Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (RAFT)
Introducción
El mundo de los mercados financieros siempre va por delante de los modelos teóricos. Cada nueva ola tecnológica no hace más que confirmar que los métodos clásicos de previsión son demasiado simplistas en comparación con la dinámica real de los precios. El mercado no se mueve siguiendo simples tendencias lineales, sino que se configura como un campo continuo de múltiples interacciones, en el que cualquier impulso local se refleja de inmediato en el panorama general. Precisamente por eso, hoy en día cobran cada vez más importancia las arquitecturas capaces de refinar las previsiones de forma iterativa, ajustando su propio nivel de confianza durante el proceso de cálculo.
El enfoque RAFT (Recurrent All-pairs Field Transforms), que surgió en el campo de la visión artificial para la reconstrucción del flujo óptico, no se basa en una inferencia aproximada en un solo paso, sino en un refinamiento iterativo del estado. El modelo no intenta predecir el futuro de inmediato, sino que elabora una estimación inicial y la mejora repetidamente, consultando el campo completo de interrelaciones entre los datos de partida. Este principio difiere notablemente de las arquitecturas tradicionales, en las que la previsión se genera una sola vez y todas las deficiencias se corrigen únicamente durante el entrenamiento. La propia estructura del modelo en el framework RAFT contempla el refinamiento dentro de un mismo paso de inferencia. Y precisamente eso es lo que lo hace especialmente interesante para el ámbito financiero.
El mercado rara vez revela sus intenciones de inmediato. El movimiento del precio puede comenzar con una fase falsa, para luego intensificarse y disiparse ante un impulso contrario. Toda previsión generada en un solo paso se ve obligada a apostar por un resultado ya en la primera aproximación. El modelo iterativo funciona de otra manera. Este captura una versión preliminar del futuro y, de inmediato, comprueba si concuerda con el resto de relaciones presentes en los datos, del mismo modo que un trader experimentado reevalúa instantáneamente la situación ante la más mínima señal nueva. Dicha forma de razonar se acerca más al pensamiento real que los modelos estáticos rígidos, que no cambian de opinión hasta la siguiente llamada.
La idea principal de RAFT es la construcción explícita de un campo multidimensional de correspondencias entre todos los pares de elementos de los datos analizados. En el problema del flujo óptico, se trata de pares de píxeles de dos fotogramas. En los datos financieros, estos se traducen en pares de estados de ventanas temporales, instrumentos, horizontes temporales y patrones microestructurales locales. Esto ofrece un mapa completo, y no aproximado, de las posibles influencias mutuas. Este mapa no solo permite ver la tendencia, sino también comprender cómo una sola desviación puede repercutir a través de decenas de otras relaciones. El mercado financiero tiene precisamente esa naturaleza: no se trata de una señal lineal, sino de un campo de múltiples interrelaciones que no puede explicarse con una sola dirección de movimiento.
Mientras que los modelos clásicos de tipo CNN o LSTM perciben el mercado como un flujo de eventos secuenciales, el framework RAFT lo ve como un campo distribuido. No es una serie temporal, sino un espacio de relaciones. En este paradigma, la previsión no es una extrapolación unidimensional, sino una reconstrucción dinámica de la posición dentro de un contexto multidimensional. Cada paso de refinamiento hace que la previsión sea más sólida, ya que el modelo no se basa en una sola hipótesis, sino que la comprueba repetidamente a través de todas las relaciones disponibles. En el ámbito del trading, donde equivocarse incluso en una sola iteración puede salir muy caro, esta capacidad de autocorrección interna resulta especialmente valiosa.
Desde esta perspectiva, el mercado no se presenta como una sucesión de acontecimientos, sino como un tejido vivo de fuerzas recíprocas, en el que cada cambio no se refleja de forma local, sino inmediatamente en todo el campo de correspondencias. El movimiento financiero no se propaga en línea recta: resuena, del mismo modo que una oscilación en un punto de un medio físico provoca una respuesta a distancia. Precisamente por eso, los modelos clásicos unidimensionales pierden inevitablemente parte de la información: solo ven una línea, mientras que el mercado existe como un sistema distribuido.
El carácter iterativo de RAFT permite adaptarse a los regímenes de mercado que cambian rápidamente. En lugar de aprender a partir de una enorme cantidad de ejemplos de todos los escenarios posibles, el modelo tiene la oportunidad de refinar la solución en el mismo momento de la ejecución. Esto convierte al modelo en un mecanismo no solo de previsión, sino también de adaptación. El hecho de que la arquitectura se diseñe desde el principio teniendo en cuenta la posibilidad de realizar múltiples refinamientos le permite funcionar en tiempo real sin perder eficiencia computacional. El entorno financiero exige precisamente esa flexibilidad: la capacidad de reaccionar al instante, sin sacrificar la profundidad del análisis.
