1% im Vergleich zum realen Schlusskurs.

In dieser Demo lernen Sie, wie Sie mithilfe von Bitcoin-Daten von Quandl maschinelles Lernen (Regression) anwenden, um kontinuierliche Antwortvariablen wie z. B. die Volatilität vorherzusagen. Technischer Handel mit Bitcoin mit künstlichem neuronalen Netzwerk Maschinelles Lernen mit Bitcoin-Bot Online-Forex-Handel in den Vereinigten Staaten Handel mit 212 Forex Peace Army Report: Die Ergebnisse sind erheblich besser als bei der Optimierung des geometrischen Mittelwerts (siehe Anhang, Abschnitt E). Diese Ergebnisse sind genau das, was ich in vielen Beispielen mit Einzelpunktvorhersagen mit LSTMs gesehen habe. LSTMs wurden entwickelt, um das explodierende und verschwindende Gradientenproblem beim Training traditioneller RNNs zu lösen. Komplexer entspricht nicht automatisch genauer. Kumulierte Rendite in USD. Die schlechte Nachricht ist, dass es eine Verschwendung der LSTM-Funktionen ist, wir könnten ein viel einfacheres AR-Modell in viel kürzerer Zeit bauen und wahrscheinlich ähnliche Ergebnisse erzielen (obwohl der Titel dieses Beitrags viel weniger Clickbaity gewesen wäre).

Hier aktualisieren wir unser PPO2-Modell, um die MlpLstmPolicy zu verwenden und die wiederkehrende Natur auszunutzen. Aufgrund seiner hohen Volatilität sind gute Vorhersagen erforderlich, auf denen die Anlageentscheidungen beruhen. Die Aufgabe wird mit unterschiedlichem Erfolg durch die Implementierung eines Bayes-optimierten rekurrenten neuronalen Netzwerks (RNN) und eines Langzeit-Kurzzeitgedächtnis-Netzwerks (LSTM) gelöst. Crypto legacy pro membership review: der komplette Überblick - tharinarchitect. Wichtige Kryptowährungen können in einer Reihe von Online - Börsen mit Fiat - Währung gekauft werden (z. )Für ein wirklich einfaches LSTM-Modell haben wir geschult und getestet.

  • Sie können sie mithilfe dieses Formulars hinzufügen.
  • 599 61 Explorative Datenanalyse Wir möchten einige Parameter unserer Daten schätzen, da dies bei der weiteren Modellentwicklung hilfreich sein kann.
  • Es wäre interessanter, das LSTM-Modell mit besser geeigneten Zeitreihenmodellen zu vergleichen (gewichteter Durchschnitt, Autoregression, ARIMA oder Facebooks Prophet-Algorithmus).
  • Die erste ist die Mackey-Glass-Serie und die zweite sind chaotische Laserdaten (Satz A).
  • Die Autoren erklären, dass sie keine Interessenkonflikte haben.
  • Das Problem hierbei ist, dass wir möglicherweise nicht genügend Daten haben (wir haben Hunderte von Zeilen anstatt Tausende oder Millionen).
  • Anstatt das Rad neu zu erfinden, werden wir den Schmerz und das Leid der Programmierer ausnutzen, die vor uns gekommen sind.

Die erste Änderung, die wir vornehmen müssen, ist die Aktualisierung unserer Richtlinie, um ein wiederkehrendes Langzeitgedächtnis-Netzwerk (LSTM) anstelle unseres vorherigen MLP-Netzwerks (Multi-Layer Perceptron) zu verwenden. So werden schlechte Models stärker bestraft. Auf Kaggle gibt es einen Datensatz, in dem die Bitcoin-Preise (plus einige andere Faktoren) für die letzten Jahre (in diesem anderen Blog-Beitrag) minutenweise angegeben sind. Nur 8% der gemischten kryptowährungen im zusammenhang mit illegalen aktivitäten - crypto.iq. Investoren haben diesen Fehler längst mit einfachen Gewinnkennzahlen entdeckt und sich traditionell risikobereinigten Ertragskennzahlen zugewandt, um dies zu berücksichtigen. Zur Erinnerung, der Zweck dieser Artikelserie ist es, mit hochmodernen Deep-Enforcement-Lerntechnologien zu experimentieren, um herauszufinden, ob wir profitable Bitcoin-Handelsbots erstellen können. Ich habe gezeigt, warum diese Modelle für den tatsächlichen Handel möglicherweise nicht unbedingt brauchbar sind. Vorhersage der Richtung, des Maximums, des Minimums und des Schlusskurses des täglichen Bitcoin-Wechselkurses mithilfe maschineller Lerntechniken. Gox zusammenbrechen, um herauszufinden, wo das Geld hinging?

