Zum Inhalt

Sliding Window Methode

Adaptives Trainingsregime für neuronale Netze: das Trainingsfenster gleitet vorwärts in der Zeit — das Modell wird bei jeder neuen Prognose mit den aktuellsten k Datenpunkten neu trainiert. Praktische Umsetzung von robustness_obsession.

Grundprinzip

t=0      Training [0..380]         → Forecast t+1
t=1      Training [1..381]         → Forecast t+2
t=2      Training [2..382]         → Forecast t+3
...
t=n      Training [n..n+380]       → Forecast t+n+1

Jedes Mal: komplettes Neu-Training des Netzwerks. Bei PSO-RBF dauert das Minuten — praktikabel außerhalb der Handelszeiten.

Warum Fixed Windows versagen

Fixed Windows nehmen an, dass die statistischen Eigenschaften der Daten stationär sind. In Finanzmärkten ist das falsch: - Regimewechsel (z.B. 2008 Finanzkrise, COVID) verändern Korrelationsstruktur fundamental - Ältere Daten können aktuelle Muster maskieren oder verzerren - Feature-Relevanz variiert mit Marktregime (GARCH wichtiger in volatilen Phasen)

→ Verbindung: regime_change_risiko — Sliding Window ist die operative Antwort auf Regime-Instabilität

Fenstergröße als Designentscheidung

Dunis et al. testen 380 und 500 Tage: - Minimum 380 Tage (1.5 Jahre) für ausreichende Muster-Abdeckung - 380-Tage-Fenster performt besser als 500-Tage (schnellere Anpassung) - Fenster < 380 Tage → unzureichende Datenmenge, instabile Parameter

Faustregel: Fenstergröße = Kompromiss zwischen Adaptivität und statistischer Signifikanz.

Interne Aufteilung

Pro Sliding Window: 66.7% Training / 33.3% In-Sample-Test (kein OOS-Leakage).
Das OOS-Ergebnis ist die Gesamtheit aller Prognosen über alle Fenster hinweg — echter Walk-Forward-Test.

Verbindung zu anderen Konzepten

robustness_obsession: Sliding Window ist die praktische Implementierung von Walk-Forward-Validation. Dunis ist der vierte unabhängige Nachweis dieser Methode (neben Woodriff, Pardo, Narang).

regime_change_risiko: Empirische Bestätigung — Fixed-Window-Modelle versagen an Regimegrenzen, Sliding Window adaptiert sich.

transaktionskosten_modell: Häufigeres Re-Training (Daily) generiert mehr Signale → höhere TC. Balance: Fenstergröße und Threshold Filter zusammen steuern TC-Frequenz.

Praktische Umsetzung (Build Alpha)

  1. Feature-Pool definieren (N Inputs)
  2. Fenstergröße wählen (mind. 380 Handelstage, besser 500)
  3. Für jeden neuen Handelstag: re-trainieren, Signal generieren
  4. Threshold Filter anwenden: handeln nur wenn |Signal| > x%
  5. Performance-Metriken: Information Ratio + Calmar (nicht nur Return)