Sprache
Erfahre mehr über die verschiedenen KI-Strategien, die MALY verwendet.
Eine Regressionsstrategie im Bot-Handel aus der Sicht des Machine Learning (ML) betrachtet, besteht darin, ein Modell zu entwickeln, das auf der Basis historischer Marktdaten lernt und Vorhersagen über zukünftige Preisbewegungen trifft. Hierbei werden regressionsanalytische Verfahren angewandt, um die Beziehungen zwischen unterschiedlichen Einflussgrößen (z. B. technischen Indikatoren) und den Preisen eines Vermögenswerts zu modellieren.
Der Bot aggregiert historische Daten (wie Preis, Handelsvolumen, technische Indikatoren) über einen definierten Zeitraum. Diese Daten dienen als Features (Eingabevariablen), während der Zielwert (Target Variable) in der Regel der zukünftige Preis oder die Preisänderung ist.
Mit Verfahren des Maschinellen Lernens (z. B. Support Vector Machines (SVM), neuronale Netze oder lineare Regression) erfolgt das Training eines Modells. Das Training soll dazu dienen, Muster und Zusammenhänge in den historischen Daten zu identifizieren. Bei der linearen Regression besteht das Ziel darin, die optimalen Gewichtungen für die Eingabedaten (Features) zu ermitteln, um den zukünftigen Preis oder die Preisbewegung so genau wie möglich vorherzusagen.
Nach dem Training des Modells erfolgt die Validierung mit Testdaten, die nicht für das Training verwendet wurden. Dadurch wird es möglich, die Verallgemeinerungsfähigkeit des Modells zu prüfen und Overfitting zu vermeiden, also das bloße „Auswendiglernen" der Trainingsdaten. Die Kreuzvalidierung ist eine verbreitete Methode dafür. Bei Maly wird zusätzlich die Frage „Wie viel wird gekauft, wie lange wird zwischen Käufen gewartet, wann wird wieder verkauft" durch ein weiteres ML-Modell (Reinforcement Learning / Q-Learning) beantwortet. Also beide ML-Modelle arbeiten innerhalb dieses KI-Typen zusammen.
Ist das Modell gut validiert, kann der Bot es nutzen, um anhand der aktuellen Marktdaten (d.h. der aktuellen Features) eine Prognose für den zukünftigen Preis zu erstellen. Diese Prognose kann als Basis für eine Handelsentscheidung genutzt werden: Sollte der Bot etwa voraussagen, dass der Preis steigen wird, könnte er eine Kaufposition eröffnen.
Merkmale: Historische Preisbewegungen, gleitende Durchschnitte, Handelsvolumen
Target (Zielwert): Der Preis in der Zukunft oder die prozentuale Änderung des Preises
Das Modell könnte dann erkennen, dass ein bestimmter gleitender Durchschnitt in der Vergangenheit häufig mit einem Preisanstieg in den nächsten 5 Stunden korreliert war.
Nachdem das Modell den Zusammenhang dieser Variablen erlernt hat, ist es in der Lage, eine Prognose zur kommenden Preisbewegung abzugeben.
Die BolRSI-Strategie kombiniert zwei bewährte technische Indikatoren: die Bollinger Bänder und den Relative Strength Index (RSI). Diese Strategie nutzt feste, vordefinierte Standard-Werte und verzichtet bewusst auf eine Optimierung durch Q-Learning oder andere Reinforcement-Learning-Methoden.
Bollinger Bänder bestehen aus einem gleitenden Durchschnitt (typischerweise 20 Perioden) und zwei Bändern, die jeweils zwei Standardabweichungen oberhalb und unterhalb des Durchschnitts liegen. Diese Bänder erweitern und verengen sich je nach Marktvolatilität und helfen dabei, überkaufte und überverkaufte Marktbedingungen zu identifizieren.
Der RSI ist ein Momentum-Indikator, der die Geschwindigkeit und das Ausmaß von Preisbewegungen misst. Er bewegt sich auf einer Skala von 0 bis 100. Werte unter 30 deuten auf überverkaufte Bedingungen hin (potenzielle Kaufsignale), während Werte über 70 überkaufte Bedingungen anzeigen (potenzielle Verkaufssignale).
Die BolRSI-Strategie generiert Handelssignale, wenn beide Indikatoren übereinstimmende Signale liefern. Ein Kaufsignal entsteht beispielsweise, wenn der Preis das untere Bollinger Band berührt und gleichzeitig der RSI unter 30 liegt. Ein Verkaufssignal wird ausgelöst, wenn der Preis das obere Band berührt und der RSI über 70 liegt.
Im Gegensatz zur Regressionsstrategie verwendet BolRSI keine dynamische Optimierung durch maschinelles Lernen. Stattdessen arbeitet der Bot mit bewährten Standard-Parametern, die auf jahrelanger Erfahrung im technischen Trading basieren. Dies macht die Strategie transparent, nachvollziehbar und weniger anfällig für Overfitting.