Hallo, Community! 👋
Der Kryptowährungsmarkt ist Chaos, Volatilität und 24/7 Stress. Kann man ihn mit Mathematik und Code zähmen?
In letzter Zeit arbeite ich an einem pet-project – einem Handelsagenten auf Basis von Ensemble Machine Learning. Es ist nicht einfach ein "Bot auf RSI", sondern eine komplexe Architektur, die drei verschiedene neuronale Netze zur Entscheidungsfindung kombiniert.
Ich möchte technische Details und die Architektur teilen. Dies ist eine rein technische Übersicht des Experiments und kein Aufruf zum Handeln.
🧠 "Gehirn" des Systems: Was ist Ensemble Learning?
Ein Modell liegt oft falsch. Daher habe ich den Ensemble-Ansatz verwendet – das ist wie ein Vorstand, bei dem Entscheidungen durch Abstimmung von drei verschiedenen Experten getroffen werden.
Mein Agent analysiert Paare (BTC, ETH, BNB, SOL, XRP) auf verschiedenen Zeitrahmen unter Verwendung von drei Modellen:
1. CatBoost (Analytiker):
• Gradient Boosting Algorithmus.
• Was es tut: Sucht nichtlineare Zusammenhänge zwischen 31 Indikatoren (RSI, Volumen, Volatilität).
• Stärke: Höchste Genauigkeit (AUC ~0.75) bei tabellarischen Daten.
2. Transformer (Strategie):
• Die gleiche Architektur, die hinter ChatGPT steht, aber für Zahlen.
• Was es tut: Analysiert 512 Kerzen der Geschichte über den Mechanismus der Selbstaufmerksamkeit (Self-Attention).
• Stärke: Sieht globale Muster und langfristige Kontexte.
3. TCN (Taktik):
• Temporale Faltungsnetzwerke (Temporal Convolutional Network).
• Was es tut: Konzentriert sich auf lokale Trends.
• Stärke: Sehr schnell und effektiv für kurzfristige Prognosen.
📊 Wie wird die Entscheidung getroffen?
Jedes Modell "stimmt ab". Der Agent nimmt den gewichteten Durchschnitt ihrer Vorhersagen. Dies ermöglicht es, falsche Signale herauszufiltern: Wenn ein Modell in Panik gerät, während zwei andere ruhig sind – wird der Handel nicht eröffnet.
🛡 Risikomanagement > Gewinn
Das Hauptproblem von Bots ist, dass sie das Konto über Nacht "leeren" können. Daher habe ich ein Schutzsystem aufgebaut, bevor ich ihn zum Handel trainiert habe:
• Dynamische Stopps: Stop-Loss und Take-Profit sind nicht festgelegt, sondern passen sich der Marktentwicklung (über ATR) an. Wenn der Markt schwankt – sind die Stops breiter, wenn er flach ist – enger.
• Zwei-Geschwindigkeits-Architektur:
• Langsame Phase (5 Min): Überlegt, wählt die besten Münzen für die Watchlist.
• Schnelle Phase (1 Sek): Führt Transaktionen aus, überwacht die Spreads und die Liquidität.
• Schutz vor "Tilt": Begrenzung des Tagesverlusts (max. 3%), Limit für offene Positionen und Abkühlzeiten zwischen den Geschäften.
📈 Testergebnisse (Ehrliche Zahlen)
An historischen Daten (Backtesting) zeigt das System eine AUC-Metrik von 0.71-0.73.
Zur Information: AUC 0.5 ist wie das Werfen einer Münze. AUC 0.7+ ist bereits eine statistisch signifikante Fähigkeit, die Richtung vorherzusagen.
Das bedeutet nicht die "Geldmaschine", aber es bietet eine positive mathematische Erwartung unter Einhaltung des Risikomanagements (Risiko/Belohnungsverhältnis 1:2).
🚀 Fahrplan: Was kommt als Nächstes?
Das Projekt befindet sich in aktiver Entwicklung. Hier ist, was ich hinzufügen möchte:
1. Orderbuchanalyse: Trainieren Sie das neuronale Netzwerk, um nicht nur auf den Preis, sondern auch auf das Auftragsbuch (Ungleichgewicht zwischen Käufern/Verkäufern) zu schauen.
2. Regimeanpassung: Der Agent muss selbst verstehen, was momentan auf dem Markt ist: Trend oder Seitwärtsbewegung, und automatisch die Gewichte der Modelle anpassen.
3. Reinforcement Learning (RL): Fügen Sie einen Agenten hinzu, der lernt, die Positionsgröße zu steuern, indem er sich für Verluste "bestraft" und für korrekte Eingänge "belohnt".
💻 Technologiestack: Python, Asyncio, PyTorch, CatBoost. Hardware: NVIDIA RTX 4070.
Ich bin neugierig auf die Meinungen anderer Entwickler und Trader: Wie stehen Sie zur KI im Handel? Glauben Sie, dass Algorithmen den Markt auf lange Sicht übertreffen können?
Schreiben Sie in die Kommentare! 👇
