Zum Inhalt

Source Summary: Artificial Intelligence in Financial Markets (Dunis et al., 2016)

Sammelband mit 11 Kapiteln zu KI-Methoden in Finanzmärkten — Schwerpunkt: Neuronale Netze mit evolutionären Algorithmen, adaptive Sliding-Window-Trainingssysteme, Spread-Trading und Portfolio-Optimierung.

Einordnung

Akademisch-praktischer Hybridband: jedes Kapitel ist eine eigenständige empirische Studie mit konkreten Handelsergebnissen. Nicht ein Lehrbuch über KI, sondern ein Nachweis, dass KI auf realen Finanzdaten profitabel anwendbar ist — mit vollständigen Out-of-Sample-Ergebnissen.

Kernbeiträge nach Kapitel

Ch.1 — AI Review

Systematische Übersicht: ANN (MLP, RBF, HONN, RNN), Expert Systems, Hybrid Intelligence Systems. Kernergebnis: hybride Systeme schlagen Einzelmodelle konsistent. Drei Anwendungsdomänen: Prognose, Portfolio-Optimierung, Risikomodellierung.

→ Konzept-Link: ki_hybridmodell (neu zu erstellen)

Ch.2 — FTSE100 PSO-RBF

Adaptive pso_rbf_architektur mit sliding_window_methode für FTSE100. 50+ Cross-Asset-Inputs, Multi-Ziel-Fitness (MSE + Jahresrendite). Bestes Ergebnis: 9.95% Netto-Jahresrendite, 74.73% kumuliert (gefiltert).

Ch.3 — Crack Spread Trading (Kernstudie)

Detaillierteste Studie im Band. Modelliert und handelt den WTI/RBOB/HO 3:2:1 Crack Spread mit PSO-RBF und MLP. 59 Inputs, 380 und 500 Tage Trainingsfenster, 777 OOS-Handelstage.

PSO-RBF 380-Tage gefiltert — Bestes Profil: - Netto-Jahresrendite: 24.28% - Information Ratio: 1.83 - Calmar Ratio: 1.69 - Max-Drawdown: −19.70% - Volatilitätsreduktion durch Filter: −5.73% - Drawdown-Reduktion durch Filter: −25.20%

Wichtigste Inputvariablen (PSO-Selektion): GARCH-Modelle (59–68%), ARMA-Modelle (44–63%), 2-Tage-Lag Spread Returns (65–68%), US Treasury 10Y/30Y, Raffinerie-Aktien.

→ Konzepte: pso_rbf_architektur, sliding_window_methode, threshold_confirmation_filter

Ch.4 — GEPTrader

Gene Expression Programming als Alternative zu ANN: evolutionär erzeugte, interpretierbare Handelsregeln. Vorteile: kein Overfitting durch Black-Box, direkt inspizierbare Logik.

→ Konzept: gene_expression_programming (neu zu erstellen)

Generelle Erkenntnisse

Sliding Window ist Standard für adaptive Märkte. Fixed Training Windows versagen bei Regimewechseln — Neutraining bei jeder Prognose ist praktikabel (Minuten, außerbörslich).

GARCH + ARMA als NN-Inputs verbessern sowohl statistische Genauigkeit als auch Trading-Performance. Lineare Modelloutputs als Features für nichtlineare Netze — ein robustes Hybrid-Muster.

Threshold Confirmation Filter ist entscheidend: nur handeln wenn |Forecast| > x%. Reduziert TC-Last, verbessert Calmar drastisch. Ohne Filter vernichten TC (~10% p.a.) erheblichen Anteil des Alpha.

Multi-Ziel-Fitness (Jahresrendite − MSE − Komplexitätsstrafe) übertrifft reine MSE-Minimierung. Trainieren auf Profit-Metrik statt statistischer Genauigkeit — direkt relevant für Build Alpha.

Verbindung zu anderen Wiki-Konzepten