kleine Frage, da das Thema einen etwas verwaisten Eindruck macht:

 

Arbeit von Euch noch jemand an oder mit neuronalen Netzen?

 

Ich habe selbst einmal (vor Jahren) auf dem Gebiet market prediction in der Forschung gearbeitet und wir kamen über mäßige Ergebnisse nicht hinaus.

Bevor ich anfange Monologe zu halten, ist hier noch jemand aktiv oder haben alle aufgegeben?

 

Grüße

Euer FAL

Ich arbeite ca. 40% meiner Zeit mit Investox und NN, nehme diese aber "nur" für Prognosen von bis zu den nächsten 5-9 Candles her.

Nein z.Z. nicht, habe aber mal viel Zeit mit RBF, ANFIS und Kalman/PF verbracht.

Die Ergebisse waren bzw. sind auch sehr brauchbar. Ich habe aber nur 1-2 Candles

im voraus prognostiziert. Kalman und PF liefern dabei deutlich bessere Ergebnisse

als verkömmliche NN. RBF und Anfis sind auch nicht schlecht, bloß ein wenig

zeitintensiver. Ich habe eigentlich heraus gefunden, dass Pivots mir die gleiche

Erkenntnis bringen.

 

Ein schönes System. - Gann, Murrey, Pivots + Bayesian

Network (Seq. Monte Carlo aka Seq. Part. Filter) auf Renkobasis. Gespickt mit

ein wenig Kmeans zum Clustern + Money und Risk Management.

 

Mfg und ein herzliches Willkommen

August 2012 kommt ein neues Buch raus, welche für den Einstieg gut geeignet ist.

 

http://people.cs.ubc.ca/~murphyk/MLbook/

 

http://people.cs.ubc.ca/~murphyk/MLbook/pml-toc-9nov11.pdf

 

Matlab Code zum Buch: http://code.google.com/p/pmtk3/

vielen Dank schon einmal für Eure Antworten!

Ich bin im Moment leider ein Totalausfall und kann nicht viel beitragen, siehe auch diese kurze Mittelung.

 

Machts gut und bis bald

FAL

Hat jemand mal Boosting Support Vector Machines und NN verglichen? Hab mir mal das erstere erklären lassen und finde es sehr interessant. Fand es interessanter als KNN ich kann es aber nicht beurteilen da ein „erklären lassen“ nicht zum Vergleich geeignet ist.

 

Google ich die vergleiche von „svm vs nn“ so schneidet svm besser ab (trading unabhängig) aber man findet ziemlich wenig darüber. Ich fand zwar eine Diplomarbeit über svm und dem Handel an der Börse jedoch war sein „Werk“ ehr oberflächlich und da war sein Fazit - dass es nicht für die Vorhersage der Kurse dienen könne - nicht überraschend da sein Input schon mist war. Man kann ja auch nicht erwarten dass ein Diplomand die Kenntnisse eines Traders hat. Demzufolge war sein Werk zwar ok aber nicht zielführend ob SVM fürs Trading geeignet wäre.

August 2012 kommt ein neues Buch raus, welche für den Einstieg gut geeignet ist.

 

http://people.cs.ubc.ca/~murphyk/MLbook/

 

http://people.cs.ubc.ca/~murphyk/MLbook/pml-toc-9nov11.pdf

 

Matlab Code zum Buch: http://code.google.com/p/pmtk3/

 

Was mir da immer schleierhaft ist: wie lernt man so ein NN an?

 

'Zeigt' man ihm (in welcher Forma auch immer) die gewünschten Bewegungen bei denen es vorher im Markt sein soll und das NN versucht dann zu ermitteln und laufend neu zu überprüfen welchen Zustände/Bedingungen vorher gegeben waren so dass es sich entsprechend positionieren kann?

 

Lutz

Was mir da immer schleierhaft ist: wie lernt man so ein NN an?

...

Hab den Link zwar schon mal gepostet aber um mal einen Einstieg zu bekommen ist dies ein guter Anfang.

Hier

Was mir da immer schleierhaft ist: wie lernt man so ein NN an?

 

Also diese Frage ist einfach beantwortet: Ein NN besteht aus Inputs und liefert für einen Input, Outputs. Dazwischen sind Knoten mit gewichteten Verbindungen und Aktivierungsfunktionen. Bei einem (klassischen) NN gibt es also keine andere Möglichkeit es zu lernen, als ihm eine Reihe von Inputs mit vordefinierten Outputs zu geben. Pro Input aus dieser Liste vergleicht man den NN-Output mit dem gewünschten Output und setzt dann die Gewichte im NN entsprechend um den "richtigen" Output zu erhalten. Wie genau die Gewichte gesetzt werden, dafür gibt es verschiedene Algorithmen. Man muss hier auch aufpassen das man ein "auswendig lernen" verhindert. (Im wesentlichen ähnlich zum backtesten, mit out-of-sample etc.)