El desarrollo posterior de esta idea conduce a la creación de modelos que conciben el mercado como un campo de tensiones recíprocas en constante transformación. No se limitan a prever el precio, sino que reconstruyen su evolución como una estructura integral, refinando cada elemento en el contexto de todos los demás. Este enfoque no solo es lógico, sino también inevitable. Así, allana el camino hacia sistemas que avisan antes incluso de que se produzca el suceso. El modelo comienza a pensar no en tiempo pasado, como la mayoría de los algoritmos de análisis de datos, sino en tiempo presente, tomando decisiones en un diálogo dinámico con la situación, y no siguiendo unas instrucciones calculadas de antemano. Cuando el mercado se asemeja más a un sistema físico complejo que a la suma lineal de factores, son precisamente las arquitecturas del tipo RAFT las que marcan un nuevo rumbo. Y nuestro objetivo es mostrar cómo se puede trasladar este principio al ámbito financiero, conservando su ventaja fundamental: la capacidad de ver no lo particular, sino el conjunto, y avanzar hacia la previsión no de un salto, sino mediante un refinamiento consciente y progresivo.
En esencia, abordamos la idea de la previsión no como una forma de adivinar el precio futuro, sino como una reconstrucción del estado actual del sistema, que aún no se ha manifestado en las cotizaciones, pero que ya existe como una configuración de fuerzas. El modelo iterativo, con acceso al campo completo de correspondencias, es capaz de percibir la tensión interna del mercado antes de que esta se traduzca en un movimiento evidente. Este enfoque se acerca más al análisis que a la especulación: el objetivo no es aprovechar un movimiento brusco, sino evaluar en qué medida el sistema está preparado para la transición. Precisamente esto hace que el refinamiento iterativo sea fundamentalmente más fiable que una única previsión lineal.
Y si consideramos el mercado como un entorno con una estructura continua de relaciones de causa y efecto, resulta evidente que no es posible predecirlo en un único cálculo a partir de un vector de entrada. Hay que calcularlo como un estado. No se trata de leer la secuencia, sino de reconstruir la configuración global de las tensiones. Ahí radica precisamente la importancia fundamental de la arquitectura RAFT: funciona como un proceso interno de reevaluación, en lugar de limitarse a emitir una respuesta al exterior. El refinamiento iterativo convierte la previsión en un cálculo del significado, y no en una reacción instantánea. Esta es precisamente la razón principal por la que este tipo de modelos pueden convertirse en la base de una nueva generación de sistemas financieros.
Este cambio de paradigma transforma la propia concepción del papel que desempeña el modelo en la infraestructura de trading. Deja de ser un asesor externo que emite una señal al finalizar el cálculo y se convierte en un mecanismo interno de análisis, capaz de adaptar su estado en tiempo real. Se trata de un nivel de interacción con el entorno de mercado radicalmente diferente: no reactivo, sino acoplado. El modelo no espera a que se produzca la desviación final del precio, sino que sigue el proceso por el que esta se va gestando, actualizando la previsión mediante ciclos sucesivos de ajuste con el campo de dependencias observado. La previsión deja de ser una decisión binaria y se convierte en una evaluación contextual del estado. Esto es especialmente importante en mercados con un alto nivel de ruido, donde los impulsos falsos son inevitables y una sensibilidad excesiva da lugar a una serie de acciones erróneas. La arquitectura, construida según el principio de refinamiento iterativo, percibe el ruido como una fluctuación temporal, cuya coherencia con todo el campo de interacciones se comprueba.
Precisamente por ello, la aplicación de los principios de RAFT al ámbito financiero no solo es posible, sino prácticamente imprescindible. Un sistema capaz de reevaluar repetidamente su hipótesis sobre la situación del mercado se ajusta a la dinámica real de la toma de decisiones. Se parece más a la forma de actuar de un analista experimentado que al funcionamiento de un algoritmo estático.
El algoritmo RAFT
Para adaptar correctamente los enfoques de los modelos de refinamiento iterativo de previsiones (RAFT) a las series temporales financieras, es necesario, ante todo, estudiar detenidamente la estructura del algoritmo. En el problema original de RAFT, aplicado a imágenes, se considera un par de fotogramas RGB consecutivos I1 e I2, y se requiere estimar un campo denso de desplazamientos (f1, f2) que asigne cada píxel del segundo fotograma a la posición correspondiente en el primero. En el caso de los datos financieros, un campo análogo puede interpretarse como un mapa de correspondencias entre ventanas temporales consecutivas, en el que cada valor de un instrumento se relaciona con su estado futuro y con su influencia sobre otros instrumentos.
