Redes neuronales en el trading: Agregación del movimiento en el tiempo (TMA)
Introducción
El mercado financiero se asemeja en muchos aspectos a un organismo vivo. Su vida late al ritmo de las operaciones, los picos de liquidez y los cambios de estado de ánimo. Su respiración es irregular: a veces se acelera bajo la presión de las noticias y los impulsos emocionales, y otras se detiene durante largos periodos de espera. Cada instante aquí está lleno de eventos, pero no todos tienen importancia. En el torrente de cambios minúsculos —oscilaciones microscópicas de los precios, variaciones en los volúmenes, cruces de órdenes— se pierde la forma y se difumina la estructura del movimiento. Los métodos tradicionales de análisis consideran este flujo como una secuencia de puntos en la que el tiempo es solo una coordenada. Pero, en realidad, es algo vivo: a veces se condensa, otras se dispersa, como la respiración del propio mercado.
Esta variabilidad es lo que hace que el tiempo financiero sea único. No discurre de forma uniforme, como en las series temporales clásicas. En los momentos de pánico o de frenesí, el mercado vive épocas enteras en cuestión de horas, mientras que en las fases tranquilas un día puede resultar vacío y sereno, como la superficie inmóvil del mar. Este ritmo irregular rompe con las concepciones habituales sobre la causalidad temporal. Los precios, los volúmenes y los spreads comienzan a interactuar en un espacio no lineal y asíncrono, en el que cada evento arrastra tras de sí toda una red de consecuencias. Precisamente aquí surge la principal tarea del análisis de mercado actual: más allá de registrar los cambios, captar la forma dinámica del movimiento y su arquitectura oculta.
Resulta curioso que un problema similar se lleve resolviendo desde hace tiempo en el ámbito de la visión artificial, especialmente en las investigaciones sobre cámaras de eventos. A diferencia de los sensores tradicionales, que captan fotogramas fijos, estas cámaras reaccionan ante los cambios de luminosidad, es decir, ante el movimiento, y no ante la imagen. Sus datos consisten en una secuencia de eventos discretos, cada uno de los cuales contiene una minúscula partícula de información sobre lo que está ocurriendo. Y cuanto más intenso sea el movimiento, más denso se volverá el flujo de eventos. El mercado financiero funciona de una forma sorprendentemente similar: las cotizaciones, las órdenes y la microestructura de la negociación son, en su conjunto, eventos que conforman un flujo continuo, aunque irregular, de cambios. Cada transacción es como un destello de luz en una cámara de eventos, una señal de que el sistema ha cambiado de estado.
En este ámbito paralelo surgió el framework TMA (Temporal Motion Aggregation), propuesto por Haotian Liu y sus coautores en el artículo "TMA: Temporal Motion Aggregation for Event-based Optical Flow". Este se creó para extraer el movimiento a partir de datos de eventos, pero sus principios resultaron ser universales, capaces de describir cualquier sistema dinámico en el que sea importante la secuencia temporal de los eventos. La esencia del enfoque TMA consiste en no considerar los eventos como puntos aislados y sin relación entre sí, sino en agruparlos en estructuras temporales coherentes, revelando así los patrones de movimiento ocultos bajo la superficie del caos. En este sentido, TMA puede considerarse una especie de puente entre la física del movimiento y las matemáticas del tiempo.
El algoritmo del framework TMA se basa en tres mecanismos interrelacionados.
- Estrategia de división de eventos: divide el flujo de eventos en segmentos temporales, del mismo modo que un analista divide el historial de operaciones en microperíodos de actividad. Cada segmento tiene su propio ritmo: impulsos breves que reflejan la dinámica local del mercado.
- Estrategia de muestreo lineal: realiza una alineación temporal, sincronizando los eventos que tienen lugar en distintos momentos. Esto se parece al proceso de normalización de datos financieros, en el que las señales de distintos activos o bolsas se ajustan a una escala temporal única, eliminando así el efecto de los retrasos y los desfases.
- El módulo de agregación de patrones de movimiento es el eslabón central en el que todos los fragmentos temporales se combinan para formar una imagen coherente del movimiento. Aquí el ruido se desvanece y las regularidades se hacen evidentes, como los contornos de una corriente bajo la superficie del agua.