Höhepunkte

Diese Strategie ist zwar gut geeignet, um höhere Renditen zu erzielen, berücksichtigt jedoch nicht das Risiko, diese hohen Renditen zu erzielen. Wir testen und vergleichen drei überwachte Methoden zur kurzfristigen Preisprognose. Auf dieselbe Weise werden die Parameter von Methode 1 (und), Methode 2 (und) und der Basismethode () ausgewählt. Wir zeigen, dass einfache Handelsstrategien, die von modernsten Algorithmen für maschinelles Lernen unterstützt werden, die Standardbenchmarks übertreffen. Ethereum (63 Tage), Monero (61 Tage), Factom (51 Tage), Ripple (42 Tage), Dash (40 Tage), Maid Safe Coin (40 Tage), Siacoin (30 Tage), NEM (26 Tage), NXT (26 Tage), Steem (23 Tage). Tatsächlich ist es nicht schwer, fast null Trainingsfehler zu erreichen. Die Ergebnisse werden weder durch die Wahl der Anzahl der Neuronen noch durch die Anzahl der Epochen besonders beeinflusst.

  • Die Parameter jedes Modells wurden täglich für alle außer Methode 3 optimiert, basierend auf dem Ergebnis jeder Parameterauswahl in früheren Zeiten.
  • Dieses Tutorial Sr.

Stationarität

Jeder großartige Techniker benötigt ein großartiges Toolset. Wir können dann lernen anrufen. Gleichzeitig ist es sehr volatil. Ein weiteres Beispiel sind Datenwissenschaftler bei Airbnb. 🧇 matic münznachrichten, die Abnahme beträgt 9. Zuerst wählen wir die Parameter für jede Methode. Während unsere Methode zum Trainieren/Testen an separaten Datensätzen dieses Problem beheben sollte, ist es richtig, dass unser Modell zu stark an diesen Datensatz angepasst ist und sich möglicherweise nicht gut auf neue Daten verallgemeinern lässt. Everlaw hat eine Technologie entwickelt, die während der Ermittlung durch die Rechtsprechung nach Dokumenten sucht, die für den Fall relevant und wichtig sind. Bitcoin stocks für 2020 zu beobachten, mit einem CFD können Sie einen Kontrakt auf der Grundlage der Preise im zugrunde liegenden Markt handeln. Social-Media-Plattformen sind eine Goldmine für Meinungsdaten, die sich bei trendbasierten Analysen als nützlich erweisen.

In diesem Zeitraum erzielt Methode 3 eine positive Rendite für Gebühren bis zu. Der prognostizierte Preis scheint regelmäßig dem tatsächlichen Preis zu entsprechen, der erst einen Tag später verschoben wurde (z. )AB - Bitcoin ist eine Kryptowährung, deren Transaktionen in einem verteilten, offen zugänglichen Hauptbuch erfasst werden. Davon abgesehen sind diese Ergebnisse weitaus beeindruckender als alle algorithmischen Handelsstrategien, die ich bisher gesehen habe (dies hätte der erste Hinweis sein müssen, dass etwas nicht stimmte…). Als solches kann es verwendet werden, um große wiederkehrende Netzwerke zu erstellen, die wiederum verwendet werden können, um schwierige Sequenzprobleme beim maschinellen Lernen anzugehen und Ergebnisse auf dem neuesten Stand der Technik zu erzielen.

