Hier sind die Indikatoren fur Investox

Nun die erweiterte Version eines Indikators als reine Investox DLL.
Die Indikatoren sind nun fur 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 zusatzliche Berechnungsalgorithmen aus Weka erweitert worden.
Fur die DLL-Indikatoren ist eine Beispieldatei ""wekaIndis.weka"" beim Download der Indikatoren aufgenommen worden.

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

• in Uberarbeitung

Hinweis zur Lizensierung:
Der WekaInvestox-Indikator ist unter dem GPL-Lizenzmodell entwickelt worden und steht unter diesem Lizenzmodell zur Verfugung. Im Weka-Indikator wird die Software "Weka 3" als Bibliothek eingebunden. Weka wird ebenfalls unter dem GPL-Lizenzmodell entwickelt und vertrieben. Der Sourcecode fur 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 zusatzliche "Experimente" mit SVM

• Feed Forward Simulation einer SVM fur 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∞.

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

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

Fur Anwender von Investox gibt es erst einmal keine direkte Moglichkeit SVM als Prognosemethode einzusetzen. Neben den Arbeiten des NCRM wurde eine Losung fur den Einsatz von SVM fur Investoxbenutzer geschaffen Ascunia - SVM Integration∞, buy essay∞. Bei dieser Losung werden die Daten aus Investox exportiert und in dem Data-Mining Werkzeug Weka Wikieintrag zu Weka (englisch)∞“ anschlie?end verarbeitet. Die fertigen Prognosen konnen dann uber einen Titel in Investox eingelesen und fur Prognosen verwendet werden.

statementsTest∞

Personal statementTest∞

If you do decide to craft test∞

Weshalb ist die Support Vector Machine (SVM) interessant?

Das mathematische Verfahren der SVM ahnelt grundsatzlich dem in Investox angebotenen der neuronalen Netze. Die fur das Training bereitgestellten Zeitreihen werden „erlernt“. Neuronale Netze oder auch SVM konnen naturlich nicht im menschlichen Sinne lernen. Aber, sie konnen die Abweichung zwischen der berechneten Prognose und dem tatsachlichen Zielwert optimieren. Und bei der Art der Optimierung der eigenen Schatzungen unterscheiden sich Neuronale Netze und SVM wesentlich.

Die Parameter uber die sich die Gute der Schatzung beeinflussen lasst sind bei SVM anders als bei Neuronalen Netzen. Bei Neuronalen Netzen sind Investox-Benutzer gewohnt deren Architektur zu verandern indem zum Beispiel mehr Units in der Hiddenschicht gewahlt werden. Bei SVM lasst sich etwa der cValue durch den Anwender variieren. Uber diesen Wert lasst sich die Komplexitat der jeweils verwendeten SVM steuern. Je gro?er der Wert gewahlt wird, desto starker passt sich das Verfahren an die Trainingsdaten an und liefert fur diese optimale Prognosen. Darin gleichen sie einem Neuronalen Netz mit sehr vielen Hidden-Units. Und ebenso wird die Prognosequalitat bei zu gro?en cValues sinken. Die SVM ist ubertrainiert.

Warum dann uberhaupt Support Vector Machine?

SVM schatzen besser!
Die Eingangs zitierten Quellen vergleichen zumeist SVM mit verschiedenen alternativen Schatzverfahren und darin eingeschlossen den Neuronalen Netzen. Die SVM liefern bei fur die im Training nicht berucksichtigten Testdaten regelma?ig bessere und stabilere Prognosen!
Und das brauchten wir fur ein gutes Handelssystem.

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

Weitere Gemeinsamkeiten

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

Das gleiche gilt fur die Zielfunktionen. Bei beiden Verfahren - den SVM und den neuronalen Netzen - wird ein Lernziel benotigt. Dieses Lernziel kann zum Beispiel die Kursanderung der nachsten Periode sein. Und ebenso wie bei neuronalen Netzen hat die Wahl dieser Zielfunktion einen wesentlichen Einfluss auf die Qualitat der Prognose mit SVM.

Haftungsausschluss/Risikohinweis:

Aktien- und Futuregeschafte sind mit erheblichen Risiken verbunden. Wer an den Aktien- und Futuresmarkten handelt, muss sich im Vorfeld selbststandig und umfassend mit allen Risiken vertraut machen. Dieser Bericht, als auch die zur Verfugung gestellten Dateien (Handelssysteme, Neuronale Netze, Indikatoren, Tradingplan_und_Trainigsplan stellen keine Aufforderung zum Handel an den Aktien- und Futuresmarkten dar. Trotz sorgfaltiger Aufbereitung, Entwicklung und Umsetzung kann nicht die Vollstandigkeit und Fehlerfreiheit gewahrleistet werden. Der Autor ubernimmt daher keine Haftung und Gewahrleistungsanspruche, gleich welcher Art, fur eventuelle Verluste an den Aktien- und Futuresmarkten.