El algoritmo RAFT se divide en tres fases:
- extracción de características,
- cálculo de la correspondencia recíproca,
- refinamiento iterativo de la previsión.
Todas las etapas son diferenciables y conforman una estructura entrenable de extremo a extremo. En el contexto financiero, la primera etapa puede interpretarse como la extracción de indicadores clave del mercado, patrones y regularidades ocultas a partir de datos históricos, reduciendo su dimensionalidad y generando una representación rica de la dinámica actual.
El módulo del codificador de características gθ transforma los datos analizados en mapas de características densos con una resolución reducida. En la versión original, esta resolución es 1/8 de la resolución inicial, y la dimensionalidad de las características D es igual a 256. El codificador consta de seis bloques con conexiones residuales, con dos capas convolucionales en cada nivel. En el contexto de las series temporales financieras, esto permite identificar patrones en diferentes escalas temporales: picos a corto plazo, tendencias a medio plazo y tendencias a largo plazo. Dicho procesamiento en varios niveles permite al modelo tener una visión global del mercado, y no solo de acontecimientos aislados.
El modelo contextual hθ extrae características únicamente de la primera ventana temporal (equivalente a la primera imagen), lo que garantiza una representación estable y coherente de los datos. En el ámbito del trading, esto equivale a una evaluación inicial de la situación del mercado: la elaboración de un mapa de interrelaciones entre los instrumentos, la identificación de correlaciones y señales ocultas antes de iniciar el proceso iterativo de refinamiento de la previsión. En conjunto, los modelos gθ y hθ constituyen la base del modelo, que se ejecuta una sola vez, pero define la estructura de las actualizaciones posteriores.
Este enfoque ofrece una ventaja evidente frente a los métodos tradicionales de previsión. En lugar de depender de una única previsión basada en el valor anterior del precio, el modelo crea una representación rica del mercado que luego se utiliza para el refinamiento sucesivo de la previsión. Cada nueva actualización tiene en cuenta todo el mapa de interrelaciones y permite corregir la estimación inicial, lo cual resulta especialmente importante en mercados volátiles y ruidosos. La arquitectura resultante convierte la previsión no solo en la inferencia del siguiente valor, sino en una reconstrucción dinámica del estado del mercado que tiene en cuenta multitud de factores. Esto la hace mucho más estable y precisa en comparación con los algoritmos clásicos.
En la siguiente etapa del algoritmo RAFT se calculan las correspondencias entre las características, lo que en el problema original se denomina «similitud visual». En el caso de los datos financieros, esta etapa puede interpretarse como una evaluación del grado de coherencia entre las ventanas temporales y los distintos instrumentos. En la arquitectura original se construye un campo completo de correlaciones entre todos los pares de elementos de las dos imágenes: C(gθ(I1), gθ(I2)) ∈ RH×W×H×W, donde cada celda de correlación representa el producto escalar de vectores de características. Desde el punto de vista financiero, esto puede entenderse como el cálculo de una matriz completa de interdependencias entre todos los puntos de las series temporales, lo que permite identificar qué elementos de la ventana anterior tienen mayor influencia en los valores previstos.
Para aumentar la eficiencia y tener en cuenta las distintas escalas de variación, se construye una pirámide de correlaciones de cuatro niveles {C1, C2, C3, C4}, en la que, en cada nivel, se aplica una operación de reducción (pooling) a las dos últimas dimensiones con distintos núcleos y pasos. Dicho enfoque garantiza, al mismo tiempo, una alta resolución de las interacciones locales y la posibilidad de tener en cuenta grandes desplazamientos en los datos. En el ámbito financiero, esto equivale a evaluar los impulsos a corto plazo y las tendencias a largo plazo, conservando la información sobre los movimientos pequeños y rápidos de los precios, que a menudo resultan fundamentales para realizar una previsión precisa.
Para extraer información de la pirámide se utiliza el operador Lookup LC. Este operador genera un mapa de características indexando los valores de correlación a partir de la estimación actual de los desplazamientos (f1, f2). Para cada punto de la primera ventana de datos se determina la correspondencia en la siguiente ventana, tras lo cual se crea una malla local con un radio r alrededor de la posición estimada. Los valores del volumen de correlación se obtienen de esta malla mediante interpolación bilineal. Esta metodología permite al modelo ajustar la previsión de forma flexible, basándose en el contexto más cercano y teniendo en cuenta tanto las relaciones puntuales como las más amplias. En los datos financieros, esto equivale a una estimación ponderada del impacto de los puntos adyacentes de la serie temporal y de los instrumentos relacionados en la iteración actual de la previsión, lo que garantiza la resistencia al ruido y a las pequeñas anomalías.
