Hier sind die Indikatoren für Investox

Nun die erweiterte Version eines Indikators als reine Investox DLL.
Die Indikatoren sind nun für Investox 4.8.8 und 5.1.5 funktional identisch. D.h., auf beiden Versionen von Investox laufen die Indikatoren WekaIndikator und WekaFwdIndikator.
Der Indikator WekaFwdIndikator ist um mehrere zusätzliche Berechnungsalgorithmen aus Weka erweitert worden.
Für die DLL-Indikatoren ist eine Beispieldatei wekaIndis.weka beim Download der Indikatoren aufgenommen worden.

Für den neuen Update Investox 5.4.6 steht der Indikator nun bereit.

Please see custom essay writing∞

• in Überarbeitung

Hinweis zur Lizensierung:
Der WekaInvestox-Indikator ist unter dem GPL-Lizenzmodell entwickelt worden und steht unter diesem Lizenzmodell zur Verfügung. Im Weka-Indikator wird die Software "Weka 3" als Bibliothek eingebunden. Weka wird ebenfalls unter dem GPL-Lizenzmodell entwickelt und vertrieben. Der Sourcecode für Weka ist unterhalb der folgenden Seite zu finden: "http://www.cs.waikato.ac.nz/ml/weka/"∞.

Copyright (C) 2008 Martin Prischmann
This program is free software; you can redistribute it and/or modify it
under the terms of the GNU General Public License as published by the
Free Software Foundation; either version 3 of the License, or (at your
option) any later version.

This program is distributed in the hope that it will be useful, but
WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
General Public License for more details.

You should have received a copy of the GNU General Public License along with this program; if not, see <http://www.gnu.org/licenses/>∞.

Hier sind die zusätzliche "Experimente" mit SVM

• Feed Forward Simulation einer SVM für den DAX

Hier sind Links auf Anwendungen von SVM, Weka und vergleichbaren Algorithmen, Werkzeugen und Verfahren

• Links auf Anwendungen von SVM, Weka und vergleichbaren Algorithmen, Werkzeugen und Verfahren

Support Vector Machine – neue Verfahren zur Zeitreihenanalyse und Mustererkennung

Bei der Support Vector Machine (SVM) handelt es sich um mathematische Verfahren zur Mustererkennung Wikieintrag zu SVM∞.

Für die Prognose von Zeitreihen – insbesondere ökonomischen – werden SVM seit mehreren Jahren getestet. Dazu gibt es zum Beispiel bei Forschung zu ökonomischen Vorhersagen mit SVM (wie es üblich ist zumeist auf Englisch)∞.

Im Umfeld der Investox-User Investox Homepage∞wurde die Diskussion über SVM durch Arbeiten des Neural Research Centrer Munich (NCRM) angeregt. Dort wurden SVM im Rahmen einer Diplomarbeit für die Vorhersage von Futures getestet Arbeit zu SVM beim NCRM∞.

Für Anwender von Investox gibt es erst einmal keine direkte Möglichkeit SVM als Prognosemethode einzusetzen. Neben den Arbeiten des NCRM wurde eine Lösung für den Einsatz von SVM für Investoxbenutzer geschaffen Ascunia - SVM Integration∞. Bei dieser Lösung werden die Daten aus Investox exportiert und in dem Data-Mining Werkzeug Weka Wikieintrag zu Weka (englisch)∞“ anschließend verarbeitet. Die fertigen Prognosen können dann über einen Titel in Investox eingelesen und für Prognosen verwendet werden.

Weshalb ist die Support Vector Machine (SVM) interessant?

Das mathematische Verfahren der SVM ähnelt grundsätzlich dem in Investox angebotenen der neuronalen Netze. Die für das Training bereitgestellten Zeitreihen werden „erlernt“. Neuronale Netze oder auch SVM können natürlich nicht im menschlichen Sinne lernen. Aber, sie können die Abweichung zwischen der berechneten Prognose und dem tatsächlichen Zielwert optimieren. Und bei der Art der Optimierung der eigenen Schätzungen unterscheiden sich Neuronale Netze und SVM wesentlich.

Die Parameter über die sich die Güte der Schätzung beeinflussen lässt sind bei SVM anders als bei Neuronalen Netzen. Bei Neuronalen Netzen sind Investox-Benutzer gewohnt deren Architektur zu verändern indem zum Beispiel mehr Units in der Hiddenschicht gewählt werden. Bei SVM lässt sich etwa der cValue durch den Anwender variieren. Über diesen Wert lässt sich die Komplexität der jeweils verwendeten SVM steuern. Je größer der Wert gewählt wird, desto stärker passt sich das Verfahren an die Trainingsdaten an und liefert für diese optimale Prognosen. Darin gleichen sie einem Neuronalen Netz mit sehr vielen Hidden-Units. Und ebenso wird die Prognosequalität bei zu großen cValues sinken. Die SVM ist übertrainiert.

Warum dann überhaupt Support Vector Machine?

SVM schätzen besser!
Die Eingangs zitierten Quellen vergleichen zumeist SVM mit verschiedenen alternativen Schätzverfahren und darin eingeschlossen den Neuronalen Netzen. Die SVM liefern bei für die im Training nicht berücksichtigten Testdaten regelmäßig bessere und stabilere Prognosen!
Und das brauchten wir für ein gutes Handelssystem.

SVM sind schneller!
Das einer SVM erfolgt in Bruchteilen der Zeit, die für das Training eines Neuronales Netzes notwendig ist. Dies eröffnet neue Möglichkeiten. Mit SVM kann in wenigen Sekunden eine neues Training durchgeführt werden und ein Handelssystem mit dem neuesten Prognosen arbeiten.

Weitere Gemeinsamkeiten

Bei den für das Lernen erforderlichen Zeitreihen oder Zielfunktionen unterscheiden sich Neuronale Netze von den SVM nicht wesentlich. So wie bei neuronalen Netzen die Zeitreihen für den Input festgelegt werden benötige in SVM ebenfalls Zeitreihen die für deren Training verwendet werden sollen. Die gleichen Zeitreihen liefern bei beiden Verfahren auch die Werte für die im Anschluss an das Training Prognosen ermittelt werden sollen.

Das gleiche gilt für die Zielfunktionen. Bei beiden Verfahren - den SVM und den neuronalen Netzen - wird ein Lernziel benötigt. Dieses Lernziel kann zum Beispiel die Kursänderung der nächsten Periode sein. Und ebenso wie bei neuronalen Netzen hat die Wahl dieser Zielfunktion einen wesentlichen Einfluss auf die Qualität der Prognose mit SVM.

Haftungsausschluss/Risikohinweis:

Aktien- und Futuregeschäfte sind mit erheblichen Risiken verbunden. Wer an den Aktien- und Futuresmärkten handelt, muss sich im Vorfeld selbstständig und umfassend mit allen Risiken vertraut machen. Dieser Bericht, als auch die zur Verfügung gestellten Dateien (Handelssysteme, Neuronale Netze, Indikatoren, Tradingplan_und_Trainigsplan stellen keine Aufforderung zum Handel an den Aktien- und Futuresmärkten dar. Trotz sorgfältiger Aufbereitung, Entwicklung und Umsetzung kann nicht die Vollständigkeit und Fehlerfreiheit gewährleistet werden. Der Autor übernimmt daher keine Haftung und Gewährleistungsansprüche, gleich welcher Art, für eventuelle Verluste an den Aktien- und Futuresmärkten.