All dies lässt vermuten, dass Sie sich Zeit sparen und sich an die Autoregression halten können (es sei denn, Sie schreiben natürlich ein Blog). Sie helfen Ingenieuren des maschinellen Lernens, bessere ML-Algorithmen zu entwerfen und zu erstellen, und verwenden ML-Techniken, um Entwickler bei der Implementierung neuer AI-Funktionen zu unterstützen. Maschinelles Lernen entdeckt und reproduziert Muster in vorhandenen Daten. Jeweils 3%. Dieses Projekt wurde hauptsächlich gebaut, da Bitcoin die am längsten laufende und bekannteste Kryptowährung ist und eine große Zukunft haben soll. Ultimativer leitfaden für die besten bitcoin-trading-bots im dezember 2020, schauen wir uns an, wann eine Verkaufsaktion ausgelöst wird. Saisonale Zersetzung Liniendiagramm von Ibobriakov | Handlung Ibobriakovs interaktives Diagramm und Daten der "Saisonalen Zerlegung" sind ein Liniendiagramm, das die Handlung "Trend", "Saisonal", "Rest" zeigt. Da ich schamlos versuche, ein breiteres Publikum ohne maschinelles Lernen anzusprechen, werde ich den Code auf ein Minimum beschränken. Sie können Ihr eigenes Projekt vorschlagen oder mit CITP-Stipendiaten oder Diplomforschern zusammenarbeiten.

Sie werden auch sehen, wie einfach es ist, mit MATLAB® eine komplizierte Aufgabe wie die Optimierung von Hyperparametern auszuführen.

Gastbeiträge

Differenzierung ist der Prozess des Subtrahierens der Ableitung (Rendite) zu jedem Zeitschritt von dem Wert zu diesem Zeitschritt. Grundlegende Algorithmen in einer Reihe anderer Bereiche werden ebenfalls behandelt, einschließlich geometrischer und grafischer Algorithmen. Unser LSTM-Modell verwendet frühere Daten (sowohl Bitcoin als auch Eth), um den Schlusskurs einer bestimmten Münze für den nächsten Tag vorherzusagen. Wir stellen fest, dass der Medianwert des ausgewählten Fensters über die Zeit 7 ist, sowohl für das Sharpe-Verhältnis als auch für die geometrische Mittelwertoptimierung. Journalisten und sogar Science-Fiction-Autoren haben sich zu Datenschutztechnologien geäußert. Das Ziel dieses Papiers ist es, festzustellen, mit welcher Genauigkeit die Richtung des Bitcoin-Preises in USD vorhergesagt werden kann.

Schließlich stellen wir fest, dass eine bessere Leistung erzielt wird, wenn die Algorithmen die Preise in Bitcoin anstelle von USD berücksichtigen (siehe Anhang Abschnitt D). Ein Schnappschuss historischer Bitcoin-Kursdaten. 05 auf die Bitcoin- und Eth-Preise, wodurch die entsprechenden Zufallsmodelle zerschlagen werden. Link zur Projektwebseite: Auch hier ist es eher willkürlich, aber ich entscheide mich für 10 Tage, da es eine schöne runde Zahl ist. Diese Ergebnisse täuschen in höchstem Maße. Dies wurde inzwischen behoben, obwohl noch Zeit aufgewendet werden muss, um jede der folgenden Ergebnismengen zu ersetzen.

Jüngste Fortschritte auf diesem Gebiet haben jedoch gezeigt, dass RL-Agenten häufig in der Lage sind, viel mehr zu lernen als beaufsichtigte Lernagenten innerhalb derselben Problemdomäne. Obwohl diese Strategie nicht besonders komplex ist, wurden in der Vergangenheit sehr hohe Erfolgsquoten verzeichnet. Unsere wichtigste Erkenntnis ist, dass wir tatsächlich den Typ einer noch nicht identifizierten Einheit vorhersagen können. Was könnte die Zukunft bringen? Es verwendet ein neuronales RNN-Netzwerk (Recursive Neural Networks), das aus mehreren Schichten mit jeweils 64 Neuronen besteht. Um diesen Artikel so nah wie möglich am Original zu halten, werde ich die alten (ungültigen) Ergebnisse hier belassen, bis ich die Zeit habe, sie durch neue, gültige Ergebnisse zu ersetzen. Bitcoin ist noch jung und viele Quellen sagen, es sei hier, um zu bleiben.

