Einführung eines verbesserten Modells für Signale

Ich persönlich erachte die von unserem KI-Modell generierten Signale als das Kernstück unserer Software. Während Sie Rohstoffsignale auch anderswo finden können, basieren diese ausschließlich auf Saisonalität. Wie wir bereits mehrfach erläutert haben, ist die alleinige Verwendung der Saisonalität vergleichbar mit einem Fahren, bei dem man nur in den Rückspiegel schaut. Keine empfehlenswerte Vorgehensweise.

Ich entschied mich, es besser zu machen. Nicht weil es einfach ist, sondern weil es schwierig ist, wie John F. Kennedy sagte. Ich entwickelte ein komplexes maschinelles Lernmodell, das in der Lage ist, Signale aus verschiedenen Datentypen zu generieren, nicht nur aus der Saisonalität.

Das war im Jahr 2019. Abgesehen von einigen Fehlerbehebungen habe ich das Modell seitdem nicht angerührt. Es ist bemerkenswert, dass es in der Lage war, über die letzten vier Jahre hinweg in völlig unterschiedlichen Marktregimen zu funktionieren und sinnvolle Signale zu produzieren, ohne neu trainiert zu werden.

In diesen Jahren habe ich eine Reihe von Verbesserungen erdacht, die ich mir notiert habe. Schließlich begann ich Anfang dieses Jahres mit der Arbeit an dem verbesserten Modell.

Ich hatte fünf Hauptziele:

1. Die Recheneffizienz verbessern (es schneller laufen lassen) und die Codestruktur vereinfachen.
2. Einige kluge Ideen bezüglich der Eingabedaten implementieren, die ich im Laufe der Jahre entwickelt habe.
3. Untersuchen, ob die Ergebnisse für „schwer vorhersagbare“ Märkte, wie den Energiemarkt, verbessert werden können.
4. Das Modell befähigen, mehr direkte Futures-Signale zu finden.
5. Werkzeuge entwickeln, um den Datenfluss zu analysieren und den Beitrag einzelner Merkmale zu untersuchen.

Jetzt, da ich fertig bin, kann ich das erste Ziel als zu 100% erreicht erklären. Ich habe letztendlich den gesamten Code von Grund auf neu geschrieben. Jede Operation wird nun etwas anders durchgeführt, von der Vorverarbeitung und dem Modelltraining bis hin zur Inferenz. Und es ist um Größenordnungen schneller. Was früher Wochen an Rechenzeit benötigte, dauert jetzt nur noch Tage.

Das zweite Ziel wurde ebenfalls erreicht. Das Modell nimmt folgende Arten von Daten als Eingabe:

• Preisentwicklung
• Volatilität
• Stimmungs- und Positionierungsdaten
• Saisonalität
• Bewertungskennzahlen
• Dynamik der Terminstruktur

Die Haupterweiterungen und -verbesserungen wurden in den Bereichen der Preisentwicklungsdaten, der Volatilität und insbesondere der Dynamik der Terminstruktur vorgenommen. Ich werde nicht ins Detail gehen, da es sich um sensible Informationen handelt, die ich nicht öffentlich preisgeben möchte.

Bedauerlicherweise war das dritte Ziel ein Misserfolg. In dem ursprünglichen Einführungsartikel vor vier Jahren warnte ich davor, dass das Modell Schwierigkeiten mit bestimmten Märkten hatte, wobei die Energiemärkte ein gutes Beispiel dafür sind. Ich wollte herausfinden, ob diese Märkte wirklich so schwer vorherzusagen sind (wie ich im ursprünglichen Artikel erklärte) oder ob das Modell bessere Ergebnisse erzielen könnte. Es stellte sich heraus, dass es das nicht kann. Ja, es gibt einige marginale Verbesserungen in bestimmten Märkten dank des fünften Ziels, aber im Allgemeinen sind einige Märkte wirklich schwierig. Darüber hinaus scheint sich trotz der großen Änderungen im Modell das ursprüngliche Muster zu bestätigen: Märkte, die schwer vorherzusagen waren, bleiben es, und diejenigen, die leichter zu durchschauen waren, sind es weiterhin. Es ist nicht zufällig.

Der Erfolg beim vierten Ziel ist das, worauf ich am stolzesten bin. Ihnen ist möglicherweise aufgefallen, dass es im Gegensatz zu den Intra-Lieferungs-Signalen üblicherweise nicht mehr als drei Signale für direkte Futures gab. Ich fragte mich, ob es natürlicherweise mehr gute Gelegenheiten bei Spreads gab oder ob die Leistung des Modells bei direkten Futures irgendwie beeinträchtigt war. Der offensichtlichste Grund wäre die inhärent viel kleinere Größe des Trainingsdatensatzes für direkte Futures. Ich habe einen cleveren Weg gefunden, dieses Hindernis zu umgehen, und es scheint wirklich zu helfen. Es gibt jetzt mehr Futures-Signale, zumindest vorerst.