Toda la información de todos los niveles de la pirámide se integra en un único mapa de características, que posteriormente se transmite a la fase de refinamiento iterativo de la previsión. De esta forma, la etapa de cálculo de correspondencias proporciona una base rica y multinivel para el análisis posterior, lo que permite que el modelo RAFT no actúe de forma superficial, sino sistémica, teniendo en cuenta el conjunto completo de interrelaciones, lo que, en el ámbito financiero, se traduce en una comprensión más profunda de la estructura del mercado y la dinámica de los instrumentos.
Los autores del framework RAFT prestan especial atención a la eficiencia computacional al trabajar con datos de alta dimensión. El campo completo de correlaciones tiene una complejidad cuadrática O(N²), donde N es el número de elementos de la ventana analizada. Sin embargo, solo se calcula una vez y no depende del número de iteraciones de refinamiento de la previsión. Es más, existe una implementación alternativa con una complejidad lineal O(NM), que aprovecha la linealidad del producto escalar y el promedio previo de las características. En lugar de calcular previamente el volumen total de correlaciones, se generan representaciones piramidales de las características mediante pooling con reducción de resolución, y los valores de correlación necesarios se calculan sobre la marcha, solo en el momento de la consulta.
En el caso de las series temporales financieras, esta optimización es de vital importancia. Permite ampliar el modelo a decenas y cientos de activos, trabajar con datos de alta frecuencia y no perder el nivel de detalle de los movimientos locales. El pooling en diferentes escalas temporales puede interpretarse como un mecanismo de agregación de microtendencias, mesotendencias y macrotendencias. Por su parte, el cálculo dinámico de las correlaciones durante la consulta permite adaptarse a la situación actual del mercado sin necesidad de almacenar todo el volumen de cálculos intermedios.
Los autores subrayan que incluso el cálculo previo completo de las correlaciones no supone un cuello de botella con los aceleradores gráficos actuales. En el contexto de los modelos financieros, esto significa que tenemos libertad para elegir la estrategia: bien una modelización lo más precisa posible del campo global de relaciones, bien una opción más económica y adaptativa con la construcción dinámica de correlaciones a lo largo de un proceso iterativo. Ambos enfoques encajan a la perfección en la arquitectura RAFT y permiten aplicar el modelo a los retos del mercado sin tener que elegir entre velocidad y profundidad de análisis.
La siguiente etapa es un ciclo iterativo de actualización, en el que RAFT pasa de ser un simple modelo de comparación de características a convertirse en un mecanismo completo de análisis y optimización continuos. En esta fase, el sistema ya no se basa en una correspondencia estática entre dos estados fijos del mercado, sino que considera la previsión como una hipótesis dinámica que es necesario comprobar y refinar en tiempo real. Cada iteración utiliza no solo la representación actual del desplazamiento, sino también el contexto oculto acumulado: el estado interno. Es un equivalente de la memoria cognitiva que permite al modelo seguir la estabilidad de las interrelaciones observadas y el grado de confianza en la trayectoria actual del movimiento del capital. Si la nueva información confirma la estructura de fases identificada anteriormente, la hipótesis se refuerza. En caso de que se detecten desviaciones, la trayectoria se corrige de forma adaptativa. Ya no se trata de una simple iteración en el código, sino de un ciclo estratégico que imita el comportamiento de un operador experimentado, que compara constantemente las posiciones actuales con la evolución del mercado.
Desde el punto de vista arquitectónico, el proceso se implementa mediante un bloque recurrente, funcionalmente similar a una GRU, pero adaptado para procesar un campo espaciotemporal de características. Toma como entradas las características de correlación actuales, las estimaciones de desplazamiento y el estado oculto anterior, y genera una actualización ∆f y un estado interno actualizado. Este módulo vincula la parte analítica (interpretación de la relación entre características, identificación de patrones) con la parte de ingeniería (operaciones de convolución, activaciones acotadas, pesos compartidos), lo que garantiza una convergencia estable hacia un punto fijo, similar a una trayectoria de optimización. El uso de GRU convolucionales en lugar de las capas clásicas totalmente conectadas amplía el contexto local, lo que permite al modelo tener en cuenta simultáneamente las correlaciones espaciales en varias escalas sin que se produzca un aumento excesivo del número de parámetros.
