2Wo.
Sehr cool! Ein paar Fragen hätte ich aber:
Was sind die Performancewerte des Backtests, inkl. Tradingkosten?
Wie umgehst du das Problem des Overfitting?
Gibt es eine übergeordnete ökonomische Logik deines Modells jenseits der reinen Backtestergebnisse?
Was sind die Performancewerte des Backtests, inkl. Tradingkosten?
Wie umgehst du das Problem des Overfitting?
Gibt es eine übergeordnete ökonomische Logik deines Modells jenseits der reinen Backtestergebnisse?
•
33
•
@Epi Overfitting war in der Tat zu Beginn ein großes Thema, vorallem für die Parametervarierung... Hab die Backtests für Bayesian-Optimization über kleinere Zeiträume laufen lassen und wollte die Ergebnisse danach über Weighted Average kombinieren --> hab gesehen das der Algorithmus die Parameter für die Zeiträume überoptimiert und dan andere Zeiträume bei den gleichen Parametern quasi gar nicht funktionieren... Lösung jetzt ist eigentlich die Optimierung über den gesamten Zeitraum als Training-Data abzüglich Test-Data wodurch die Parameter für verschiedene Bären-/Bullenmärkte bestehen müssen... Die gefundenen Parameter werden dann leicht +- variert und die Auswirkung auf Drawdown wird beobachtet (quasi das nicht ein "optimaler Spike" gefunden wurd und gleiche Abweichungen dann gar nicht gehen). Liege zurzeit bei 35% Drawdown +- 4% je nach Varierung was für mich ok ist, vielleicht erhöhe ich die Abzüge für Drawdown aber noch um eher in den 30er Bereich zu kommen...
Für die Signal Prognose selbst ist vor allem das LSTM anfällig für Overfitting, aktuelles Mittel gegen Overfitting Training/Test Data ist vorallem das Ensemble Agreement der 3 Modelle da RF und GB weniger Overfitting anfällig sind... Das Ensemble ist aber der nächste Punkt den ich noch genauer anschauen möchte.
Musste als Techniker das Thema "übergeordnete ökonomische Logik" kurz mal googeln, würde das ganze aber als Art erweiterete Fear-Greed bezeichnen --> Bull-Market beginnt zu stocken --> Switch von TQQQ auf SQQQ, Bear-market beginnt zu stocken --> Switch von SQQQ auf TQQQ, Side-Market oder unsichere Model Confidence = Cash. Aber yes, das Model hängt sehr vor fehlerfreien Backtests ab die ich des längeren manuell nachrechnen musste (bzw die jeweiligen TQQQ/SQQQ Positionen)
Für die Signal Prognose selbst ist vor allem das LSTM anfällig für Overfitting, aktuelles Mittel gegen Overfitting Training/Test Data ist vorallem das Ensemble Agreement der 3 Modelle da RF und GB weniger Overfitting anfällig sind... Das Ensemble ist aber der nächste Punkt den ich noch genauer anschauen möchte.
Musste als Techniker das Thema "übergeordnete ökonomische Logik" kurz mal googeln, würde das ganze aber als Art erweiterete Fear-Greed bezeichnen --> Bull-Market beginnt zu stocken --> Switch von TQQQ auf SQQQ, Bear-market beginnt zu stocken --> Switch von SQQQ auf TQQQ, Side-Market oder unsichere Model Confidence = Cash. Aber yes, das Model hängt sehr vor fehlerfreien Backtests ab die ich des längeren manuell nachrechnen musste (bzw die jeweiligen TQQQ/SQQQ Positionen)
•
33
•
@InternetExplorer was für eine Performance p.a hat dein Modell im Backtest erzielt und hast du auch mit Dropout bzw. Noise gearbeitet, um die Robustheit des Modells zu testen?
•
11
•Bin zurzeit bei 105% pa mit TQQQ und SQQQ bei 35% Dropdown über den gesamten Zeitraum (Learn+Test), hab auch ne Variante ohne SQQQ getestet gehabt, die war minimal besser als das SMA TQQQ + Cash Model, genaue Werte müsste ich nachschauen. Dropout/Noise sind zurzeit nicht dabei, ist aber a guter Input... Würde generell gerne Test/Learn-Data besser aufteilen, allerdings ist ea aufgrund des langen Bull-Markets die letzten Jahre etwas schwierig (da dort das Model weniger gefordert ist).. Wenn ich Test-Data von 2020-2025 mach (wo Bull/Bear dabei wäre) ist halt Learndata 2011-2020 im Verhältniss relativ kurz...
•
22
•