Guten Abend GQ,
ich möchte euch heute mein Nasdaq100 Leveraged Long-Term Trading System vorstellen. Das Ganze ist im Großen und Ganzen ein AI Model welches ausgehend vom $EQQQ (+1,22 %) den $TQQQ , $SQQQ oder Cash bespart.
Entstehung
Die Idee für das Modell ist im Dezember nach einer Unterhaltung mit @Epi über sein GTAA Modell entstanden welches ich schon länger verfolge. Die erste Idee damals war durch den Vergleich des 50-SMA und 200-SMA vom Nasdaq100 den gehebelten $TQQQ zu kaufen. Nach verschiedenen Backtests auf Portfolio-Visualizer und erfolglosen Versuchen in Excel eine Muster innerhalb der technischen Indikatoren zu finden ist die Idee eines eigenen AI-Models entstanden.
Das Modell
Das LTTS-Model besteht grundsätzlich aus 2 Teilen in Python. Der erste Teil verwendet ein Ensamble aus 3 AI-Modellen um aus verschiedenen technischen Indikatoren den Verlauf des Nasdaq100 in den nächsten Tagen zu prognostizieren. Verwendet wird dabei die History von u.a. SMA, RSI, MACD, ROC, VIX oder verschiedene Volumenparameter zurück bis 2010. Ausgabe des Ensamble sind ein Trading Signal und die aktuelle Modell-Confidence.
Der zweite Teil des Modells besteht aus einer Art Optimierungsschleife die über das Bayesian-Optimization Modell versucht mehrere Indikatoren wie die Kaufschwellen für $TQQQ , $SQQQ , Cash, Glättungsparameter, Zusammenspiel von Trading-Signal mit Confidence, Ensamble-Agreement und andere Parameter durch Backtests zu optimieren. D.h. das Modell selbst führt mit den Signalen vom Prognose-Modell Backtests über verschiedene Zeitbereiche und Einstellungen durch um die Performance zu optimieren. Belohnt wird die AI dabei durch hohe Rendite oder niedrige Drawdowns, Abzüge gibt es für eine übermäßig hohe Anzahl an Trades (Long-Term Modell) oder niedrige Sharp-Ratios.
Entwicklung
Beim Konzept-Erstellen hat sich sehr schnell herausgestellt dass das Modell in Python auf Google-Colab laufen soll. Da ich selbst zwar als Ingenieur in der Entwicklungs eines Halbleiterunternehmens tätig bin kenne ich mich grundsätzlich mit Modellen und Programmierung aus, jedoch auf sehr viel niedrigeren Programmiersprachen. Da meine Python-Kentnisse doch begrenzt sind habe ich mich dazu entschieden das Modell unter zuhilfe von LLM-AI Modellen zu entwickeln (Hauptsächlich Claude Sonnet 3.5, einzeln auch ChatGPT und Perplex) und den Code zu optimieren. Dabei haben sich die Erfahrungen der täglichen Nutzung von AI in der Arbeit immer wieder bestätigt. Die AI hat Code vorgeschlagen den ich so nie geschafft hätte zu programmieren, allerdings muss man jede aber auch jede Zeile einzeln überprüfen und sehr genau debuggen ob alles richtig verstanden wurde und der Code das macht war er soll. In Summe sind in den letzten Monaten ca. 80h in die Entwicklung geflossen, das finale Training der Modelle (auf meinen iMac von 2012 - Colab hat eine begrenzte Laufzeit) beträgt ca. 28h und wird alle 2-3 Wochen wiederholt werden. Die tägliche Berechnung der aktuellen Signale hat auf Colab ne Laufzeit von ca. 1min.
Ausblick
Auch wenn die Backtests sehr gute Ergebnisse hervorgebracht haben muss sich das Modell erst beweisen, daher zurzeit noch eine kleine Investmentsumme im neuen GQ Portfolio. Werde in den nächsten Monaten meine Erfahrungen mit den Modell mit euch noch teilen. In der Theorie kann das Modell mit jedem Asset trainiert (und auch beliebig getradet) werden, zurzeit ist jedoch nur der Nasdaq mit den dazugehörigen Hebeln geplant.
Aktuelles LTTS Signal: Cash (wird dementsprechend so im GQ Portfolio eingetragen um mit dem Markt vergleichen zu können)
Grüße
Euer Internet Explorer