Si se analiza el mercado desde la perspectiva de estas ideas, resulta evidente que el precio no es simplemente una magnitud, sino una trayectoria formada por multitud de microeventos. Cada variación en la cotización contiene información sobre el movimiento del capital, el desplazamiento del interés entre los participantes, las reacciones ante las noticias y la lucha entre la liquidez y el miedo. TMA ofrece una herramienta que permite reunir este flujo disperso en el tiempo en una única forma dinámica. Al dividir los eventos en capas temporales, alinearlos según su ritmo y dirección y, después, integrarlos en un movimiento coherente, se puede obtener lo que los economistas llamarían el verdadero impulso del mercado: una estructura en la que se manifiesta la voluntad colectiva.
Desde el punto de vista de la percepción, se trata de un paso de la lógica estática de las previsiones a la lógica dinámica de la comprensión. En los modelos tradicionales, el pasado y el futuro están vinculados de forma mecánica: la fórmula describe la relación, y eso es todo. En TMA, el tiempo se convierte en sí mismo en portador de significado. Cada nuevo evento no solo aporta información, sino que redefine el contexto de los anteriores. Tal como ocurre en el mercado, donde un nuevo repunte del volumen puede cambiar por completo la interpretación del movimiento de ayer. No se trata de una cadena lineal, sino de una actualización dinámica de las relaciones de causa y efecto, en la que el significado no se deriva de hechos aislados, sino de su coherencia a lo largo del tiempo.
Se podría decir que TMA encarna la filosofía de la coherencia temporal, en la que el movimiento no se describe, sino que se percibe como un todo. Esto es especialmente importante en el caso de los datos financieros. En este caso, las regularidades estables no se derivan de los valores medios, sino de patrones recurrentes de actividad. Del mismo modo que un operador experimentado percibe el mercado a través del ritmo del flujo de operaciones, el modelo TMA aprende a reconocer patrones recurrentes en el flujo temporal. No busca características estáticas: capta el movimiento.
Es precisamente esto lo que hace que el enfoque TMA sea tan prometedor para el análisis de series temporales financieras. No solo propone una nueva arquitectura de procesamiento de datos, sino también una nueva perspectiva sobre el propio concepto del tiempo. En él, el tiempo no es pasivo, sino activo; no es lineal, sino que tiene múltiples capas. Cada evento no es un punto, sino una onda, y la interacción de estas ondas conforma la dinámica real del mercado.
Si se analiza el flujo de cotizaciones desde esta perspectiva, se puede observar cómo se forman las tendencias a nivel micro. Cómo los impulsos de actividad se combinan para formar ondas de movimiento y cómo el ruido de las operaciones se transforma en un ritmo con sentido. TMA permite hacer visible este ritmo y convertir la respiración irregular del mercado en un modelo capaz de predecir la dirección y la intensidad de su próxima inhalación.
El algoritmo TMA
En los problemas clásicos de flujo óptico, el objetivo consiste en determinar un campo denso de desplazamientos u: ℝ² → ℝ², que asigne a cada punto (x, y) en el instante t₀ su nueva posición (x′, y′) en el instante t₁. Al trasladar esta idea al ámbito financiero, se puede decir que la tarea de analizar el flujo de datos se reduce a determinar el vector de movimiento del mercado: una función que transforma un estado del precio, del volumen o de la volatilidad en un nuevo estado tras un intervalo de tiempo determinado.
Los modelos tradicionales intentan resolver este problema calculando la correlación de valores entre dos marcos temporales, que son, en cierto modo, fotogramas de la actividad del mercado. Estos evalúan el grado de coincidencia entre los patrones en distintos momentos para determinar la dirección y la velocidad de los cambios. Sin embargo, con este esquema surgen inevitablemente limitaciones relacionadas con la naturaleza de los datos de mercado. Son discretos, asíncronos y presentan una baja densidad espacial. El flujo financiero no presenta una intensidad explícita, sino únicamente una sucesión de operaciones, cotizaciones y órdenes. Por ello, al intentar establecer una estructura de correlación, se obtienen zonas de coincidencia inestables y límites difusos de los movimientos. Esto da lugar a características menos informativas y a estimaciones inexactas de la dirección del flujo de capital.
