Loading...
Alle Reviews, Rankings, Guides, Strategien und Trust-Dokumente.
Phase-3-Transparenz
Vollständige Transparenz der Modelle, die jeden Signal antreiben. Ein Produktionsmodell läuft jetzt; Asset-Klassen-Modelle sind für Q2–Q3 2026 geplant.
1
Produktion
Modell generiert Signale für 250 Instrumente
3
In der Roadmap
Asset-Klassen-Modelle für Q2–Q3 2026 geplant
Jedes bereitgestellte oder geplante Modell — vollständige Lebenszyklusübersicht.
Version: v1
Live since Phase 1a (May 2026)
Trainiert: 2026-05-19
Befördert: 2026-05-19
Trainingsbeispiele: 61
Gain-basierte Importances des LightGBM-Boosters — höherer Balken = stärkerer Vorhersagebeitrag.
Der EURUSD M15 LightGBM-Klassifikator wird als frühe Vorschau cross-symbol angewendet. Der Feature-Satz (RSI, MACD, ATR, BB, EMA-Kreuzungen, Session-Flags) wird pro Symbol in Echtzeit berechnet. Das Modell wurde jedoch nie auf Nicht-EURUSD-Daten validiert — Signale außerhalb von EURUSD sollten als experimentell behandelt werden. Asset-Klassen-Modelle sind für Q2–Q3 2026 geplant.
Mindestschwellen im 180-tägigen Walk-Forward-Testset: Sharpe ≥ 0,8, Trefferquote ≥ 50%, Profit-Faktor ≥ 1,2, Max. Drawdown ≤ −3R. Modelle, die ein Kriterium nicht erfüllen, werden zur Neutrainierung in Staging zurückversetzt.
Das Training verwendet OHLCV-Daten für EURUSD M15 ab 2015 bis 6 Monate vor dem Trainingsstartdatum. Die letzten 6 Monate werden als Walk-Forward-Validierungssatz zurückgehalten. Triple-Barrier-Method-Labels (López de Prado) werden mit einem 1,5R Belohnungs:Risiko-Verhältnis und einer Zeitbarriere von 48 Bars berechnet.
Das Produktionsmodell wird vierteljährlich mit einem expandierenden Fenster neu trainiert. Der Inferenz-Scheduler (PM2 ai_signals_inference) erkennt Modellversionsänderungen und lädt den neuen Booster ohne Ausfallzeit heiß.
Technische Fragen zu Modelltraining, Bereitstellung und Transparenz.
Geplante Einträge stellen Roadmap-Absichten dar — die Modelle wurden noch nicht trainiert, daher gibt es keine Abnahmemetriken. Metriken erscheinen nach Trainingsabschluss und bestandenen Abnahmekriterien.
Wir verwenden die gain-basierte Importance von LightGBM: den gesamten Informationsgewinn, den ein Feature über alle Baumsplits im Booster beiträgt. Ein höherer Wert bedeutet stärkeren Einfluss des Features auf die Richtungsvorhersagen.
Die Trefferquote allein ist irreführend. Das System zielt auf 1,5R oder besser pro Trade. Eine Trefferquote von 52% mit 1,5R pro Gewinn und 1R pro Verlust ergibt einen positiven Erwartungswert. Sharpe-Ratio und Profit-Faktor sind aussagekräftiger.
Die Modell-Trainings-Pipeline ist proprietär. Die Methodik ist vollständig auf der Methodologieseite dokumentiert — Feature-Satz, Labelling-Ansatz, Konfidenzschwellen und Risikomathematik sind detailliert genug beschrieben, um das Kernsystem eigenständig zu reproduzieren.
Das obige Modell generiert Signale für 250 Instrumente in Echtzeit. Durchsuchen Sie Live-Signale oder prüfen Sie den Track Record.
Q2-Q3 2026
Roadmap-Eintrag — Training noch nicht gestartet. Metriken erscheinen nach Modellbeförderung.
Q2-Q3 2026
Roadmap-Eintrag — Training noch nicht gestartet. Metriken erscheinen nach Modellbeförderung.
Q2-Q3 2026
Roadmap-Eintrag — Training noch nicht gestartet. Metriken erscheinen nach Modellbeförderung.
Eine Auto-Rollback-Regel prüft die Win-Rate in einem gleitenden 200-Signal-Fenster. Wenn sie über 3 aufeinanderfolgende 24h-Fenster unter 45% fällt, wird die Bereitstellung automatisch auf die vorherige Produktionsversion zurückgesetzt und ein Telegram-Alert gesendet.
Features werden nur aus Bars vor dem Label-Fenster berechnet. Der Validierungssatz (letzte 6 Monate) wird nie beim Hyperparameter-Suchen verwendet. Das Triple-Barrier-Labelling enthält einen zeitbasierten Exit, sodass zukünftige Bar-Preise nicht in Feature-Fenster einfließen können.
LightGBM auf tabellarischen Finanzdaten übertrifft konsistent tiefe Modelle bei mittelgroßen Datensätzen (< 5M Bars). Es trainiert in Minuten, liefert interpretierbare Feature-Importances, und sein DART-Modus behandelt Klassenungleichgewichte besser als Standard-Gradient-Boosting.
Die Drei-Klassen-Verteilung (Long / Short / Neutral) ist ungefähr 20% / 20% / 60%. LightGBMs is_unbalance=True gewichtet Klassen automatisch um. Zusätzliche Filterung durch einen Konfidenzschwellenwert (60% Intraday, 55% täglich) reduziert weiteres Rauschen.
M15-Signale zielen auf das Triple-Barrier-Fenster von bis zu 48 Bars (12 Stunden). In der Praxis werden die meisten Trades innerhalb von 4–8 Bars aufgelöst. Ein Zeitstopp bei Bar 48 klassifiziert den Trade als abgelaufen (neutral), wenn weder TP noch SL erreicht wurde.