 

Die wichtigere Frage ist: Was sind die Inputs und was die Outputs?

Ein NN wird oft mit künstlicher Intelligenz verbunden. Aber ein NN selber ist erstmal nichts anderes als eine mathematische Funktion, die aber beliebig komplex sein kann. Keine Intelligenz, kein selber lernen etc.

Das wesentliche an NNs ist, das man ihnen auch Funktionen "lernen" kann, wo man nicht weiß wie die Funktion aussieht, sondern nur ein paar (Input,Output) Paare kennt. Deswegen werden sie gern im maschinellen Lernen eingesetzt wenn es um unendliche (oder sehr große) Inputräume geht, wo man gewisse Kombinationen kennt, aber "ähnliche" andere Inputs "ähnliche" Outputs liefern sollen.

 

Zum Beispiel Trading: Ich geb dem Netz ein paar Aufwärtstrends und trainier es auf "das ist ein Aufwärtstrend", und hoffe das es auch bei Kursverläufen die es noch nicht genau kannte, trotzdem erkennt ob das jetzt ein Aufwärtstrend ist. Oder ich trainier es darauf den nächsten Close-Kurs vorherzusagen.

 

Man kanns auch noch weiter treiben und mit einem Reinforcement-Learning Algo rundherum alle Tradingentscheidungen (Einsteigen, Aussteigen) "automatisieren"... Hab ich probiert, hat bei mir nit funktioniert (zumindest nit out-of-sample).

 

Wo die klassischen NNs (zumindest damals als ich damit zu tun hatte) sehr gut sind, ist die Mustererkennung. Also wenn man gewisse Chartmuster erkennen will (oder Gesichter, oder Autos...) könnten sie sehr gut sein, die rundherum-Logik (was mach ich bei so einem Muster) sollte mMn aber der Trader selber entscheiden (ggf. per System, aber ohne NN).

 

Was bei NNs immer ein großes Problem ist, ist die richtige Vorverarbeitung der Inputs. Da es sich hier immer nur um Zahlen handelt, muss man auf eine Normierung achten, damit nicht immer der Input mit den größten absoluten Ausschlägen "gewinnt".

Hab den Link zwar schon mal gepostet aber um mal einen Einstieg zu bekommen ist dies ein guter Anfang.

 

Der ist interessant zu lesen, aber er beantwortet auch nicht "was er dem NN lernt" oder? Er hat scheinbar profitable NNs erzeugt, testet ein paar tausend im Jahr, aber auf welche Inputs er welche Outputs trainiert und was er damit macht, steht nirgends...

Wo die klassischen NNs (zumindest damals als ich damit zu tun hatte) sehr gut sind, ist die Mustererkennung. Also wenn man gewisse Chartmuster erkennen will (oder Gesichter, oder Autos...) könnten sie sehr gut sein, die rundherum-Logik (was mach ich bei so einem Muster) sollte mMn aber der Trader selber entscheiden (ggf. per System, aber ohne NN).

 

Das gefällt mir, klingt nahe am diskretionären Trading.

 

Lutz

Der ist interessant zu lesen, aber er beantwortet auch nicht "was er dem NN lernt" oder? Er hat scheinbar profitable NNs erzeugt, testet ein paar tausend im Jahr, aber auf welche Inputs er welche Outputs trainiert und was er damit macht, steht nirgends...

Mit einem guten Anfang meinte ich dass er die Anfängerfehler gut erklärt und in die Richtung zeigt wo es hingehen soll. Seine Systeme selbst hat er leider nicht gezeigt. Dies ist IMHO auch nicht so wichtig für den Anfang.

Diese Absätze zum Beispiel nimmt bereits den Anfängern eine gewisse Vorstellung weg das NN die eigene Dummheit ersetzen könnte.

Es gibt zahlreiche Methoden, ein "profitables" NN zu erstellen. Die erste ist die "Cry-And-Error"-Methode, die hauptsächlich von Anfängern bevorzugt wird. Alles, was auch nur annähernd mit dem auserwählten Index zusammenhängen könnte, wird "reingeschmissen", in der Hoffnung, dass die Genetischen Algorithmen das Nötigste herausfiltern werden. Salopp formuliert, hat man zwei Dinge nicht beachtet: Neuronale Netze sind dumm; Genetische Algorithmen sind noch dümmer.

NN haben die Eigenschaft, dass sie sich sehr schnell sehr stark an einen vorgegebenen Kursverlauf anpassen. Dieser Prozess wird durch den ausgiebigen Einsatz der GAs oft beschleunigt. Je schlechter die Inputauswahl und je größer der Einsatz der GAs ist, desto schlechter funktionieren die NN im Kontrollzeitraum. Der Schlüssel zum Erfolg ist also eine vernünftige Auswahl der Inputs. Da es aber unendlich viele Möglichkeiten gibt, ein NN zu erstellen, ist die Wahrscheinlichkeit recht gering, dass man mit der "Cry-And-Error"-Methode auf die "richtigen" Inputs stößt.

