Azimuth: proprietäre neuronale Entscheidungsfindung für Gold

Azimuth basiert auf derselben proprietären Grundlage wie Meridian, führt jedoch eine andere interne Marktstruktur und eine fortschrittlichere Architektur ein.

Anstatt sich direkt auf herkömmliche Zeitrahmenkerzen zu stützen, verwendet Azimuth eine interne benutzerdefinierte Balkenstruktur, die direkt aus Tick-Daten erstellt wird. Die Balken werden aus der Marktaktivität generiert und nicht einfach aus dem Zeitverlauf.

Deshalb ist Tick-Daten beim Testen von Azimuth unerlässlich. Das System sollte immer mit Tick getestet werden, unabhängig davon, welcher klassische Zeitrahmen im Strategy Tester ausgewählt ist.

Das Ergebnis ist ein Modell, das nicht ausschließlich davon abhängt, wie ein Broker den Markt in herkömmliche M1-, M5-, M15- oder H1-Kerzen aggregiert.

Die neuronale Architektur

Das Modell basiert auf derselben proprietären neuronalen Struktur, die als Grundlage von Meridian dient, wobei die Neuronen selbst neu definiert wurden.

Ein herkömmliches neuronales Netzwerk beruht grundsätzlich darauf, dass Neuronen ihre Eingaben aggregieren, bevor sie die resultierenden Informationen durch eine Aktivierungsfunktion weiterleiten. Diese Architektur ist äußerst leistungsfähig und funktioniert gut für viele Problemklassen.

Finanzmärkte sind jedoch besonders schwer zu modellieren.

Die Beziehung zwischen zwei Markteingaben kann sich je nach Kontext, Volatilität, jüngster Struktur und dem Verhalten, das dem aktuellen Signal vorausging, ändern. Dieselbe Eingabe kann daher unter verschiedenen Marktbedingungen eine völlig andere Bedeutung haben.

Azimuth und Meridian sind um eine andere interne Topologie herum konzipiert, die speziell dafür gebaut wurde, diese nichtlinearen Beziehungen zu verarbeiten.

Anstatt jede Eingabe als unabhängiges Signal zu behandeln, das einfach zu einem Endergebnis beiträgt, ist die Struktur darauf ausgelegt, zu analysieren, wie die Informationen innerhalb des Netzwerks interagieren und sich entwickeln.

Dies ermöglicht es dem Modell, mit komplexeren Beziehungen zwischen seinen Eingaben zu arbeiten und auf die Struktur eines Signals zu reagieren, anstatt Signale einfach zusammenzuzählen.

Die Architektur ist proprietär und ihre interne Topologie wird nicht offengelegt.

Für nicht-stationäre Märkte entwickelt

Finanzmärkte sind keine statischen Systeme.

Die Volatilität ändert sich. Die Marktstruktur ändert sich. Die Beziehung zwischen verschiedenen Variablen ändert sich. Ein Verhalten, das in einem Zeitraum profitabel war, kann in einem anderen vollständig verschwinden.

Dies ist einer der Hauptgründe, warum ein Modell auf historischen Daten außergewöhnlich aussehen kann und sich dann sehr unterschiedlich verhält, wenn es mit unbekannten Daten konfrontiert wird.

Azimuth wurde mit diesem Problem im Hinterkopf entwickelt.

Das Ziel ist nicht, eine Konfiguration zu finden, die eine historische Periode perfekt erklärt. Das Ziel ist es, ein Modell zu finden, das weiterhin korrekt funktioniert, wenn sich die Daten ändern.

Walk-Forward-Training

Der Trainingsprozess ist einer der wichtigsten Teile von Azimuth.

Das Modell wird nicht auf einem großen historischen Datensatz trainiert und einfach akzeptiert, weil die endgültige Equity-Kurve gut aussieht.

Stattdessen wird Azimuth durch eine Walk-Forward-Matrix mit mehreren unabhängigen Out-of-Sample-Perioden trainiert.

Der Prozess beginnt mit:

15 % Lernen → 5 % vollständig unbekannte OOS-Daten

Wenn das Modell die erste OOS-Periode besteht, wird der Prozess fortgesetzt und wiederholt:

15 % Lernen → 5 % OOS
15 % Lernen → 5 % OOS
15 % Lernen → 5 % OOS
15 % Lernen → 5 % OOS
15 % Lernen → 5 % OOS

Dies erzeugt fünf separate Out-of-Sample-Validierungsperioden.

Die OOS-Daten werden nicht zum Trainieren des Modells verwendet.

Wichtiger ist, dass wenn eine OOS-Periode eine Verschlechterung über die erforderlichen Kriterien hinaus zeigt, das Modell verworfen wird und der gesamte Lernprozess von vorne beginnt.

Es wird nicht repariert.
Es wird nicht manuell angepasst.
Der Trainingsprozess beginnt von neuem.

Nur Modelle, die die vollständige Sequenz unbekannter Perioden überstehen, werden beibehalten.

Dieser Ansatz legt den Schwerpunkt auf Generalisierung und Out-of-Sample-Verhalten, anstatt einfach historische Daten anzupassen.

Wie Azimuth handelt

Azimuth verwendet direkte Marktausführung anstelle des Pending-Order-Ansatzes, der von Meridian verwendet wird.

Wenn das Modell eine gültige Gelegenheit erkennt, führt das System direkt am Markt aus.

Das Modell bewertet kontinuierlich die interne Marktstruktur und bestimmt, ob die aktuelle Struktur eine gültige Handelsgelegenheit bietet.

Sobald eine Position eröffnet ist:

• Das System glättet nicht nach unten.
• Es gibt kein Grid.
• Es gibt kein Martingale.
• Positionen haben eine definierte maximale Lebensdauer.
• Risikoparameter werden entsprechend der aktuellen Markteinschätzung des Modells bestimmt.

Das Ziel ist es, dem Modell zu erlauben, die Entscheidung selbst zu treffen, anstatt das Netzwerk mit einer großen Sammlung fester Handelsregeln zu umgeben.

Hohe Handelsfrequenz

Die Kombination aus seiner internen Marktstruktur, direkter Marktausführung und Architektur führt zu einer hohen Handelsfrequenz.