El framework TMA resuelve este problema de otra manera. En lugar de comprimir los datos en fotogramas y buscar coincidencias en cortes estáticos, aprovecha la continuidad temporal del flujo de eventos. Los datos financieros, al igual que los eventos del modelo visual, presentan una estructura temporal muy rica. Cada variación en la cotización está relacionada con multitud de microeventos: la aparición de órdenes, el aumento del volumen o la variación del spread. Esta estructura secuencial y detallada aporta mucha más información sobre la dinámica real del mercado que las características espaciales promediadas. Gracias a este nivel de detalle temporal, TMA reconstruye un contexto continuo del movimiento, lo que permite obtener estimaciones más precisas y expresivas de la dirección y la velocidad de los cambios.
Para conservar la estructura temporal y facilitar la extracción de características, el flujo de eventos E se transforma en una representación tridimensional temporal V(x, y, t). En su formulación original, TMA realiza una discretización a lo largo del eje temporal, dividiendo el flujo en intervalos consecutivos y situando los eventos en una representación multidimensional. En el contexto financiero, esto equivale a dividir el flujo del mercado en microcapas temporales, en las que cada variación de los parámetros (precio, volumen o volatilidad) se registra como un elemento de una matriz multidimensional.
Cada evento eₖ = (xₖ, pₖ, tₖ) puede considerarse como una tríada: la localización (xₖ, yₖ), la marca temporal tₖ y el signo de variación pₖ = ±1, que refleja la dirección del movimiento (subida o bajada). A diferencia de los marcos temporales fijos, este formato permite trabajar con flujos asíncronos sin perder la secuencia de los eventos del mercado.
Para construir el volumen V(x, y, t) se utiliza un escalado temporal y una interpolación bilineal, lo que ayuda a suavizar los límites entre capas temporales adyacentes. Si se denota la duración de la ventana temporal por B y el número de eventos por Nₑ, el volumen se calcula como la suma ponderada de todos los eventos, teniendo en cuenta su proximidad temporal y espacial.
En otras palabras, TMA no analiza cada transacción o variación de precio de forma aislada. Crea una representación tridimensional continua de la evolución del mercado, en la que los ejes reflejan el precio, el tiempo y la dirección de la actividad. Se trata de una especie de "cubo temporal de liquidez", en cuyo interior se puede observar cómo se forman las tendencias, desde los primeros impulsos de la demanda hasta el inicio de una tendencia estable.
El framework TMA se basa en principios arquitectónicos heredados de RAFT, aunque ha sido profundamente rediseñado para adaptarse al tratamiento de flujos de eventos. Su arquitectura se basa en tres mecanismos clave:
- estrategia de división de eventos (event splitting strategy),
- alineación temporal lineal (linear lookup strategy)
- módulo de agregación de patrones de movimiento (motion pattern aggregation module).
Si trasladamos esta idea al ámbito financiero, el TMA puede concebirse como un sistema que analiza el flujo de eventos del mercado (operaciones, órdenes, picos de liquidez) y lo transforma en un mapa de movimientos coordinados de capital. A diferencia de los modelos tradicionales, que consideran los datos como una secuencia de fotogramas fijos (por ejemplo, velas o barras temporales), TMA percibe el mercado como un vídeo continuo con una alta frecuencia de fotogramas, en el que cada tick refleja el movimiento de los participantes y cada microseñal indica la dirección del flujo de liquidez.
El primer componente, "Event Splitting Strategy", actúa como un segmentador inteligente. En lugar de condensar el flujo de cotizaciones en marcos temporales promediados, lo divide en varios intervalos temporales superpuestos, formando una serie de representaciones intermedias. Esta división permite conservar la rica dinámica intermedia: los matices más sutiles del movimiento, que a menudo se pierden con la agregación estándar. El flujo de datos E, que abarca el intervalo comprendido entre t₀ y t₁, se divide en g segmentos iguales con un paso Δt, a los que se añade un fragmento de referencia adicional del intervalo (t₀ – Δt, t₀). De esta manera, se forma una secuencia de g+1 cortes temporales, cada uno de los cuales refleja su propio ritmo de mercado.
