinsichtlich des Ergebnis auf jeden Fall entscheidend aus! Du musst Dir das so vorstellen, das N+ nur dann 100% Korrelation erreicht wenn die geprüften Muster 100% korrelieren. Durch die verschiedene Einstellungsmöglichkeiten von N+ wird versucht, Muster "aufzuweichen",zu verschieben,nachzuschieben und folglich auch mit geringerer Korrelation(versus dato) der historischen Muster das System profitabel zu gestalten. Welchen Spielraum man einplanen kann, soll im Backtest ermittelt werden!Noch eins nebenbei: N+ "lernt" nicht wie man das vom NN-Algo bekannt ist (dieser lernt aus den eigenen Fehlern,grob gesagt) sondern klassifiziert ohne Selbstset! Daher ist die vorrangige Aufgabe des Entwicklers,insbesondere die Schärfe der Muster viel Beachtung zu schenken!Die dazu notwendigen Werkzeuge werden von N+ geliefert!

Zitat

Betreffend Deiner Antwort zu meiner Frage 3 habe ich mich (sehe ich jetzt (sorry)) ein wenig lax ausgedrückt. Ich meinte vielmehr ob ich zB
den Knöpfel-DynGDNeuroProg Indikator (der ja als Output eine Art dynamischer Schnitt hat) als Input in ein NeuroClassifiyWF zu packen -
ich meine als aussagekräftigeren GD anstatt 3 Standard-GDs unterschiedlicher Periodenlänge.

Die gelieferten Indikatoren kannst Du natürlich beliebig verändern und nach Deinen Vorstellungen einsetzen!Man sollte aber beachten, das der WalkForward Test bereits ein Output-EndPoint ist! Das heißt, der aktuelle WF-Datenpunkt beschreibt jeweils ein Ergebnis von einem "unsichtbaren" Backtest. Daher benötigt ein FW-Test auch keine drei Zeiträume sondern kann über die gesamte Historie berechnet werden da er, wie erwähnt, immer einen "Endpunkt" als Folge eines vorausgehenden Backtests darstellt!Hinsichtlich zu Deiner Frage zum Indikator habe ich eine Rückfrage: Ist Dir der kleine Unterschied zwischen NeuroClassify und NeuroProg bekannt? Ich frage deshalb, weil der erwähnte Indikator in einem Beispielsystem einer NeuroProg Berechnung verwendet wird! Hier entsprechen die beiden GDs einem Ouput mit einem Zielhorizont. Das heisst die GDs liefern die Prognose der kommenden n-Perioden!Indikatoren/Outputs die bereits einen Zielhorizont prognostizieren in ein zweites N+Projekt zu implemnetieren halte ich für keine so gute Idee denn die vermeintlichen Fehler von Ouput1 in Output 2 übernommen werden könnten!Unterschiedliche Outputs zusammenzufassen und in ein Projekt zu schieben war lt. meinen Tests schon bei NN (Backprop-Algo) nicht so der Renner und brachte kaum nennenswerte Vorteile hinsichtlich der Stabilität und Performance!