Maschinelles Lernen: Selbstlernende Algorithmen beherrschen den Handel

Maschinelles Lernen: Selbstlernende Algorithmen beherrschen den Handel 

4 (80.64%) 125 vote[s]

Seit vielen Jahren nutzen systematische Händler statistische Modelle als Basis für ihre Handelsstrategien. Einen Schritt weiter gehen Deep-Learning-Methoden und sogenannte neuronale Netze, die im Handel immer öfters eingesetzt werden.

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Der Begriff wird sehr allgemein verwendet und bezieht sich auf Techniken, die Muster in grossen Datensätzen identifizieren. Mithilfe von Algorithmen wird versucht, Gesetzmässigkeiten zu entdecken, die das menschliche Gehirn nicht erkennen kann. Die Systeme lernen dabei aus ihren Erfahrungen und entwickeln sich ständig weiter. Das Ziel ist es, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen und aufgrund von diesen Vorhersagen zu treffen. Angesichts des hohen Datenvolumens, der langen historischen Aufzeichnungen und des quantitativen Charakters eignen sich Finanzmärkte hervorragend für Anwendungen im Bereich des maschinellen Lernens.

Breite Palette an Ansätzen

Die Algorithmen des maschinellen Lernens lassen sich anhand von Lernstilen, Methoden und Implementierungsansätzen unterteilen:

MathWork
Quelle: LGT Capital Partners, MathWorks

Lernstile

  • Überwachtes Lernen: Das System wird mit bekannten Eingabe- und Ausgabedaten gefüllt und trainiert, damit es zukünftige Ausgaben vorhersagen kann.
  • Unüberwachtes Lernen: Das System soll versteckte Muster oder Strukturen in Eingabedaten selbständig finden.

Methoden

  • Klassifikation: Das System teilt Werte in Klassen ein, beispielsweise ob eine E-Mail echt oder Spam ist.
  • Regression: Das System ist fähig, kontinuierliche Reaktionen hervorzusagen, typische Anwendung ist der systematische Handel.
  • Clustering: Clustering wird für die explorative Datenanalyse verwendet, um verborgene Muster oder Gruppierungen in Daten zu finden. Anwendungen umfassen die Gensequenzanalyse, die Marktforschung und die Objekterkennung.

Beispiele von Implementierungsansätzen

  • Lineare Regression: Eine Art überwachter Algorithmus, der eine beobachtbare abhängige Variable durch eine oder mehrere unabhängige Variablen zu erklären versucht.
  • Entscheidungsbaum: Eine Art überwachter Algorithmus. Er besteht aus Entscheidungsknoten, in denen Tests für bestimmte Attribute durchgeführt werden.
  • Neuronales Netz: Das neuronale Netz besteht aus miteinander verbundenen Knoten. Sie können Informationen von aussen oder von anderen Knoten aufnehmen und modifiziert weiterleiten respektive als Endergebnis ausgeben.

Neuronales Netz als Superhirn

Während die Lineare Regression und der Entscheidungsbaum eher zu den traditionellen Analysemethoden zählen, werden heute vermehrt Deep-Learning-Techniken angewendet, die auf komplexen neuronalen Netzen basieren. Diese sind in Zeiten von Big Data sehr gefragt, da sie grosse Datenmengen verarbeiten können. Zugleich erfordern sie jedoch auch eine immense Rechenleistung.

Die Funktionsweise von neuronalen Netzen ist dem menschlichen Gehirn nachempfunden. Ein wichtiger Bestandteil des Gehirns sind die Neuronen. Diese Nervenzellen besitzen Fortsätze, welche Informationen von einem Zellkörper zum nächsten weiterleiten und Verbindungen auf- oder abbauen. Im neuronalen Netz kommt diese Funktion den Hidden Layer’s zu. Sie sind zuständig für die Bewertung von Ursache-Wirkungs-Beziehungen und berechnen Wahrscheinlichkeiten. Das System entwickelt sich dabei ständig weiter, da es Erfahrungen aus der Vergangenheit berücksichtigt und Anpassungen aufgrund der bisherigen Handelserfahrung vornimmt.