A continuación, cada uno de estos cortes pasa por un codificador común (análogo a un analizador de la estructura del mercado), que extrae de él representaciones vectoriales — Fi ∈ ℝᴴ×ᵂ×ᶜ, donde H y W definen la malla espacial de las características, y C, la profundidad de su espacio de características. En el contexto financiero, esto puede interpretarse como la transformación de microeventos en un campo multidimensional de características de mercado: una especie de mapa de actividad que refleja las fluctuaciones locales y globales del interés de los participantes.
En la siguiente etapa, a partir de todas estas representaciones se forman las correlaciones temporales Ci, que miden el grado de similitud entre los estados iniciales y los posteriores del flujo.

donde:
- F₀ — características del primer segmento temporal (estado de referencia del mercado)
- Fᵢ — características del segmento correspondiente en el instante tᵢ
Este mecanismo permite calcular no solo la dependencia general entre los fotogramas, sino también un campo de correlaciones temporalmente denso que refleja cómo varían exactamente las estructuras locales del mercado a lo largo del tiempo.
Por establecer una analogía, sería como si el analista no se limitara a comparar las velas diarias, sino que observara cada movimiento dentro de ellas: las microoscilaciones en el interés, cómo se forma el impulso y cómo se desplaza de una zona de precios a otra. Estos coeficientes de correlación temporal tan densos permiten detectar incluso los cambios más sutiles en las estructuras del mercado, identificando el inicio de una tendencia incluso antes de que se haya consolidado en los indicadores clásicos.
La principal diferencia entre el TMA y los enfoques tradicionales radica precisamente en la densidad temporal del análisis. Mientras que los métodos clásicos se limitan a un único par temporal fijo (estado inicial y estado final), el TMA analiza toda una serie de fragmentos temporales interrelacionados. Esto permite seguir la evolución continua del movimiento y tener en cuenta no solo la dirección, sino también la forma en que cambia.
En el contexto financiero, esto abre el camino para modelar la estructura temporal del impulso, es decir, para comprender cómo se propaga la energía del mercado a lo largo de una secuencia de eventos. Al dividir el flujo en microsegmentos y compararlos con una alta densidad temporal, el TMA construye, de hecho, un mapa dinámico del movimiento del capital, en el que cada evento y cada operación se convierten en un elemento de un complejo entramado temporal del que surge la tendencia general.
Este enfoque permite evitar una visión simplista del mercado como un conjunto de barras independientes. En cambio, revela la profundidad de la interacción temporal, en la que el pasado y el futuro se entrelazan en un proceso continuo de generación de movimiento. Gracias a esto, el framework TMA es capaz no solo de predecir la dirección, sino también de comprender la lógica del flujo del mercado, identificando las conexiones ocultas entre los instantes y transformándolas en un campo dinámico coherente.
La siguiente etapa —la estrategia de muestreo lineal (Linear Lookup Strategy)— consiste en un método para reducir todos los procesos dinámicos registrados en el flujo de eventos a un denominador común en la escala temporal.

Desde el punto de vista matemático, el muestreo lineal se basa en la hipótesis de que, dentro de una ventana temporal breve, los cambios en el movimiento se producen de forma lineal; en otras palabras, entre dos cortes temporales adyacentes, la trayectoria varía de manera uniforme. Esto permite dividir el vector de desplazamiento global (u) en intervalos iguales y realizar un muestreo de datos en los puntos intermedios correspondientes a esos pasos temporales. De esta manera, cada mapa de correlación adquiere una referencia temporal estrictamente definida, lo que garantiza la sincronización en la agregación posterior.