Und schließlich war das fünfte Ziel nicht weniger wichtig. Das ursprüngliche Modell war größtenteils eine Black Box, und abgesehen vom Vergleich der Testingverluste konnte ich sehr wenig tun, um herauszufinden, wie das Modell arbeitete und, was noch entscheidender ist, wie einzelne Merkmale zu erfolgreichen Vorhersagen beitrugen. Jetzt verfüge ich über einen eigenen Satz von Werkzeugen, um das Modell zu debuggen, was zweifellos zu einer besseren Leistung bei einigen Rohstoffen und zu größerem Erfolg beim Finden von mehr direkten Futures-Signalen beigetragen hat.

Ich behaupte nun nicht, dass es bahnbrechende Verbesserungen bei den Signalen geben wird. Jeder mit Erfahrung im maschinellen Lernen wird bestätigen, dass der zehnfache Zeitaufwand und die Entwicklung eines dreimal leistungsfähigeren Modells üblicherweise zu einer 10% – 20%igen Verbesserung der Vorhersagequalität führt. Dasselbe gilt hier. Das neue Modell bringt zweifelsohne viele Verbesserungen mit sich, aber erwarten Sie keine Wunder. Die Vorhersage von Märkten ist schwierig, und es ist kein Zufall, dass ich solche Signale andernorts nicht gesehen habe.

Bedenken Sie auch, dass das Signalmodell kein Handelssystem ist, was bedeutet, dass es keine Ein- oder Ausstiege oder Gewinne und Verluste gibt. Sein einziger Zweck besteht darin, Sie auf potenziell interessante Marktchancen aufmerksam zu machen, sodass Sie nicht jede Woche stundenlang die Märkte durchforsten müssen. Es war in dieser Rolle sehr erfolgreich, da es uns im Laufe der Jahre auf viele großartige Gelegenheiten aufmerksam gemacht hat, die wir sonst möglicherweise übersehen hätten. Sie müssen jedoch Ihre eigene gründliche Analyse dieser Gelegenheiten durchführen. Einige von ihnen entwickeln sich möglicherweise nicht zu handelbaren Situationen, die Lage kann sich aufgrund fundamentaler Nachrichten plötzlich ändern, oder das Modell kann schlichtweg falsch liegen.

Handelssignale werden von einem komplexen maschinellen Lernmodell generiert und sind nicht für den tatsächlichen Handel bestimmt. Handelssignale sollten ausschließlich zu Bildungszwecken verwendet werden. SpreadCharts s.r.o. (das Unternehmen) oder seine Vertreter übernehmen keine Verantwortung für Handlungen, die unter dem Einfluss der Handelssignale oder anderer Informationen, die auf dieser Website oder ihren Subdomänen veröffentlicht werden, unternommen werden. Es besteht ein Risiko erheblicher Verluste beim Futures-Handel.

CFTC-Regel 4.41: Hypothetische oder simulierte Performanceergebnisse unterliegen bestimmten Einschränkungen. Im Gegensatz zu einer tatsächlichen Performanceaufzeichnung repräsentieren simulierte Ergebnisse keinen echten Handel. Da die Trades nicht ausgeführt wurden, könnten die Ergebnisse zudem die Auswirkungen bestimmter Marktfaktoren, wie beispielsweise mangelnde Liquidität, unter- oder überkompensiert haben. Simulierte Handelsprogramme unterliegen im Allgemeinen auch der Tatsache, dass sie mit dem Vorteil der Rückschau konzipiert sind. Es wird keine Zusicherung gemacht, dass ein Konto Gewinne oder Verluste erzielen wird, die den gezeigten ähnlich sind. Alle Informationen auf dieser Website dienen ausschließlich Bildungszwecken und stellen keine Finanzberatung dar. Jegliche Aussagen über Gewinne oder Einkommen, ob ausdrücklich oder implizit, stellen keine Garantie dar. Ihr tatsächlicher Handel kann zu Verlusten führen, da kein Handelssystem garantiert ist. Sie übernehmen die volle Verantwortung für Ihre Handlungen, Trades, Gewinne oder Verluste und erklären sich damit einverstanden, SpreadCharts s.r.o. (das Unternehmen) und alle autorisierten Verbreiter dieser Informationen in jeglicher Hinsicht schadlos zu halten.