News

Download - Projekte für Neuro Plus!

Die im folgenden beschriebenen Projekte zeigen beispielhaft die Anwendung von Neuro-Plus!, dem Zusatzpaket für Neuronale Netze.

Die genaue Beschreibung der Projekte mit Angaben zu verwendeten Titeln, Komprimierung und Architektur finden Sie in der Dokumentation Neuro Plus!.

Sie können die Projektdateien einzeln mit den Links bei der jeweiligen Beschreibung herunterladen oder alle zusammen als NeuroPlusBeispielprojekte.zip.

Um die Handelssysteme berechnen lassen zu können, benötigen Sie eine Freischaltung für Neuro Plus! Jetzt bestellen

Weitere Beispiele für den Einsatz von Investox finden Sie unter Strategien und Layouts.

Achtung:
Die beschriebenen Handelsstrategien dienen lediglich zur Demonstration des technischen Einsatzes von Indikatoren und sind nicht real einsetzbar. Sie stellen keine Kauf- oder Verkaufsempfehlungen dar.

Projekt "Neuro Plus! Tutorium"

Das Beispielprojekt zum Schnelleinstieg in die Arbeit mit Neuro Plus!

Klicken Sie mit der rechten Maustaste auf Download von „NeuroPlusTutorium“ und wählen Sie "Ziel speichern unter".

Projekt "NNClassify_FDAX_60min_technisch"

Die Neuro-Klassifizierung verwendet in diesem Projekt neben einigen Preisoszillatoren als Input ...

Mehr…

... vor allem eine Beschreibung der Kursentwicklung des aktuellen Tages im Vergleich zum vorigen Tag (Vergleich der High-/Low-Kurse).

Der Indikator wird zum Einstieg (Enter-Limit +/- 0.6), aber auch zum Ausstieg (Exit-Limit 0) verwendet. Dadurch ist das System nur ca. 25% der Perioden investiert.

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_FDAX_60min_technisch“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NNClassify_Dollar_EOD_technisch“

Die Neuro-Klassifizierung verwendet als Input vier Preisoszillatoren und eine Autokorrelation von Kursen und der 5-Perioden-ROC.

Mehr…

Die Architektur ist ohne Besonderheiten, verwendet aber relativ viele Cluster (500). Da die Inputs nicht mit binären Werten (wahr/falsch), sondern mit den Werten der Indikatoren arbeiten, kann eine so hohe Anzahl von Clustern sinnvoll sein.

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_Dollar_EOD_technisch“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NNClassify_FDAX_EOD_Technisch“

Das System zeigt, wie man mit relativ einfachen Mitteln der Neuro-Klassifizierung ein EoD-Modell erstellen kann. Als Input ...

Mehr…

... werden 7 Preisoszillatoren geprüft, ob sie über oder unter der 0-Linie liegen.

Alle im Optimierungszeitraum vorkommenden Kombinationen werden gespeichert (dafür genügen ca. 80 Cluster).

Den Output bildet die Kursprognose über die nächsten 5 Perioden (Mindestschwankung 1%).

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_FDAX_EOD_Technisch“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „Classify60minFDAXCandles“

Die Neuronale Klassifizierung verwendet als Input eine Analyse der Beziehung der Kerzen der letzten 3 Perioden. Untersucht wird, ...

Mehr…

... ob neue Highs bzw. Lows gebildet werden und ob die High-Low-Spanne größer oder kleiner wird. Das System soll günstige Einstiege liefern und ist im Backtest nur in 11,4% der Perioden investiert. Der Kurs-Trailingstop (berechnet auf Open) ist mit 0,3% relativ eng gesetzt.

Die Inputs werden per PCA auf 80% der Informationen gefiltert. Dies reduziert hier die Inputdimension um gut 50%. Die Clusteranzahl ist mit maximal 500 recht hoch. Profitable Kerzenmuster sollen möglichst nicht durch nur entfernt ähnliche, aber nicht profitable Muster überlagert werden.

Klicken Sie mit der rechten Maustaste auf Download von „BAVolumeSpitzenBund“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NNClassify_Clusterauswahl_EOD_FDAXBUND“

Die Neuronale Klassifizierung arbeitet in diesem System mit der Ausgabeart „Outputnummer“.

Mehr…

Sie gibt also nicht das Outputmuster, sondern die Nummer des mit dem Input jeweils ähnlichsten Clusters aus. Das Modell ist damit also komplett „nicht überwacht“, das heißt unabhängig von einer Output-Definition.

Die Handelsregeln sind entsprechend so aufgebaut, dass untersucht wird, welche Outputnummern einen profitablen Einstieg ermöglichen (kombiniert mit Stops).

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_Clusterauswahl_EOD_FDAXBUND“ und wählen Sie "Ziel speichern unter".

Weniger…

Hurst-Exponent Projekt

Das Handelssystem zeigt, dass der Indikator Hurst-Exponent ein sinnvoller Input in einer Neuronalen Analyse sein kann. In diesem Fall ...

Mehr…

... wird er auf einen RSI berechnet. Die Schätzung des Hurst-Exponenten erfolgt dabei in relativ kleinen Zeitfenstern von 2 bis 50 Perioden.

Als Input werden der RSI selbst und der Hurst-Exponent verwendet. Neben dem Absolutwert fließt dabei jeweils auch die Steigung der Indikatoren über die letzten 3 beziehungsweise 5 Perioden mit ein.

