Überblick

Diese Strategie nutzt ein künstliches neuronales Netzwerk (KNN), um zukünftige Preisänderungen vorherzusagen und auf Basis der Prognosen Handelssignale zu generieren. Es handelt sich um eine Trendfolgestrategie. Der Vorteil der Strategie liegt in der Fähigkeit, komplexe nichtlineare Trends zu erkennen, was sie für mittel- bis langfristige Trades geeignet macht. Es besteht jedoch das Risiko, dass die Backtesting-Ergebnisse gut sind, die Live-Ergebnisse jedoch enttäuschen.

Strategieprinzip

Die Strategie verwendet ein künstliches neuronales Netzwerk (KNN) zur Vorhersage der prozentualen Veränderung des nächsten Tages.

Die Eingabeschicht besteht aus nur einem Eingabeknoten, der die prozentuale Veränderung des Vortages darstellt.

Die verdeckte Schicht umfasst zwei Ebenen: Die erste Ebene hat 5 Knoten, die zweite 33 Knoten, beide nutzen den hyperbolischen Tangens (tanh) als Aktivierungsfunktion.

Die Ausgabeschicht hat nur einen Ausgabeknoten, der nach einer linearen Aktivierungsfunktion direkt das endgültige Vorhersageergebnis liefert.

Wenn der Vorhersagewert größer als der Parameter threshold ist, wird ein Kaufsignal generiert; wenn er kleiner als der negative Wert des threshold-Parameters ist, wird ein Verkaufssignal generiert.

Strategievorteile

• Die Verwendung eines KNN-Modells zur Prognose ermöglicht die Anpassung an komplexe nichtlineare Trends.
• Die Eingabe verwendet nur Daten eines Tages, sodass keine großen historischen Datenmengen erforderlich sind.
• Es können Trends über längere Zeiträume erkannt werden.
• Die Verwendung mehrerer verdeckter Schichten bietet eine hohe Anpassungsfähigkeit.
• Die Aktivierungsfunktionen und Parameter wurden optimiert, was zu guten Prognoseergebnissen führt.

Strategierisiken

• KNN-Algorithmen bergen ein Überanpassungsrisiko; die Live-Ergebnisse können schlechter sein als die Backtesting-Ergebnisse.
• Es werden lange historische Daten für das Training benötigt, was es für kürzlich gelistete Aktien ungeeignet macht.
• Parameter und Struktur müssen wiederholt optimiert werden, was zu instabilen Ergebnissen führt.
• Es wird nur die Veränderung eines Tages vorhergesagt, sodass langfristige Trends nicht beurteilt werden können.
• In Seitwärtsmärkten kann die Performance nachlassen.

Optimierungsmöglichkeiten

• Hinzufügen weiterer Eingabevariablen wie Volumeninformationen.
• Ausprobieren verschiedener KNN-Strukturen und Aktivierungsfunktionen.
• Optimierung der KNN-Parameter zur Verbesserung der Anpassungsgenauigkeit.
• Vergrößerung des Trainingsdatensatzes, um Überanpassung zu vermeiden.
• Vorhersage mehrerer Zeitskalen zur Beurteilung kurz- und langfristiger Trends.
• Kombination mit anderen Modellen, Ensemble Learning.
• Verwendung von Volatilitätskennzahlen zur Verbesserung des Risikomanagements.

Zusammenfassung

Diese Strategie nutzt ein KNN-Modell zur Vorhersage von Preisänderungen und kann komplexe nichtlineare Trends erkennen, was sie für mittel- bis langfristige Trades geeignet macht. Allerdings stellt die Black-Box-Eigenschaft des KNN-Modells eine große Herausforderung für den Live-Handel dar. Daher müssen wir Optimierungen in den Bereichen Eingangsmerkmale, Modellstruktur, Parameteroptimierung und Ensemble Learning vornehmen und gleichzeitig traditionelle technische Indikatoren zur Verbesserung der Handelsergebnisse und zur Risikominimierung einsetzen. KI-Strategien müssen weiterhin nahtlos mit traditionellen Strategien kombiniert werden, um ihr volles Potenzial zu entfalten.