Zu Schön Um Wahr Zu Sein

Dies bedeutet, dass es keiner Zentralbank oder einer anderen Behörde unterliegt. Die im Rahmen der Sharpe-Ratio-Optimierung am 24. April erzielten kumulativen Renditen sind BTC (Baseline), BTC (Methode 1), BTC (Methode 2), BTC (Methode 3). Vergleichen sie online-anlagekonten, sobald Sie Ihre Optionen geprüft haben, ist es Zeit zu entscheiden, ob Sie investieren möchten und mit welchem ​​Risiko Sie zufrieden sind. Die im Rahmen der Sharpe-Ratio-Optimierung (a) und der Optimierung des geometrischen Mittels (b) für die Grundlinie (blaue Linie), Methode 1 (orange Linie), Methode 2 (grüne Linie) und Methode 3 (rote Linie) erhaltenen kumulativen Renditen. Denken Sie nur daran, wie anders Bitcoin im Jahr 2020 ist, als Bitcoin Ende 2020. Bevor wir uns die Ergebnisse ansehen, müssen wir wissen, wie eine erfolgreiche Handelsstrategie aussieht. Dies bedeutet, dass Bitcoin von unserer Analyse ausgeschlossen ist.

Unternehmen

49 3149320200 129595000000 1 2020-11-18 7697. Mal sehen, wie gut es funktioniert. Dieses Seminar befasst sich mit der aufkommenden Wissenschaft der Fairness im maschinellen Lernen. Wenn der Schlusskurs in Folge weiter steigt und der RSI weiter fällt, wird eine negative Trendumkehr (Verkauf) signalisiert. Bitcoin ist zugänglicher, mit mehr Börsen, mehr Händlern, mehr Software und mehr Hardware, die es unterstützen. 11 legitime möglichkeiten, kostenloses paypal-geld zu verdienen, sie können passives Einkommen verdienen, was bedeutet, dass das Geld auch dann fließt, wenn Sie nichts tun! Trotzdem haben Sie hoffentlich meine Skepsis erkannt, wenn es darum geht, tiefgreifendes Lernen anzuwenden, um Änderungen der Kryptopreise vorherzusagen.

Pläne für jeden Händler.

Unsere Ergebnisse zeigen, dass nicht-triviale, aber letztendlich einfache algorithmische Mechanismen dazu beitragen können, die kurzfristige Entwicklung des Marktes für Kryptowährungen vorwegzunehmen. Beide Datensätze gelten als Benchmark für die Zeitreihenanalyse. Im Falle von Everlaw sind die dort arbeitenden Datenwissenschaftler mit all dem Obenstehenden beauftragt. Diese Technologien können erhebliche oder sogar transformative Auswirkungen auf die von der CFTC regulierten Märkte und die Agentur selbst haben. Eine der jüngsten Marktentwicklungen, die großes Interesse wecken, ist die zunehmende Bedeutung virtueller Währungen, insbesondere von Bitcoin.

  • Gemeinschaftsprojekt & Einführung in Bitcoin/Crypto + Trading.
  • Wie oben gezeigt, beträgt die Differenz zwischen dem realen und dem prognostizierten Schlusskurs 0% bis 7.
  • DataFrame (json.)

Preise und Mitgliedschaftspläne

Wir haben das Zeitreihenmodell ARIMA verwendet und ein neuronales Netzwerkmodell RNN trainiert, um die Bitcoin-Preise für die Zukunft basierend auf vorherigen Werten und Trends vorherzusagen. Auf diese Weise können wir von diesen technischen Indikatoren so viel wie möglich profitieren, ohne unseren Beobachtungsraum zu stark zu verrauschen. Im Gegensatz zur vorhersagenden Regressionsmodellierung wird durch Zeitreihen auch die Komplexität einer Sequenzabhängigkeit unter den Eingabevariablen hinzugefügt. Ich habe eine ausgewählt, bei der der vollständige Intervall-Zufallsrundgang für Ethereum fast anständig aussieht. Im beigefügten Jupyter-Notizbuch können Sie interaktiv mit dem Startwert unten herumspielen, um zu sehen, wie schlecht die Leistung ist. Schließlich werden wir eine Technik namens Bayesianische Optimierung anwenden, um die rentabelsten Hyperparameter zu ermitteln, bevor wir die Rentabilität der endgültigen Agenten trainieren und testen. Dieses Diagramm zeigt die Zentralisierung von Bitcoin Wealth, es gab zahlreiche Testimonials von Nutzern, die angaben, durch die Verwendung von Bitcoin Wealth-Handelssignalen zu selbstgemachten Millionären geworden zu sein. Andererseits bauen und warten Ingenieure für maschinelles Lernen skalierbare ML-Algorithmen, die auf den Kernkonzepten der Informatik basieren (wie Datenstrukturen, Algorithmen, Profilerstellung und Optimierung). Mit anderen Worten, es zeigt das Ausmaß unseres Fehlers.