…

Ergebnisse

Die Frage, die sich stellt, ist, welches realistische Ergebnis kann man von einem NN erwarten? Die Entwicklung eines NN ist der Versuch, instabile Zusammenhänge in ein starres, stabiles Modell zu übertragen. Es ist sicherlich leichter, einen 10 m hohen Turm aus rohen Eiern zu bauen als ein profitables NN zu erstellen. Es ist jedoch mindestens genau so schwer, ein profitables mechanisches Handelssystem oder eine diskretionäre Strategie zu entwickeln, die das Überleben bzw. Geldverdienen in einem Markt ermöglicht. Letztlich stellt sich hier die Frage nach der Effizienz der Finanzmärkte und nach Random-Walk-Theorien. Beides muss jeder für sich entscheiden.[/Quote]

 

Kennst du zufällig SVM im Bezug aufs Trading? Mir fehlen richtig gute Quellen dafür.

Kennst du zufällig SVM im Bezug aufs Trading? Mir fehlen richtig gute Quellen dafür.

 

Ich hab vor Jahren mal was mit SVMs gemacht (aber ehrlich gesagt weiß ich nicht mal mehr was, ich hab nur noch den Namen im Kopf). Ich wär da allgemein sehr vorsichtig bei Quellen in Bezug aufs Trading. Die Dinger (SVM, NN etc.) können gewisse Dinge, und gewisse Dinge nicht. Und bei vielen Bereichen wissen selbst die Experten noch nicht so richtig was sie können (auch wenn manche "Experten" sagen sie können alles und werden einestages über die Welt herrschen). Für mich sind sie wie Indikatoren. Wenn er zum Trader und System passt, wirds der Gral, wenn nicht wirds eine Serie verbrannter Konten.

 

Ich würde also eher (wie bei Indis) mir anschauen was das Ding in der Theorie tut, und wo es (nicht im Trading) eingesetzt wird. Davon kann man dann meist gut ableiten wofür es brauchbar ist. Und über exzesives Testen und analysieren kommt man eh nicht drum herum...

 

EDIT (nach Wikipedia research):

Ah, weiß schon wieder. Die Dinger sind eigentlich ja reine Klassifikatoren. mMn für so Dinge wie "Trenderkennung" durchaus geeignet (mit passenden Inputs). Ob sich Einstiegssignale derart klassifizieren lassen, wage ich mal zu bezweifeln.

Was aber nicht heißt das ich mich an einem Gewinn nicht beteiligen lasse :D

Ich hab vor Jahren mal was mit SVMs gemacht (aber ehrlich gesagt weiß ich nicht mal mehr was, ich hab nur noch den Namen im Kopf). Ich wär da allgemein sehr vorsichtig bei Quellen in Bezug aufs Trading. Die Dinger (SVM, NN etc.) können gewisse Dinge, und gewisse Dinge nicht. Und bei vielen Bereichen wissen selbst die Experten noch nicht so richtig was sie können (auch wenn manche "Experten" sagen sie können alles und werden einestages über die Welt herrschen). Für mich sind sie wie Indikatoren. Wenn er zum Trader und System passt, wirds der Gral, wenn nicht wirds eine Serie verbrannter Konten.

 

Ich würde also eher (wie bei Indis) mir anschauen was das Ding in der Theorie tut, und wo es (nicht im Trading) eingesetzt wird. Davon kann man dann meist gut ableiten wofür es brauchbar ist. Und über exzesives Testen und analysieren kommt man eh nicht drum herum...

 

EDIT (nach Wikipedia research):

Ah, weiß schon wieder. Die Dinger sind eigentlich ja reine Klassifikatoren. mMn für so Dinge wie "Trenderkennung" durchaus geeignet (mit passenden Inputs). Ob sich Einstiegssignale derart klassifizieren lassen, wage ich mal zu bezweifeln.

Was aber nicht heißt das ich mich an einem Gewinn nicht beteiligen lasse :D

 

Ich will mich da jetzt bald mal in die KI-Prblematik einarbeiten.

Es gibt da ein schönes kostenloses Tool.

http://rapid-i.com/

 

Das Thema lautet da Datamining.

Hier geht es darum automatisch ein profitables Regelwerk zu erstellen. Bzw. man analysiert grosse Datenmengen und

extrahiert hieraus Muster wie man die Datenmengen beschreiben könnte.

 

Ich bin mir sicher, das es schon etliche Handelsysteme gibt die grosse KI-Anteile besitzen.

Ich glaub da geht der Weg hin.

 

thomas