The model learned structure. The downstream edge was not confirmed.
Dieses Experiment überträgt ein gewöhnliches Deep-Learning-Prinzip auf einen hochauflösenden MBO-Ereignisstrom. Ein zweischichtiges GRU-Modell lernt ohne manuelle Handelslabels den nächsten Ereignistyp und die nächste Seite vorherzusagen.
Lernt ein Modell reale Ereignisstruktur — nicht nur Häufigkeiten?
Die Kernfrage war zunächst nicht, ob daraus eine Strategie entsteht. Geprüft wurde, ob ein sequenzielles Modell in MBO-Ereignissen Struktur oberhalb einfacher Mehrheits- und Persistenz-Baselines erkennt.
Zeitlich getrennt und gegen einfache Erklärungen geprüft.
- Zweischichtiges GRU-Modell auf 47 Tagesdateien
- fünf vollständig zurückgehaltene Validierungstage
- Next-event-type: 51,99 % gegenüber 37,92 % Mehrheit und 38,05 % Persistenz
- Next-side: 62,94 % gegenüber 50,28 % Mehrheit und 54,55 % Persistenz
- Juni- und Juli-Daten blieben als externer Holdout unberührt
Erkennbares Lernen, aber kein bestätigter Edge.
Das Modell übertraf die einfachen Baselines in den selbstüberwachten Lernaufgaben. Die Leistung war jedoch zwischen Klassen ungleich. Eine nachgelagerte Smoke-Probe erreichte 12,87 % gegenüber einer ehrlichen Baseline von 13,09 %. Damit ist die Existenz gelernter Struktur belegt, ein verwertbarer Vorhersagevorteil aber nicht.
Ein nicht bestätigtes Ergebnis ist ein Ergebnis.
Der Versuch trennt zwei Aussagen, die oft fälschlich vermischt werden: Ein Modell kann Muster lernen, ohne dass diese Muster bereits einen robusten praktischen Nutzen erzeugen. Genau diese Grenze ist Teil des Projektergebnisses und bestimmt den nächsten sinnvollen Test.
Belegbar, ohne den Entwicklungsansatz offenzulegen.
Öffentlich gezeigt werden Problem, Systemaufbau, Testart, Ergebnis und Grenzen. Exakte Merkmalsdefinitionen, Schwellenwerte, vollständige Prompts, Quellcode, Modellgewichte und sensible Datensätze bleiben geschützt. Vertiefende Nachweise können in einem fachlichen Gespräch gezeigt werden.