Si lo analizamos en el contexto de los mercados financieros, el muestreo lineal funciona como un algoritmo de normalización de las señales del mercado. En la práctica, los distintos activos, e incluso los distintos tramos temporales de un mismo activo, pueden mostrar un comportamiento asincrónico: las fases de crecimiento y corrección se desplazan entre sí, y la reacción ante los eventos externos se produce con retraso. La estrategia de muestreo lineal en TMA actúa como una herramienta para la alineación de estas desviaciones; aúna los movimientos que tienen lugar en distintos momentos, lo que permite analizarlos en una escala temporal común. Esto se asemeja al proceso de alineación de las series de precios en función de la volatilidad o a su adaptación a un mismo marco temporal, lo que permite realizar comparaciones e interpretaciones más precisas.
Desde un punto de vista técnico, el muestreo lineal cumple la función de realizar la alineación temporal de los mapas de correlación, es decir, estructuras que contienen información sobre las relaciones entre características de diferentes capas temporales. Cada uno de estos volúmenes registra inicialmente el movimiento a su propio ritmo, del mismo modo que cada instrumento financiero tiene su propio ritmo de variación de precios. El objetivo del muestreo es transformar estos datos dispersos en un todo coherente, en el que cada elemento refleje un mismo instante de la dinámica. Como resultado, el movimiento de los objetos se hace visible en el tiempo, y no solo en el espacio.
En sentido figurado, el muestreo lineal es un director que pone orden en la orquesta de señales temporales. Sin él, cada grupo de instrumentos —una capa de correlación independiente— tocaría a su propio ritmo, generando ruido en lugar de armonía. Sin embargo, tras la alineación, todos los elementos se mueven de forma sincronizada, y el modelo puede identificar patrones estables que se repiten en distintos intervalos de tiempo. Es precisamente esta propiedad la que hace que el TMA sea especialmente sensible a las estructuras de movimiento complejas y sutiles, ya se trate de las trayectorias de los objetos en el espacio o de los micropatrones de variación de las cotizaciones.
El módulo de agregación de patrones de movimiento (Motion Pattern Aggregation Module) es el elemento final y, quizás, el más elegante de la arquitectura TMA. Su objetivo es integrar las características temporales del movimiento obtenidas anteriormente en una representación única y coherente, en la que cada capa temporal no se limite a añadir datos, sino que contribuya de forma significativa al panorama general de la dinámica. A primera vista, todo es simple: combinar las características y actualizar la estimación del flujo. Pero, en realidad, aquí se esconde un delicado equilibrio, tanto entre las distintas fases del movimiento en física como entre el ruido y la señal en el análisis financiero.

En las arquitecturas tradicionales, estas características suelen concatenarse, es decir, apilarse, para que el modelo pueda generalizar toda la información acumulada. Sin embargo, este método trata todas las características por igual, como si fuera un mercado que no distingue entre el repunte matutino de la actividad y el descenso vespertino. Las capas intermedias, que siempre son más numerosas, empiezan a predominar, y su peso estadístico puede sesgar la decisión final. El problema es que estas características intermedias se generaron a partir de supuestos lineales y desplazamientos manuales, por lo que su precisión es limitada.
Los autores del framework TMA abordaron esta cuestión con elegancia ingenieril e implementaron un mecanismo de atención cruzada (cross-attention) que permite ponderar el movimiento no de manera uniforme, sino según su grado de concordancia con el estado temporal más reciente y más fiable. La última característica (MFg) actúa aquí como patrón y punto de referencia, al igual que el cierre de la jornada bursátil, que resume todas las fluctuaciones anteriores y refleja la dinámica final del mercado.
Cada capa intermedia (MFi) se compara con esta representación final mediante un mecanismo de atención, en el que se calculan las similitudes cruzadas. De este modo, el TMA identifica precisamente aquellos patrones de movimiento que se ajustan a la última etapa, aquellos que han resistido la evolución del proceso y han sido confirmados por el tiempo. En términos de trading, esto se puede comparar con el filtrado de ruido: se comprueba la estabilidad de numerosas señales a corto plazo con respecto a una tendencia a más largo plazo. Solo se refuerzan aquellos patrones que mantienen la dirección y el ritmo en consonancia con el movimiento final, mientras que las oscilaciones aleatorias se atenúan.