1080/07421222. Laut einer kürzlich durchgeführten Umfrage [2] befinden sich zwischen und Millionen privater und institutioneller Anleger in den verschiedenen Transaktionsnetzen, und der Zugang zum Markt ist im Laufe der Zeit einfacher geworden. Warum sollten wir dieses Modell nicht für den tatsächlichen Handel verwenden? Sehen Sie hier Beispiele, wie Projekte aussehen könnten. Das Modell könnte auf die Fehlerquelle zugreifen und sich entsprechend anpassen. Tageshandelsstrategien, die sie nicht verwenden, denken Sie daran, dass es Jahre dauert, bis das Trading gemeistert ist, und es schwierig ist, es zu meistern. Empirische Beweise für Dickey-Fuller-Type-Tests. Ich dachte, dies sei ein völlig einzigartiges Konzept, um Deep Learning und Krypto zu kombinieren (zumindest in Bezug auf Blogs), aber bei der Recherche in diesem Beitrag (i. )Informationen zur Marktkapitalisierung von Kryptowährungen, die in den 6 Stunden vor der wöchentlichen Veröffentlichung der Daten nicht gehandelt werden, sind auf der Website nicht enthalten.

Die Anwendung von Algorithmen für maschinelles Lernen auf den Kryptowährungsmarkt war jedoch bisher auf die Analyse von Bitcoin-Preisen unter Verwendung von Zufallswäldern [43], des Bayes'schen neuronalen Netzwerks [44], des neuronalen Langzeitgedächtnisnetzwerks [45] und beschränkt andere Algorithmen [32, 46]. Datensatzname - bitstampUSD 1-min data 2020–01–01 to 2020–01–08. In Ihren Projekten können Sie eine oder mehrere Blockchains analysieren, Ihre eigenen Anwendungen erstellen oder alles andere im Zusammenhang mit Kryptowährungen tun.

Verwenden Sie keine widersprüchlichen technischen Indikatoren mehr.

N2 - Bitcoin ist eine Kryptowährung, deren Transaktionen in einem verteilten, offen zugänglichen Hauptbuch erfasst werden. Die technischen Indikatoren sollten unserem Datensatz einige relevante, wenn auch verzögerte Informationen hinzufügen, die durch die prognostizierten Daten aus unserem Vorhersagemodell gut ergänzt werden. Beste 3 forex-roboter 2020, es gibt zwei Hauptgründe, warum Geschwindigkeit wichtig ist. Die beiden Rollen ergänzen sich, sind jedoch nicht genau gleich. Das Einstellen des falschen Profils für eine Rolle oder der Versuch, einen Job in einem Bereich zu finden, in dem Ihre Fähigkeiten nicht passen, kann eine Katastrophe sein. Schematische Beschreibung von Methode 2. So sichern Sie Computersysteme, Kommunikation und Benutzer.

Wenn Sie Bitcoin noch nicht kennen, finden Sie in diesem Handbuch eine Einführung und weitere Informationen zu Bitcoin und seinen Risiken. Diese Website verwendet Cookies, um Ihre Erfahrung zu verbessern. Auf dem Papier sollte das Omega-Verhältnis besser sein als das Sortino- und das Calmar-Verhältnis bei der Messung von Risiko vs. Übertragen Sie sie von einem Computer, auf dem Ihre Schlüssel nicht vorhanden sind.

Jetzt bin ich kein Dummkopf.

Vergleich der wahren Preise (auf dem Testdatensatz) mit den von unserem Modell vorhergesagten Preisen Liniendiagramm gemacht…

Die Stimmungswerte wurden in Bezug auf unzählige Waren analysiert. Auf diese Weise wäre das LSTM-Modell nicht so stark von früheren Preisen abhängig, was möglicherweise komplexere Verhaltensweisen zur Folge hätte. Obwohl gezeigt wurde, dass Social-Media-Traces auch ein wirksamer Indikator für Bitcoin-Kursschwankungen [68–74] und andere Währungen [75] sein können, ist unser Wissen über deren Auswirkungen auf den gesamten Markt für Kryptowährungen begrenzt und eine interessante Richtung für zukünftige Arbeiten. In der Bitcoin-Blockchain verbirgt sich die reale Identität eines Besitzers hinter einem Pseudonym, einer sogenannten Adresse.