Tras cada paso, el estado oculto pasa por las capas de convolución, generando una actualización del flujo ∆f, que se suma cuidadosamente a la previsión actual. En la fase intermedia, se obtiene una previsión del flujo con una resolución reducida a 1/8. El paso final de RAFT consiste en restaurar el flujo a su resolución completa y realizar el refinamiento de la máscara para cada píxel. En el contexto financiero, esto se asemeja a la combinación de indicadores micro y macro en una única evaluación estratégica del mercado. Tras generar la actualización a una resolución inferior, la red aplica una máscara entrenable que combina de forma ponderada los valores adyacentes en una cuadrícula de 3×3, corrigiendo los errores locales y mejorando la coherencia de la previsión. Dos capas de convolución forman una máscara de tamaño H/8×W/8×(8×8×9), tras lo cual se aplica SoftMax, lo que permite que cada píxel tenga en cuenta la contribución de sus vecinos. Como resultado, la previsión del flujo se vuelve suave, estable y extremadamente precisa.
En términos de datos financieros, esto puede considerarse como una combinación de microseñales de liquidez a corto plazo con tendencias a largo plazo e indicadores macroeconómicos. Cada actualización local de la máscara adapta la previsión a las condiciones concretas del mercado, eliminando el ruido y las fluctuaciones aleatorias, al tiempo que mantiene la lógica estratégica global de los movimientos de capital. Dicho mecanismo garantiza una adaptación continua, en la que las anomalías a nivel micro se corrigen sin perder la orientación general que proporcionan las tendencias y las fases del ciclo de mercado.
El uso de una máscara entrenable y del upsampling es similar a la forma en que un operador experimentado combina los datos a corto plazo con el contexto histórico. Cada corrección local se evalúa teniendo en cuenta el panorama general del mercado y la estrategia actual de gestión de la posición. Esto permite a RAFT elaborar previsiones de gran precisión sobre la evolución de los activos, teniendo en cuenta los microimpulsos actuales y los macropatrones estructurales, lo que da lugar a una visión completa y estratégicamente coherente del mercado, lista para la posterior toma de decisiones y la modelización de riesgos.
Esto sienta las bases fundamentales para la aplicación de RAFT en los mercados financieros. En lugar de dar un paso determinista hacia adelante, el modelo puede trazar una trayectoria de la evolución probable del mercado, refinándola en cada etapa. Este proceso adaptativo y dinámico hace que el método resulte especialmente valioso en entornos de alta volatilidad, en los que las previsiones estáticas pierden rápidamente su vigencia.
A continuación se muestra una visualización propia del framework RAFT.

Implementación en MQL5
Tras analizar los aspectos teóricos del framework RAFT, pasamos a la parte práctica de nuestro trabajo. En esta fase, lo que nos interesa no es un concepto abstracto, sino su viabilidad práctica en un entorno de trading real. En ella presentaremos una de las posibles opciones para implementar la arquitectura propuesta mediante MQL5, un entorno orientado al análisis de alta frecuencia, la conexión directa a la liquidez y unos requisitos estrictos en materia de latencia.
Esto permitirá comprobar la corrección del modelo y su compatibilidad con las restricciones del mercado: la velocidad de actualización del libro de órdenes, la reacción ante picos de volatilidad y la resistencia al ruido local. La implementación en MQL5 sirve como una especie de prueba de estrés para el framework RAFT, demostrando si es capaz de funcionar en sistemas que toman decisiones basadas en datos reales en tiempo real.
Además, RAFT se integra de forma natural con las tareas de gestión de riesgos. Una secuencia iterativa de previsiones no proporciona un único valor, sino una trayectoria y una medida de coherencia. A partir de ella, se puede calcular una estimación probabilística del nivel de confianza, ajustar el tamaño de la posición y gestionar dinámicamente el stop-loss. Si los refinamientos convergen de forma rápida y estable, es una señal positiva para aumentar la exposición. Si la secuencia «salta» y no converge, es una señal para reducir el tamaño o descartar por completo la entrada.
No obstante, antes de pasar a la implementación, es importante comprender, a nivel conceptual, cómo aplicar correctamente los conceptos de RAFT al análisis de series temporales financieras. Los datos visuales del flujo óptico se representan en una cuadrícula de coordenadas bidimensional, en la que cada píxel tiene una posición horizontal y otra vertical. Por su parte, las características financieras constituyen una secuencia unidimensional de valores a lo largo del tiempo. En teoría, es posible ampliarla a una representación bidimensional, por ejemplo, añadiendo una dimensión de instrumentos alternativos. Sin embargo, sigue existiendo una diferencia fundamental: en una imagen, un punto puede desplazarse en la dirección de ambos ejes, incluso en diagonal, lo que significa, literalmente, una transferencia de energía entre coordenadas adyacentes.
