Was Machine Learning bei KI-Strategien wirklich bedeutet

Wonach du wahrscheinlich gesucht hast

Wenn du nach "ai trading strategies" gesucht hast, hast du wahrscheinlich so etwas wie ein Lernmodell erwartet, das den Markt untersucht und vorhersagt, wohin die Kurse als Nächstes gehen. Das ist eine vernünftige Erwartung, denn das Wort "AI" wird für viele verschiedene Dinge verwendet.

Was du hinter diesem Begriff in StrategyQuant X tatsächlich findest, ist nicht eine Sache, sondern zwei, und sie funktionieren unterschiedlich. Die eine ist ein Suchverfahren, das große Mengen von Regelkombinationen gegen historische Daten aufbaut und filtert. Die andere ist ein promptbasierter Assistent, der eine schriftliche Beschreibung in eine Reihe von Handelsregeln umwandelt. Keiner von beiden untersucht den Markt und sagt dir, was morgen passieren wird. Beide müssen danach noch getestet werden. Der Rest dieses Artikels trennt die beiden, damit du weißt, was du tatsächlich vor dir hast, wenn du "AI" auf einer Handelsplattform liest.

Die Suchmaschine: Regelkombinationen testen, nicht ein Marktgesetz lernen

Die Dokumentation für die Plattform zieht eine klare Grenze zwischen zwei Arten, eine Strategie zu bauen. Der klassische Weg ist, eine Strategie von Grund auf von Hand zu bauen, ohne irgendeine Data-Mining-Technik, was dem manuellen Bauen im AlgoWizard-Tool entspricht. Der andere Weg ist ein Data-Mining-Ansatz: Eine große Anzahl von Kandidatenregeln wird erzeugt und getestet, und die Strategie mit der höchsten beobachteten Performance auf den historischen Daten wird behalten.

Dieser zweite Ansatz ist das, was die Leute normalerweise meinen, wenn sie über die "AI" im Strategie-Builder sprechen. Einfach gesagt probiert die Software viele Kombinationen von Einstiegsregeln, Ausstiegsregeln und Filtern aus, prüft jede einzelne gegen vergangene Kursdaten und behält die Kombinationen, die auf diesem bestimmten Abschnitt der Historie am besten abgeschnitten haben. Das ist ein Such- und Filterprozess. Es ist nicht dasselbe wie ein Modell, das eine allgemeine Regel darüber gelernt hat, wie sich Märkte verhalten. Die Strategie, die dabei herauskommt, wurde ausgewählt, weil sie gut zu der getesteten Historie passte, was etwas anderes ist als eine Strategie, die weiterhin zu allem passen wird, was der Markt als Nächstes tut.

Der AI Assistant: einen Satz in eine Reihe von Regeln verwandeln

Getrennt von der Suchmaschine gibt es eine Familie von Funktionen, die in der Dokumentation als "AI Assistant" oder ähnlich beschrieben werden. Sie arbeiten mit natürlichsprachlichen Prompts statt mit einer Generate-and-Filter-Suche.

Eine Funktion, angekündigt als "AI Assistant", wird als in der Lage beschrieben, eine Handelsstrategie aus einem Prompt für MetaTrader 4, MetaTrader 5, TradeStation oder MultiCharts zu bauen, wobei die Zielplattform in dem Moment gewählt wird, in dem die Strategie erstellt wird. Zum Zeitpunkt der Ankündigung dieser Funktion war sie in der Beta.

Ein separater, integrierter AI Assistant wird als auf den Sprachmodellen ChatGPT und Claude basierend beschrieben. Er kann eine Handelsstrategie aus einer natürlichsprachlichen Beschreibung generieren, und er kann auch Schritt für Schritt verwendet werden, um eine bestehende Strategie zu verbessern. Als dies dokumentiert wurde, war es nur für die Stock-Picking-Engine verfügbar.

Ein weiteres Modul, genannt SQ AI Wizard, wird als eine Möglichkeit für Nutzer beschrieben, Handelsstrategien durch Eingabe einfacher Text-Prompts zu erstellen.

Was alle drei gemeinsam haben, ist die zugrunde liegende Idee: Du beschreibst in Worten, was du willst, und der Assistent übersetzt diese Beschreibung in eine regelbasierte Strategie. Er baut kein Modell des Marktes aus deinen Worten. Er erzeugt dieselbe Art regelbasierter Strategie, die auch die Suchmaschine erzeugt, nur über einen anderen Einstiegspunkt. Diese Strategie braucht immer noch die Prüfungen, die weiter unten in diesem Artikel beschrieben werden.

Warum das Unternehmen sich selbst als Machine-Learning-Unternehmen bezeichnet

Das Unternehmen hinter StrategyQuant X beschreibt sich selbst als Fintech-Softwareentwicklungsunternehmen, spezialisiert auf Algo-Trading und Machine Learning. Das ist eine Selbstbeschreibung aus den eigenen Materialien des Unternehmens, keine unabhängig verifizierte technische Behauptung über eine bestimmte, in der Software verwendete Methode.

