Kursprognosen

AddOns zur Nutzung der Kursprognose

Die Kursprognosen werden in Shareholder über AddOns eingebunden:

• Kursprognose-Service-AddOn d.h. Bereitstellung und Nutzung der Prognosedaten für vordefinierte Titel und Zeiteinheiten, die immer bis 22:30 wochentags zur Verfügung gestellt werden. Die Echtzeit-Trading-App (siehe https://ml-algotrader.com ) ist Bestandteil der Erweiterung.
• Kursprognose-AddOn d.h. Bereitstellung einer Basis-Konfiguration (H2o-Framework) und von Basismodellen für eigene Prognose-Modelle. Die für den Kursprognose-Service genutzten Modellen werden hierbei mit zugänglich gemacht.

Prognose-Qualität und Einordnung

Die in ShareHolder bereitgestellten Kursprognosen werden seit 02/2019 in einer historischen Datenbank gespeichert, um rückwirkend eine Einschätzung zur Prognosegenauigkeit mit Echtdaten vornehmen zu können. Diese ergeben ein eindeutiges Bild, dass bei den vorhandenen Kursprognose Zeitfenster von 2,3,5,10,20 und 30 Tagen die Prognose-Qualität mit größer werdendem Fenster steigt, d.h. eine 30d Kursprognose kann bis zu 75% die richtige Richtung vorhersagen, während der sehr kurzfristigen Zeitfenster von 2-5d zwischen 51 und 65% schwanken.

• Online-Auswertungen auf Basis Datenrückblick zur Kursprognose

Feature-Set-Bildung

Um mit Machine-Learning-Modellen zur effektiven Prognose z.B. des Goldpreises oder eine DAX-Prognose bzw. Bitcoin-Prognose zu kommen, müssen zunächst aufbereitete Trainingsdaten erzeugt werden. Diese werden innerhalb auf Basis von Trainings-Modellen erstellt. Sie greifen dabei auf weit über 120 "Features" d.h. technischen Indikatoren zu. Im Modell-Training wird dabei ein selbstlernendes Training durch die Machine-Learning-Algorithmen verwendet. Die Nutzung, Parametrisierung und Gewichtigung in der Verwendung der "Feature" für optimale Prognose-Genauigkeiten werden so bestimmt. Die Indikatoren werden hierbei in der vollen Breite der Möglichkeiten genutzt. Hierzu gehören insb. der Indikatorwert, die Zone, berechnete Signale und mögliche Divergenzen. Im aktuell optimierten Modell werden damit weit mehr als 120 Eingabedaten automatisch berechnet und für das Training und für die Kursvorhersage verwendet. Diese werden pro Tag und pro Titel erzeugt und aufgeteilt zwischen reinen Trainings und zur Prüfung notwendigen Validierungsmengen. Der Split-Faktor kann dabei frei festgelegt werden zwischen den Trainingsdaten und Validierungsdaten.

Notwendige Differenzierung zwischen den Märkten für optimierte Prognosen

Da die Märkte sich unterscheiden, wird für den Kursprognose-Service bewusst zwischen den verschiedenen Märkten unterschieden. Es werden jeweils eigene ML-Modelle verwendet.

ML-Algorithmen

Technisch wird auf Basis vom H2o-Framework gearbeitet. Das Framework erlaubt sehr viele unterschiedliche Algorithmen zu nutzen. Nach vielen Optimierungen und Testläufen haben sich die Distributed-Random-Forest und Gradient-Boost-Machine-Algorithmen als besonders zuverlässig erwiesen. Diese sind den Deep-Learning-Netzen in diesem Anwendungsfall deutlich überlegen.

Die Datenaufbereitung ist eines der Themen, denen sehr viel Aufmerksamkeit gewidmet werden sollte. Sie werden mit mangelhaften Kursdaten auch nur mangelhafte oder gar nicht funktionierende Systemd erstellen können.

Um das Modell trainieren zu können, müssen die Daten massiert, sowie die Datenbasis festgelegt werden. Gleichzeitig wird die Gesamtdatenmenge in Trainingsdaten und in eine Validierungsmenge aufgeteilt. Nachfolgend sehen die Datenselektion auf Basis der verfügbaren Markt-Bereiche. Sollten Sie nur den Kursprognose-Service nutzen wollen, werden Sie diese Maske niemals nutzen.

Das Training und die Validierung der Modelle erfolgt über das H2o-Framework, was durch das Kursprognose - AddOn automatisch installiert, gestartet und genutzt wird. Beim Training werden in der Börsensoftware spezielle Algorithmen fokussiert unterstützt, da diese sich in diesem Kontext als deutlich überlegen herausgestellt haben (DRF, GBM). Details hierzu werden bei Registrierung zur Verfügung gestellt.