En los datos financieros, no hay trasvase alguno entre las características: estas no pueden migrar de un instrumento a otro, sino que únicamente varían en magnitud a lo largo del tiempo. Esto requiere un enfoque diferente a la hora de interpretar la correspondencia espacio-temporal, en el que, en lugar del desplazamiento de coordenadas, trabajamos con la dinámica de los valores y sus desviaciones locales con respecto al contexto histórico.
La adaptación a las series temporales financieras debe partir de una comprensión clara del sentido económico de cada operación. En el RAFT original, el bloque de actualización se interpreta como un paso de optimización del campo de desplazamientos. En nuestras tareas, este bloque se convierte en un paso de reevaluación de la trayectoria probabilística del mercado. Esta es la idea clave: el estado oculto ya no almacena características, sino que codifica el grado actual de confianza en la hipótesis, la evaluación del riesgo y la dirección del impulso interno del capital. Nuestro objetivo es que cada paso de refinamiento aporte no solo una mejora matemáticamente coherente de la previsión, sino también un ajuste de la posición que sea interpretable desde el punto de vista económico.
Comenzaremos por el formato de los datos de partida. En la variante financiera, consideramos como flujo el vector de incrementos de las previsiones para cada instrumento y horizonte. No se trata de un desplazamiento en el espacio, sino de un incremento de las expectativas: con qué intensidad y en qué dirección… Las características de correlación ofrecen un mapa de concordancia: qué instrumentos y qué desfases temporales confirman la hipótesis actual y cuáles la refutan. El vector de contexto acumula información global: volatilidad, volúmenes, diferenciales y otros índices proxy del estado del mercado. En conjunto, estos componentes forman la entrada del bloque de actualización, estructurada como un campo de características.
Ahora hablemos de la lógica de la actualización en sí. Esta se basa en un mecanismo similar a una GRU: la compuerta de actualización controla en qué medida el modelo conserva la posición anterior (inercia de la posición), mientras que la compuerta de reinicio determina la disposición a descartar la hipótesis anterior ante un conflicto intenso entre características (cambio de régimen). La transformación no lineal del estado oculto genera una nueva hipótesis y, a continuación, un cabezal independiente la traduce en un incremento concreto de las expectativas ∆f. Las activaciones acotadas y los pesos compartidos actúan como mecanismo de control. Impiden que la corrección crezca de forma exponencial en presencia de ruido y favorecen la convergencia hacia un punto fijo, lo que, desde un punto de vista económico, se interpreta como el logro de una previsión consensuada.
La interpretación financiera de los recursos arquitectónicos es importante para la toma de decisiones. Cuando la compuerta de actualización se mantiene cercana a la unidad, el modelo muestra una consolidación de opiniones: una confirmación de la inercia de la tendencia y, por tanto, una posición más agresiva. Si, por el contrario, se activa la compuerta de reinicio, esto indica un posible cambio de régimen: los riesgos aumentan y el modelo recomienda actuar con cautela, reducir el tamaño del lote o pasar a una posición neutral. Esta lógica interna del tipo «no tengo por qué creerlo» ofrece al operador una base explicable para modificar su exposición y convierte el modelo en una herramienta de gestión.
Al analizar en detalle los aspectos prácticos de los enfoques propuestos por los autores del framework RAFT, se aprecia cierta similitud con el framework STE-FlowNet, analizado anteriormente. Y eso no es de extrañar. Ambos frameworks se desarrollaron inicialmente para evaluar el flujo visual y se basan en la idea del refinamiento iterativo de la previsión. En ambos casos se usa la correlación de estados y un bloque convolucional GRU, lo que permite acumular con precisión información sobre el movimiento y el contexto. Esta similitud ofrece una ventaja evidente: podemos aprovechar los avances existentes en la implementación de la arquitectura, la optimización de los cálculos y la organización del estado oculto, adaptándolos a las series temporales financieras y a las particularidades del trabajo en MQL5. Este enfoque reduce la complejidad de la implementación, acelera la creación de prototipos y hace que la integración de RAFT sea más segura y predecible desde el punto de vista de la ingeniería y de la economía.