Klicken Sie mit der rechten Maustaste auf Download von „HurstExpoFDAX“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NNClassify_DAXTitel_EoD_technisch“

4 Handelssysteme zeigen die Anwendung der verschiedenen Neuro-Plus!-Indikatoren auf Einzeltitel des DAX:

Mehr…
HS 1: Optimiert für Daimler mit dem Indikator NeuroPrognose.
HS 2: Die Neuro-Klassifizierung in Walk-Forward-Version verwendet als Input lediglich drei Momentum-Indikatoren. Die Einstellungen der Klassifizierung wurden optimiert (für Henkel).
HS 3: Diese Neuro-Klassifizierung (ohne WF, optimiert für Lufthansa) verwendet als Input eine breitere Momentum-Analyse, die aber per PCA auf nur zwei Inputs reduziert wird.
HS 4: Zeigt, wie man Einflussfaktoren in den Inputs der Neuro-Indikatoren verwenden kann.

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_DAXTitel_EoD_technisch“ und wählen Sie "Ziel speichern unter".
Weniger…

Projekt „NNClassify_ WF_DynAbschnitte_FDAX_EOD“

Die Neuronale Klassifizierung verwendet als Input mehrere Preisoszillatoren und Kursmuster (Zusatztool Analyse Plus! erforderlich).

Mehr…

Das Besondere an diesem System sind die dynamischen Walk-Forward-Abschnitte: Ein neuer Abschnitt beginnt, wenn das Momentum (30 Tage über 5 Tage geglättet) die 102er-Linie nach oben oder die 98er-Linie nach unten kreuzt.

Die Lernperioden umfassen jeweils den davor liegenden Abschnitt (mindestens aber 22 Perioden).

Klicken Sie mit der rechten Maustaste auf Download von „NNClassify_ WF_DynAbschnitte_FDAX_EOD“ und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NNClassify_WalkForward_FDAX_EOD_RS“

Neben einigen technischen Indikatoren wie der Rate of Change verwendet die Neuronale Klassifizierung mit Walk Forward als Input auch eine vergleichende Relative Stärke zum Bund Future über 10 Perioden.

Mehr…

Prinzipiell können WF-Modelle zur Trendfolge neigen. So zeigt auch dieses einfache Modell am ehesten in stark ausgeprägten Seitwärtsmärkten Schwächen.

Die Architektur verwendet maximal 50 Cluster mit einer zulässigen Abweichung der Inputmuster von maximal 12%. Mit jedem Quartal beginnt ein neuer Walk-Forward-Abschnitt, wobei das Modell mit jeweils 250 Perioden trainiert wird (also ca. ein Börsenjahr).

Über gut 12 Jahre setzt sich der Output also aus etwa 50 jeweils neu trainierten Modellen zusammen. Dennoch erfolgt die Berechnung ohne größere Verzögerung.

Klicken Sie mit der rechten Maustaste auf Download von "NNClassify_WalkForward_FDAX_EOD_RS" und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NeuroProg_FDAX_EOD_Technisch“

Die Neuronale Prognose verwendet als Input einige Preisoszillatoren sowie eine Autokorrelation (Korrelation zu früheren Kursen derselben Datenreihe).

Die Einstellung der Indikatoren in den Inputs wurde zusammen mit dem Neuronalen Netz optimiert.

Klicken Sie mit der rechten Maustaste auf Download von "NeuroProg_FDAX_EOD_Technisch" und wählen Sie "Ziel speichern unter".

Projekt „NeuroProg_30min_FDAX_Technisch“

Die Neuronale Prognose verwendet als Input die prozentuale Rate of Change über fünf Perioden in verschiedenen Zeitfenstern. Mit optimiert wurden jeweils ein Intraday-Stop für die Gewinn- und für die Verlustseite.

Mehr…

Das NN besitzt zwei Hidden-Schichten mit 8 und 6 Hidden-Units. Sowohl die Verbindungen zur Hiddenschicht als auch die Verbindungen zwischen den Hiddenschichten wurden optimiert (jeweils drei Verbindungen pro Unit). Es wird also während der Optimierung entschieden, zu welchen drei Inputs bzw. Hidden-Units eine Hidden-Unit eine Verbindung herstellt.

Gleichzeitig werden auch noch die dazu gehörenden Verbindungsgewichte optimiert.

Klicken Sie mit der rechten Maustaste auf Download von "NeuroProg_30min_FDAX_Technisch" und wählen Sie "Ziel speichern unter".

Weniger…

Projekt „NN-Output als variabler GD“

Der NeuroPrognose-Indikator ermöglicht auch eher ungewöhnliche Vorgehensweisen beim Training eines Neuronalen Netzes. In diesem Projekt wird der Indikator so in der Optimierung des Handelssystems eingesetzt, ...

Mehr…

... dass er als Output einen variablen Gleitenden Durchschnitt (GD) liefert, dessen Gestalt zuvor nicht bekannt ist. Beim Training eines Standard-NN müsste die Outputfunktion dagegen vorgegeben werden und daher bekannt sein.

In diesem Handelssystem werden genauer gesagt zwei variable Gleitende Durchschnitte (GDs) trainiert und dann wie herkömmliche GDs in einem Signalsystem eingesetzt.

Klicken Sie mit der rechten Maustaste auf Download von "NN-Output als variabler GD" und wählen Sie "Ziel speichern unter".

Weniger…