Eine separate Artikelreihe aus derselben Quelle gibt an, dass ihr Inhalt auf einer 2019 und 2020 durchgeführten Studie zur Methodik für die Bewertung und Auswahl von mit der Software generierten Strategien basiert. Diese Studie ist mittlerweile mehrere Jahre alt, und die Methodik oder das Produkt selbst können sich seitdem geändert haben. Sie ist ein nützlicher Hintergrund dafür, woher ein Teil des Vokabulars kommt, aber sie sollte nicht als Beschreibung des aktuellen Verhaltens gelesen werden, ohne zu prüfen, ob sie noch zutrifft.

Prüfen, was herausgekommen ist: Optimierungsanalyse und Monte Carlo

Ob eine Strategie aus der Suchmaschine oder aus einem AI Assistant stammt, die Plattform dokumentiert weitere Schritte, die dazu gedacht sind, sie zu prüfen, nicht sie weiter auszubauen.

Zwei davon sind Optimization Profile und System Parameter Permutation. Beide erfordern, dass die Parameter der Strategie bereits optimiert wurden. Die Methoden werden dann auf die Ergebnisse aller Optimierungsläufe angewendet, nicht auf einen einzelnen Lauf isoliert. Mit anderen Worten, sie betrachten, wie eine ganze Reihe von Parametervariationen abgeschnitten hat, statt einer einzelnen glücklichen Kombination.

Eine weitere dokumentierte Methode ist die Monte-Carlo-Analyse. Sie funktioniert, indem dieselbe Simulation viele Male mit jeweils kleinen zufälligen Änderungen wiederholt wird. Laut der Dokumentation erhöht eine höhere Anzahl von Wiederholungen die statistische Signifikanz, also die Zuverlässigkeit, der Ergebnisse. Das ist eine Aussage darüber, wie sich die Methode verhält, kein Versprechen, dass mehr Wiederholungen eine Strategie korrekt machen. Eine große Anzahl wiederholter Simulationen kann immer noch dieselbe zugrunde liegende Schwäche wiederholen.

Das Risiko, das beide Mechanismen teilen: Anpassung an die Vergangenheit

Die Dokumentation nennt Curve Fitting, also das Überanpassen einer Strategie an die spezifischen historischen Daten, die zu ihrem Bau verwendet wurden, als das größte Risiko für Strategien, die durch eine Suche im Stil von Machine Learning oder Data Mining entstehen. Das gilt, bevor irgendein weiterer Robustheitstest durchgeführt wurde, egal ob die Strategie aus der genetischen Suche oder aus einem AI Assistant stammt, da beide an einen gewählten Abschnitt historischer Daten angepasst sind.

Wegen dieser Anpassung beschreibt jedes Backtest- oder Optimierungsergebnis, das für eine durch automatisierte Suche oder einen AI-basierten Generator gebaute Strategie gezeigt wird, nur das vergangene Verhalten der Strategie auf genau diesen Daten. Für sich genommen zeigt dieses Ergebnis nicht, wie die Strategie unter zukünftigen, ungesehenen Marktbedingungen abschneiden wird. Ein stark aussehender Backtest zu diesem Zeitpunkt sagt dir, dass die Strategie zu der getesteten Historie passte, er sagt dir nicht, was als Nächstes passiert.

Was diese Methode dir sagen kann und was nicht

Stelle die beiden Mechanismen nebeneinander, und das Bild wird einfacher, als der Suchbegriff vermuten ließ. Die Data-Mining-Suche testet viele Regelkombinationen und behält die mit der besten beobachteten historischen Performance; sie entdeckt kein verborgenes Gesetz darüber, wie sich der Markt bewegt, sie findet eine gute Anpassung innerhalb der Historie, gegen die getestet wurde. Der AI Assistant übersetzt eine schriftliche Beschreibung in dieselbe Art regelbasierter Strategie; er baut ebenso wenig ein Vorhersagemodell. In beiden Fällen beschreibt die Zahl, die du nach dem Bauen oder nach dem Optimieren siehst, was auf vergangenen Daten passiert ist, nicht was in Zukunft passieren wird.

Das ist eine Einschränkung der Methode selbst, keine Lücke in dem, was dir darüber erzählt wurde. Eine regelbasierte Strategie, egal wie sie erzeugt wurde, braucht immer noch die Art von Prüfung, die oben beschrieben ist, einschließlich Tests auf Daten, die nicht zu ihrem Bau verwendet wurden, bevor du irgendeine Schlussfolgerung darüber ziehst, wie sie sich unter Bedingungen verhalten könnte, die sie nicht gesehen hat.

Dieser Beitrag dient der Bildung und ist keine Anlageberatung. Vergangene Ergebnisse, auch aus Backtests, sind keine Garantie für zukünftige Ergebnisse. Der Handel mit Finanzinstrumenten ist mit Risiken verbunden, du kannst Geld verlieren.