Sin embargo, también debemos señalar una diferencia entre los enfoques. STE-FlowNet utiliza una arquitectura de codificador-decodificador en forma de U, en la que la información se comprime de forma secuencial y, a continuación, se reconstruye para prever el flujo. Esto permite combinar características locales y globales mediante conexiones de salto. Por el contrario, RAFT funciona principalmente a alta resolución y utiliza la agregación de mapas de correlación, creando una pirámide que conserva información detallada sobre cada píxel (o característica), al tiempo que permite tener en cuenta tanto los desplazamientos grandes como los pequeños. Dicho enfoque hace que RAFT resulte más adecuado para el refinamiento iterativo de las previsiones, especialmente cuando se requiere una alta precisión y se debe conservar la estructura local de los datos, lo cual es fundamental en el caso de las series temporales financieras, en las que cada unidad de información tiene un significado económico propio.
Por tanto, será necesario perfeccionar las soluciones existentes. Y empezaremos el trabajo elaborando un mapa de correlación de características. Como opción básica, se puede utilizar una solución ya existente, desarrollada en el marco del trabajo sobre el framework STE-FlowNet. Al igual que antes, en lugar de un estado inicial fijo, utilizaremos una pila de los estados más recientes del sistema analizado. Esto permite realizar un seguimiento no solo del valor actual de las características, sino también de la dinámica general de los cambios del sistema a lo largo del tiempo. Este enfoque sienta las bases históricas para el refinamiento iterativo de las previsiones, creando un contexto que tiene en cuenta las tendencias, la inercia y las fluctuaciones a corto plazo del mercado, de forma similar a como RAFT detecta el movimiento de los objetos en la tarea visual de estimación del flujo óptico teniendo en cuenta los estados anteriores.
Sin embargo, debemos incorporar el escalado del mapa de correlaciones propuesto por los autores del framework. Aquí hay una diferencia fundamental: en el RAFT original, el escalado se realiza en el plano de coordenadas, lo que permite seguir grandes desplazamientos de los objetos. En las series temporales financieras, este enfoque no es aplicable. El impulso no se desplaza entre las características y no existe una rejilla de coordenadas. Por eso trasladamos el escalado al eje temporal, lo que permite al sistema seguir impulsos de cambio de mayor magnitud en las características, así como su dinámica. Este enfoque mantiene la idea de un análisis multinivel, similar a la pirámide de correlaciones, pero adaptado a la interpretación económica de los datos, en la que es importante tener en cuenta tanto los cambios a corto plazo como los de largo plazo del mercado.
De manera similar al método alternativo propuesto por los autores para calcular las correlaciones, construiremos un mapa multiescala de características del estado analizado. En primer lugar, el mapa se genera a distintas escalas temporales, lo que permite al sistema detectar tanto las fluctuaciones a corto plazo como las tendencias a largo plazo. Solo entonces se añade el tensor global de características agregadas a la pila de estados ampliados, lo que garantiza la coherencia de los datos.
Pasamos del concepto de agregación multiescala a una implementación concreta en un kernel de OpenCL, procurando mantener al máximo la continuidad lógica. Partimos de la base de que cada hilo se encarga de una pareja concreta formada por una característica y una variable analizada, y su tarea consiste en calcular, a partir de ese único punto, todos los niveles de la pirámide temporal, empezando por el valor actual,
e incorporando gradualmente datos cada vez más antiguos del historial almacenado en la pila.
__kernel void AggregationByTime(__global const float* inputs, __global const float* stack, __global float* outputs, const int stack_size, const int levels ) { const size_t id = get_global_id(0); const size_t var = get_global_id(1); const size_t dimension = get_global_size(0); const size_t variables = get_global_size(1);
El algoritmo del kernel comienza por obtener los índices de la característica y de la variable correspondientes al hilo actual. Esto permite procesar de forma independiente cada corte temporal y cada variable. Las dimensiones de la cuadrícula las leemos mediante get_global_size, con lo que determinamos las dimensiones totales del espacio de tareas.