Leichter gesagt als getan! Die Ergebnisse (siehe Anhang Abschnitt A) zeigen, dass in dem untersuchten Parameterbereich die besten Ergebnisse für erzielt werden. In den folgenden Abschnitten gehen wir davon aus, dass nur Währungen mit einem täglichen Handelsvolumen von mehr als USD (US-Dollar) an einem bestimmten Tag gehandelt werden können. Wenn der längerfristige SMA den kurzfristigen SMA überschreitet, wird eine negative Trendumkehr (Verkauf) signalisiert.

Verbesserung des Autopiloten des Bitcoin-Blitznetzwerks (Zusammenfassung der Bar Camp Session beim 2. Blitzhackday in Berlin)

Dies bedeutet, dass für die Berechnung zukünftiger Preise die Erfahrungen der vorherigen historischen Reihen mit einem Aktionsfenster von 120 Tagen herangezogen werden. Offenes forum: das mehr-gesetz von kamala harris könnte cannabis entkriminalisieren, es ist kein Geheimnis, dass Sie mit einem Mietobjekt langfristig Geld verdienen. Der Titel dieses Artikels wurde geändert und die Sprache hinzugefügt, um zu verdeutlichen, dass die 2-Prozent-Zahl in Elliptics anfänglicher Arbeit und nicht in der nachfolgenden Analyse mit MIT-IBM Watson AI Lab berechnet wurde. Später, nachdem wir unsere Optimierungsfunktion über Nacht mit einer anständigen CPU/GPU-Kombination ausgeführt haben, können wir die Studie aus der SQLite-Datenbank laden, die Optuna erstellen soll. Das LSTM erreicht die höchste Klassifizierungsgenauigkeit von 52% und einen RMSE von 8%. Durch die Nutzung unserer Dienste oder klicken Ich bin damit einverstanden, stimmen Sie der Verwendung von Cookies.

Feedback

Geometrische Durchschnittsrendite in verschiedenen Zeiträumen. Beste umfrageseiten, sie können jede Art von Dienstleistung verkaufen, die Sie sich vorstellen können. Statistische Methoden wie die logistische Regression und die lineare Diskriminanzanalyse für die tägliche Bitcoin-Preisvorhersage mit hochdimensionalen Merkmalen erreichen eine Genauigkeit von 66% und übertreffen kompliziertere Algorithmen für maschinelles Lernen. Angesichts der Marktvolatilität in Bezug auf verschiedene Preise für Kryptowährungen wollten wir ein einfaches neuronales Netzwerk mit frei verfügbaren Daten testen, um festzustellen, ob wir Kryptopreise mit angemessener Genauigkeit und ohne drastische Rechenressourcen vorhersagen können.

Nachdem wir uns für die Messung einer erfolgreichen Handelsstrategie entschieden haben, ist es an der Zeit, herauszufinden, welche dieser Metriken die attraktivsten Ergebnisse liefert. Kommen Sie zu einem kostenlosen, wochenendlangen, freundlichen Hackathon und lernen Sie die Grundlagen des maschinellen Lernens. Im Vergleich zu anderen KI-Algorithmen tauchen bereits mehrere Handelssysteme für Bitcoin und andere auf. Deep Learning-Systeme haben ein wiederkehrendes A Language Line Solutions Arbeiten von zu Hause aus Jobs Neuronales Netzwerk (RNN) ist eine Klasse von künstlichen neuronalen Netzwerken, bei denen Verbindungen zwischen Knoten einen gerichteten Graphen entlang einer Sequenz bilden. Wir werden zuerst unsere Umgebung aktualisieren, um mehrere andere Kryptowährungspaare wie ETH/USD und LTC/USD zu unterstützen, und dann werden wir unsere Agenten loswerden, um diese Assets live auf Coinbase Pro zu handeln. In der Praxis sind sowohl Data Science- als auch Machine Learning-Rollen gute Möglichkeiten, mit Daten zu arbeiten. Unsere Modellarchitektur ist einfach. Exchange dieser Preisindex nimmt den Durchschnitt. Hier führen wir den Augmented Dicker-Fuller-Test für unseren transformierten Datensatz durch, um die Stationarität sicherzustellen. Unter geometrischer Mittelwertoptimierung erhalten wir BTC (Baseline), BTC (Methode 1), BTC (Methode 2), BTC (Methode 3).