Neuronale Netze kommen beispielsweise bei der Bild- und Worterkennung zum Einsatz aber auch bei der Entwicklung von Handelsstrategien. Denn genauso wie Deep Learning bestimmte Merkmale auf einem Foto erkennt, kann es das Marktumfeld analysieren und darüber Aufschluss geben. Die Fähigkeit nichtlineare Beziehungen in den Eingabedaten zu erkennen, macht es zur idealen Methode bei der Modellierung dynamischer Systeme wie Finanzmärkte. Durch die Analyse und Interaktion historischer Daten weiss es, wie der Markt auf vergangene Ereignisse reagierte, und lernt, sich in unterschiedlichsten Marktbedingungen produktiv zu verhalten.

Neuronales Netz
Quelle: LGT Capital Partners

Einer der wichtigsten Faktoren beim Aufbau eines neuronalen Netzwerks ist die Entscheidung, was das Netzwerk lernen soll. Ziel könnte sein, zukünftige Aktienkurse anhand der Marktbewegungen der letzten Stunden vorauszusagen. Die Herausforderung besteht in der Bestimmung von relevanten Eingangsdaten und dem passenden Algorithmus, um das System zu trainieren. Dabei gilt es, Fehler zu minimieren und die Leistung zu verbessern. Letztere wird daran gemessen, wie gut das System die Marktrichtung vorhersagt. Idealerweise sollte es besser sein als traditionelle Methoden und sich ständig weiterentwickeln. Die richtige Netzwerkarchitektur gibt es nicht. Jede hat ihre Vor- und Nachteile. Einige bieten bessere Leistungen sind aber umso schwieriger zu konfigurieren, bei anderen ist dies genau umgekehrt.

Herausfordernde Finanzmärkte

Maschinelles Lernen ist aber kein Allerweltsmittel. So weisen Zeitreihen an den Finanzmärkten ein tiefes Signal-Rausch-Verhältnis auf, das heisst, es gibt neben relevanten, sehr viele irrelevante Informationen. Ein solch tiefer Wert erschwert es dem Algorithmus, eine richtige Entscheidung zu treffen. Grund dafür ist die Komplexität der Finanzmärkte, in denen sich eine Vielzahl von Faktoren gegenseitig beeinflussen. Sie sind das Resultat individueller Handlungen unzähliger Marktteilnehmer.

Des Weiteren bieten Deep-Learning-Algorithmen nur geringe Entscheidungstransparenz. Es ist fast unmöglich zu erfassen, wie Handelsentscheidungen getroffen werden. Die Kommunikationsmechanismen innerhalb eines neuronalen Netzes sind nicht transparent.

Schlussendlich kann der Umgang mit einer Vielzahl von Daten auch gefährlich sein, denn ein Algorithmus wird immer ein Muster finden, auch wenn es gar keines gibt.

Zukunft gehört den Maschinen

Lassen wir jedoch alle Skepsis beiseite, dann liefern die ständig verbesserte Rechenleistung gepaart mit immer umfassenderen Datensätzen eine hervorragende Grundlage für systematische Handelsstrategien. Mehr Daten können mit besseren Techniken analysiert und genauere Vorhersagen getroffen werden. So erlaubt maschinelles Lernen mit nichtlinearen Daten zu arbeiten und Muster anhand komplexer Interaktionen zu identifizieren, wo Menschen überfordert wären. Darum wird sich der Trend zu maschinellem Trading in den nächsten Jahren fortsetzen. Uns Menschen kommt dabei eine immer geringere Rolle zu. Wir werden die Probleme der Finanzmarktprognose zukünftig nicht mehr lösen, sondern nur noch definieren. Vielleicht ist das aber gar nicht schlecht, denn:

In the long run, we are all dead but the machines will keep on trading.

Es gibt 1 Kommentar zu diesem Artikel
  1. Pingback: Kleine Presseschau vom 26. Juli 2019 | marktEINBLICKE

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.