El primer paso consiste en leer el valor actual de la característica del array de entrada inputs. Antes de guardarlo, lo procesamos con la función IsNaNOrInf para eliminar posibles artefactos como NaN o el infinito. El valor obtenido se guarda en el array de salida outputs como nivel cero: es el estado más reciente del sistema y el punto de referencia para la posterior agregación piramidal.
const float val = IsNaNOrInf(inputs[RCtoFlat(var, id, variables, dimension, 0)], 0); outputs[RCtoFlat(var, id, variables, dimension, 0)] = val;
A continuación, se inicia el bucle que recorre los niveles. Cada nivel siguiente l abarca el doble de pasos temporales que el anterior: los bloques se estructuran según potencias de dos, 1, 2, 4, 8 y así sucesivamente. Antes de sumar una nueva aportación, reducimos el valor del resultado acumulado anterior dividiéndolo entre dos. Se trata de una estrategia deliberada de atenuación exponencial: de este modo, no volvemos a calcular todo el historial desde cero, sino que cada vez solo corregimos la agregación anterior teniendo en cuenta la nueva tanda de datos.
for(int l = 1; l < levels; l++) { int total = pow(2, l); int start = total - 1; val /= 2;
Para el nivel l, calculamos el tamaño del bloque como 2 elevado a l y el índice de desplazamiento respecto al inicio de la pila, que indica dónde empieza la lectura del bloque actual del historial. El bucle anidado recorre los elementos del bloque, pero antes de cada iteración comprobamos que no se rebase el límite indicado por stack_size. Esto es especialmente importante al inicio de la ejecución, cuando la profundidad de la pila aún puede ser insuficiente.
for(int s = 0; s < total; s++) { if(s + start >= stack_size) continue; val += IsNaNOrInf(stack[RCtoFlat(var, id, variables * levels, dimension, start + s)] / total, 0); } outputs[RCtoFlat(var, id, variables, dimension, l)] = IsNaNOrInf(val, 0); } }
Cada valor histórico también se procesa mediante IsNaNOrInf, a continuación se promedia dividiéndolo por el tamaño del bloque y se suma al valor val, que ya ha sido atenuado.
Una vez finalizado el procesamiento del bloque, guardamos el valor agregado obtenido en outputs, en la posición correspondiente al nivel actual l. De este modo, cada nivel representa una visión cada vez más generalizada de la dinámica del sistema, desde la reacción instantánea hasta la respuesta suavizada en escalas temporales más largas.
El bucle concluye y, al salir del kernel, obtenemos en el array de salida una pirámide temporal completamente formada para el par variable-característica en cuestión, lista para la posterior construcción de un mapa multidimensional de características o para su envío al módulo de análisis de correlación.
Hoy hemos recibido una gran cantidad de información nueva y es evidente que hay que darle tiempo para que se asiente. Hagamos una breve pausa para asimilar tranquilamente el material y verlo con una mirada nueva. En el próximo artículo continuaremos el trabajo con nuevas energías y una visión más clara del camino a seguir.
Conclusión
En este artículo nos hemos acercado mucho a la adaptación del framework RAFT, de sólidos fundamentos, al contexto financiero, y es precisamente aquí donde se pone de manifiesto su principal ventaja. A diferencia de los modelos tradicionales, que funcionan de forma estática y sin refinamiento iterativo, RAFT elabora una previsión como un proceso de aproximación continua a la trayectoria más fiable del mercado, basándose en una memoria correlacional multiescala. Esto permite no solo registrar la evolución del precio, sino también seguir su dinámica causal y sistémica, reaccionando al instante ante señales débiles antes de que se conviertan en una tendencia clara. Este enfoque abre el camino hacia sistemas de trading adaptativos de un nuevo nivel, capaces no de adivinar el comportamiento del mercado, sino de reducir metódicamente el espacio de probabilidades en torno a su trayectoria real.
Enlaces
Programas utilizados en el artículo
| # | Nombre | Tipo | Descripción |
|---|---|---|---|
| 1 | Study.mq5 | Asesor experto | Asesor experto para el entrenamiento offline de modelos |
| 2 | StudyOnline.mq5 | Asesor experto | Asesor experto para el entrenamiento online de modelos |
| 3 | Test.mq5 | Asesor experto | Asesor experto para probar el modelo |
| 4 | Trajectory.mqh | Biblioteca de clases | Estructura para describir el estado del sistema y la arquitectura de los modelos |
| 5 | NeuroNet.mqh | Biblioteca de clases | Biblioteca de clases para crear una red neuronal |
| 6 | NeuroNet.cl | Biblioteca | Biblioteca de código del programa OpenCL |
Traducción del ruso hecha por MetaQuotes Ltd.
Artículo original: https://www.mql5.com/ru/articles/20095
Advertencia: todos los derechos de estos materiales pertenecen a MetaQuotes Ltd. Queda totalmente prohibido el copiado total o parcial.
Este artículo ha sido escrito por un usuario del sitio web y refleja su punto de vista personal. MetaQuotes Ltd. no se responsabiliza de la exactitud de la información ofrecida, ni de las posibles consecuencias del uso de las soluciones, estrategias o recomendaciones descritas.