Bayessche Optimierung tiefer neuronaler Trading-Klassifikatoren
Zusammenfassung
Dieser Artikel beschreibt einen Ablauf zur Abstimmung eines tiefen neuronalen Netzes mit zwei verborgenen Schichten, das Marktdaten klassifiziert. Er erstellt Datensätze für Vortraining, Training, Validierung und Tests, entfernt Prädiktoren, die in früheren Arbeiten als statistisch nicht signifikant eingestuft wurden, und verwendet den mittleren F1 der Klassen als skalares Ziel der bayesschen Optimierung. Die Suche umfasst Netzwerkgröße, Aktivierungsfunktionen, Dropout und Lerneinstellungen für Vortraining und Feinabstimmung. Das Modell nutzt Vortraining mit anschließendem Backpropagation- oder resilientem Propagationsverfahren; der Artikel skizziert Tests und Vorwärtstests mit ausgewählten Parametern.
Der Autor berichtet von einer Verbesserung der Klassifikationsqualität um 7–10% durch Hyperparameteroptimierung und empfiehlt mehrere Optimierungsläufe, deren Ergebnisse als Ausgangspunkt für spätere Suchen dienen. Die Diskussion erwähnt auch den Rechenaufwand und schlägt zusätzliche Parameter sowie Ensembles neuronaler Netze als künftige Arbeiten vor. Die Ergebnisse hängen von der beschriebenen Datenaufbereitung, den Aufteilungen und dem Modellaufbau ab; der Auszug belegt nicht, dass sich die Klassifikationsgewinne in Trading-Erträge übertragen oder in anderen Märkten und Zeiträumen bestehen bleiben.
Kernaussagen
- Bayessche Optimierung wählt DNN-Hyperparameter durch Maximierung des mittleren F1 über alle Klassen.
- Der Ablauf trennt Vortraining, Feinabstimmung, Validierung, Test und Vorwärtstest.
- Die Suche umfasst Größen verborgener Schichten, Aktivierungsfunktionen, Dropout und Lernparameter.
- Der Autor berichtet von besserer Klassifikationsqualität, weist aber keine verbesserte Trading-Performance nach.
- Mehrere Optimierungsläufe und gestaffelte Suchen werden empfohlen, erfordern jedoch zusätzlichen Rechenaufwand.
Schlagwörter
Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.