Wasserstein-VAE-Inferenz für MA- und Stochastic-Trading-Muster

Zusammenfassung

Der Artikel stellt einen Inferenz-Lernablauf für Muster vor, die auf gleitenden Durchschnitten und dem Stochastic-Oszillator beruhen. Inferenz wird als Schätzung latenter Strukturen aus beobachteten Daten gefasst. Anschließend beschreibt der Text einen Wasserstein-Variational-Autoencoder, der Merkmals-, Zustands-, Aktions- und Belohnungsdaten in eine latente Repräsentation kodiert. Eine Maximum-Mean-Discrepancy-Zielfunktion gleicht die kodierten Verteilungen an einen Prior an; ein separates lineares Regressionsmodell schätzt fehlende Werte im kombinierten Datensatz. Die Modelle werden in Python trainiert und in einen MetaTrader-Ablauf integriert.

Die berichtete Auswertung verwendet Daten von 2023 bis 2024, wobei der zurückgehaltene Zeitraum die letzten sechs Monate von 2024 umfasst. Laut Autor scheinen in dieser kurzen Auswertung nur die Muster 1 und 5 davon zu profitieren, während Muster 2 keinen Nutzen zeigt. Der bereitgestellte Text enthält keine Leistungskennzahlen und weist sinngemäß darauf hin, dass die Belege aus einem begrenzten Trainings- und Testfenster stammen; eine breitere Robustheit und Übertragbarkeit auf andere Märkte ist nicht belegt.

Kernaussagen

• Inferenz wird als Möglichkeit dargestellt, verborgene Strukturen aus beobachteten Trading-Daten zu schätzen.
• Ein Wasserstein-VAE komprimiert Informationen zu Merkmalen, Zuständen, Aktionen und Belohnungen in latente Kodierungen.
• Die Maximum-Mean-Discrepancy wird verwendet, um kodierte Verteilungen mit einem Prior zu vergleichen.
• Lineare Regression wird eingesetzt, um fehlende Einträge im kombinierten Datensatz zu schätzen.
• In der berichteten kurzen Auswertung wurde nur für die Muster 1 und 5 ein Nutzen der Inferenz beschrieben.

Schlagwörter

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.