Threshold Confirmation Filter¶
Signal-Qualitätsschwelle: ein Modell handelt nur, wenn der Forecast-Betrag eine Mindesthürde x% überschreitet. Filtert rauschige, unsichere Signale heraus — dramatisch bessere Calmar-Ratio bei leicht höherer Jahresrendite.
Mechanismus¶
Signal = +1 (long) wenn Forecast > +x%
Signal = −1 (short) wenn Forecast < −x%
Signal = 0 (halten) wenn |Forecast| ≤ x%
x% wird auf In-Sample-Daten optimiert; typische Werte im Dunis-Setting: - PSO RBF: x = 0.20% - MLP 380: x = 1.90% - MLP 500: x = 1.45%
Warum es funktioniert¶
Neural Networks produzieren bei unsicheren Marktphasen kleine, rauschartige Forecast-Werte nahe Null. Diese Signale: 1. Erzeugen Transaktionskosten ohne klare Richtungsüberzeugung 2. Erhöhen Handelsfrequenz unnötig 3. Treiben Max-Drawdown durch zufällige, nicht-konvexe Verluste
Der Filter eliminiert genau diese schwachen Signale. Nur starke Überzeugungen führen zu Trades.
Empirische Wirkung (Dunis, Crack Spread, PSO RBF 380-Tage)¶
| Metrik | Ungefiltert | Gefiltert | Delta |
|---|---|---|---|
| Netto-Jahresrendite | 22.16% | 24.28% | +2.12% |
| Jahresvolatilität | 23.92% | 18.19% | −5.73% |
| Max-Drawdown | −44.90% | −19.70% | +25.20% |
| Information Ratio | 1.38 | 1.83 | +0.45 |
| Calmar Ratio | 0.73 | 1.69 | +0.96 (+131%) |
| Trades p.a. | 109 | 90 | −17% |
| TC p.a. | 10.83% | 8.98% | −1.85% |
Kernbefund: Der Filter senkt TC, reduziert Drawdown um 25%, verbessert Calmar auf das 2.3-Fache — bei leicht höherer Rendite.
Verbindung zu anderen Konzepten¶
transaktionskosten_modell: TC-Reduktion von ~2% p.a. durch weniger Trades — direkte Bestätigung, dass TC-Bewusstsein Pflicht ist.
drawdown_management: Der Filter ist ein automatischer Drawdown-Begrenzer — ähnlich Benedicts 2%-Monatsregel, aber auf Signal-Ebene implementiert statt auf Portfolio-Ebene.
robustness_obsession: Der Filter-Threshold x% wird In-Sample optimiert und OOS validiert — korrekte ML-Praxis ohne Leakage.
Praktische Implementierung¶
- Auf In-Sample-Daten: Threshold x% über Grid-Search optimieren (Ziel: Calmar maximieren)
- x% einfrieren für OOS-Periode
- Bei neuem Sliding-Window: x% bleibt konstant oder wird mit neuem Fenster neu kalibriert
- Monitoring: Filterrate (Anteil aller Signale, die herausgefiltert werden) als Stabilitätsindikatir
Links¶
- pso_rbf_architektur — Primäranwendung
- sliding_window_methode — Kombination mit adaptivem Training
- transaktionskosten_modell — TC-Effekt
- drawdown_management — Drawdown-Reduktion
- robustness_obsession — OOS-Validierung des Thresholds
- christian_dunis — Quelle
- 2026-05-09_dunis_ai_financial_markets — Quelle
- hedge_fund_architektur — Topic