Maschinelles Lernen im Handel

Bedeutung

Handelsbezogenes maschinelles Lernen nutzt Beispiele aus vergangenen Daten, um ein Modell zu trainieren, das Schätzungen für neue Fälle liefert. Mögliche Eingaben sind Kurse, Handelsvolumen, Ordergröße und Marktbedingungen. Eine Ausgabe könnte die geschätzte Wahrscheinlichkeit sein, dass eine Order unter bestimmten Bedingungen ausgeführt wird. Das Modell lernt Zusammenhänge aus den Daten, doch diese können sich ändern. Eine Schätzung ist kein bekanntes zukünftiges Ergebnis.

Maschinelles Lernen unterscheidet sich von einer festen Formel: Die trainierten Parameter hängen von den Trainingsdaten ab. Es unterscheidet sich auch davon, ein Chartmuster als Handelsregel zu verwenden. Keine der beiden Methoden kann die Unsicherheit an den künftigen Märkten beseitigen.

Berechnung

Für maschinelles Lernen im Handel gibt es keine einzelne allgemeingültige Formel. Die Berechnung hängt von der Aufgabe und dem Modell ab. Eine mögliche Form für ein einfaches, hypothetisches Modell, das schätzt, ob eine Order innerhalb eines festgelegten Zeitraums ausgeführt wird, ist die logistische Regression:

p = 1 / (1 + exp(-(b0 + b1*x1 + b2*x2)))

• p ist die geschätzte Ausführungswahrscheinlichkeit und liegt zwischen 0 und 1.
• exp ist die Exponentialfunktion.
• b0 ist der trainierte Achsenabschnitt; b1 und b2 sind trainierte Koeffizienten. In diesem Beispiel sind alle drei dimensionslos.
• x1 ist die Ordergröße geteilt durch das durchschnittliche Tagesvolumen und wird als Bruchzahl ausgedrückt; x2 ist die Geld-Brief-Spanne geteilt durch den Mittelkurs, ebenfalls als Bruchzahl.

Die Koeffizienten werden anhand vergangener Beobachtungen mit bekannten Ergebnissen trainiert – sie werden nicht danach ausgewählt, ob sie plausibel erscheinen. Bei der Modellbewertung sollten Daten verwendet werden, die nicht in das Training eingeflossen sind, und die zeitliche Reihenfolge muss berücksichtigt werden: Informationen, die erst nach einer Order verfügbar wurden, dürfen für diese Order nicht als Eingabe dienen.

Rechenbeispiel

Angenommen, ein hypothetisches Modell wurde anhand historischer Orders trainiert. Der Achsenabschnitt beträgt b0 = 0, der Koeffizient für die Handelsbeteiligung b1 = -2 und der Koeffizient für die relative Geld-Brief-Spanne b2 = -10. Diese runden Zahlen dienen nur zur Veranschaulichung der Rechnung und bilden keinen gemessenen Zusammenhang ab.

1. Bei einer hypothetischen Order über 10.000 Aktien und einem durchschnittlichen Tagesvolumen von 100.000 Aktien gilt: x1 = 10.000 / 100.000 = 0,10.
2. Angenommen, die Geld-Brief-Spanne beträgt 0,10 US$ und der Mittelkurs 50 US$. Dann gilt: x2 = 0,10 US$ / 50 US$ = 0,002.
3. Der kombinierte Eingabewert des Modells lautet: 0 + (-2 × 0,10) + (-10 × 0,002) = -0,22.
4. Die Ausgabe lautet: p = 1 / (1 + exp(0,22)), also etwa 0,445 (44,5 %).

Dieser Wert wäre nur für die Ausführungsbedingungen und den Zeitraum eine geschätzte Ausführungswahrscheinlichkeit, die der Definition der historischen Ergebnisse des Modells zugrunde liegen. Für sich genommen sagt er nichts über die Rendite oder die Eignung des geplanten Trades aus.

Bedeutung vor dem Trade

Eine Prüfung vor dem Trade kann die Ordergröße mit dem verfügbaren Volumen vergleichen, Geld-Brief-Spanne und Volatilität berücksichtigen und untersuchen, wie sich die Ausführungsbedingungen auf die Unsicherheit auswirken. Schätzungen aus maschinellem Lernen können dabei helfen, solche Informationen zu strukturieren. Eine Wahrscheinlichkeit ist jedoch nur dann aussagekräftig, wenn das Ergebnis klar definiert ist, relevante Daten vorliegen und das Modell anhand späterer Beobachtungen getestet wird. Eine scheinbar präzise Zahl kann irreführend sein, wenn sich die Marktbedingungen vom Trainingszeitraum unterscheiden.

So setzt PreTrAIde es ein

PreTrAIde ist eine KI-Plattform zur Analyse von Aktien vor dem Trade. Aus den Produktangaben geht nicht hervor, dass ein bestimmter Algorithmus für maschinelles Lernen anhand historischer Trades trainiert wird. Die quantitative Ebene liefert deterministische, reproduzierbare Schätzungen und Bewertungen zu Faktoren wie Geld-Brief-Spanne, Anteil am Tagesvolumen, Marktbeeinflussung, Volatilität, Liquidität und Datenqualität. Anschließend bewerten KI-Agenten die jeweilige Aktie und den Korb anhand dieser Werte, aktueller Nachrichten und Analystenbewertungen.

Für einen selbst zusammengestellten Korb liefert PreTrAIde ein GO-, NO-GO- oder MODIFY-Urteil, eine Erfolgswahrscheinlichkeit, eine Risikoeinschätzung, eine vorgeschlagene Ausführungsstrategie und eine verständliche Begründung. Die Erfolgswahrscheinlichkeit ist eine auf 5 % bis 95 % begrenzte Modellschätzung, keine Renditeprognose oder Garantie. Die Urteile dienen als Entscheidungshilfe und sind keine Empfehlungen. Nutzer geben etwaige Orders selbst über ihren eigenen Broker auf.

Häufige Fehler

• Einen trainierten Zusammenhang als Gesetz zu behandeln, das unter allen Marktbedingungen gilt.
• Mit Daten zu testen, in die Informationen aus der Zukunft eingeflossen sind, oder ein Modell wiederholt anzupassen, bis es zu vergangenen Ergebnissen passt.
• Die Wahrscheinlichkeit eines klar definierten Ereignisses, etwa einer Orderausführung, mit der Wahrscheinlichkeit eines Gewinns zu verwechseln.
• Anzunehmen, eine von KI erzeugte Erklärung beweise die Genauigkeit einer Schätzung. Eingaben, Ergebnisdefinitionen und Validierung bleiben entscheidend.
• Davon auszugehen, dass jedes KI-gestützte Tool für die Analyse vor dem Trade dieselbe Methode des maschinellen Lernens verwendet.