![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Nachdem hier im deutschen Forum in letzter Zeit neuronale Netze ein großes Thema waren (Hallo Bayne ;-) ...) möchte ich an dieser Stelle auf eine von mir geplante Artikel-Serie im englischen Forum verweisen, in der ich regelmäßige Updates geplant habe:
https://www.mql5.com/en/forum/319316
Wer kein Englisch spricht kann dort ja auf den "DE" Übersetzungs-Button drücken.
Ich weiß, dass ich mich hier mehrfach sehr skeptisch über das Potential von Zeitreihen-Vorhersage im Trading geäußert habe, weshalb ich mir mit dem Projekt etwas selbst widerspreche. Es kann allerdings auch gut sein, dass ich am Ende zu der Erkenntnis komme "funktioniert nicht".
Mit traditionellen LSTM-Netzwerken hatte ich ja schon früher Erfahrungen, mit der Quintessenz "funktioniert - aber nicht gut genug". Ich hatte allerdings einschichtige LSTMs verwendet. Das ist im Vergleich mit MLPs nicht ungewöhnlich, denn es kann sich trotzdem um "deep networks" handeln, denn die "tiefe" Komponente kann einerseits bedeuten "tief durch die Anzahl der Schichten" oder bei rekurrenten Netzen eben auch "tief in der Zeit". Ich habe inzwischen den Mql5-Code fertig auch für voll vernetzte LSTM-Netzwerke mit beliebig vielen Schichten. Darüber hinaus möchte ich für die Inputs einen Autoencoder (=bottleneck-MLP mit output-refeed) vorschalten, der quasi eine einfachere Representation komplexerer Daten einspeist und das Netzwerk so deutlich leistungsfähiger macht. Ich kann mir vorstellen, dass dieses Konzept dem einfachen LSTM überlegen ist (nicht meine Erfindung, in anderen Bereichen wurde das bereits gezeigt (z.B. sehr interessanter Artikel: Gensler et al., Deep Learning for Solar Power Forecasting - An Approach Using Autoencoder and LSTM Neural Networks, Uni Kassel), ich möchte das allerdings selbst im Trading überprüfen, bevor ich das Konzept verwerfe.
Falls sich jemand dafür interessiert: schaut einfach gelegentlich im englischen Forum vorbei.
Lg,
Chris.