Técnicamente, este proceso se lleva a cabo mediante una serie de bloques de atención cruzada y transformaciones no lineales posteriores (MLP), que refinan y normalizan las características sin alterar su dimensionalidad. Esa compacidad es importante: permite aumentar la profundidad sin sobrecargar el modelo, del mismo modo que un analista puede ir refinando progresivamente una previsión sin aumentar el número de indicadores iniciales. Como resultado, cada característica actualizada (MFi) deja de ser un simple corte más de la serie temporal para convertirse en portadora de regularidades coherentes y confirmadas.
En términos figurados, el módulo de agregación de patrones de movimiento actúa como un sintetizador que transforma la polifonía de las capas temporales en una única melodía. Escucha el pasado, compara el presente y crea una armonía general en la que cada nota tiene su importancia. En el análisis financiero, este enfoque es similar a la integración de señales de distintos horizontes temporales —minutos, horas, días— dando prioridad a aquellas que se mantienen estables al pasar a marcos temporales de mayor alcance. Es precisamente esta coherencia entre distintas escalas temporales la que garantiza la fiabilidad de las previsiones.
El TMA integra sus tres componentes clave —la segmentación de eventos, el muestreo lineal en el tiempo y la agregación de patrones coherentes— en un único flujo de cálculo. En conjunto, forman un framework que no se limita a calcular el flujo óptico, sino que extrae la estructura interna del movimiento aprovechando la riqueza de la información temporal. En esencia, el modelo aprende a pensar en términos temporales. No se basa en datos estáticos, sino que comprende la dinámica, del mismo modo que un operador experimentado percibe el pulso del mercado y no se limita a ver las cotizaciones en la pantalla.
Esta arquitectura demuestra que, si se plantea correctamente el problema, la continuidad temporal no es un obstáculo, sino una fuente de información adicional. Además, permite alcanzar una alta precisión incluso en las primeras fases de la predicción, cuando la mayoría de los modelos aún requieren largos procesos de ajuste. En el contexto financiero, esto equivale a realizar una previsión fiable ya a partir de los primeros impulsos del movimiento del precio, sin esperar la confirmación de los indicadores.
A continuación se muestra una visualización del framework TMA realizada por el autor.

Implementación en MQL5
Tras analizar los fundamentos teóricos del framework TMA, es lógico pasar a la parte práctica, donde se puede comprobar la eficacia con la que funcionan los conceptos descritos en condiciones reales. Ahora analizaremos una de las opciones para implementar las ideas propuestas mediante MQL5, basándonos en la experiencia ya adquirida en la integración de arquitecturas profundas en la infraestructura de negociación.
Tal y como señalan los autores del framework, el TMA se basa en la arquitectura RAFT, una arquitectura contrastada y que ha demostrado su eficacia en la resolución de problemas relacionados con el flujo óptico. Para nosotros, esto supone una ventaja considerable. Ya hemos tenido ocasión no solo de familiarizarnos a fondo con este framework, sino también de implementarlo en nuestra propia biblioteca. Gracias a ello, las condiciones iniciales del proyecto parecen muy favorables: no necesitamos diseñar el modelo desde cero, basta con adaptar el código existente a las características específicas del procesamiento temporal propuesto en TMA.
Este enfoque se puede comparar con el uso de unos cimientos ya construidos para levantar un nuevo edificio. La base es sólida y las instalaciones ya están dispuestas, por lo que podemos centrar toda nuestra atención en la superestructura: en esos mecanismos únicos que distinguen al TMA, como la segmentación del flujo de eventos, el muestreo temporal lineal y la agregación cruzada de patrones de movimiento. En esencia, nuestra tarea ahora no es recrear la arquitectura, sino infundirle la dinámica del tiempo. Esa misma sensibilidad temporal que convierte al TMA en una herramienta de análisis tan expresiva.
Sin embargo, en el proceso de adaptación de los enfoques de TMA al entorno de MQL5 nos esperan numerosos escollos, tanto conceptuales como puramente técnicos. Y esto queda claro desde el principio. Los autores del framework original TMA proponen segmentar el flujo temporal en bloques no superpuestos de igual duración. A primera vista, no parece una tarea complicada, sobre todo si se dispone de una ventana temporal fija con un número de elementos conocido de antemano. En nuestra práctica, ya hemos aplicado en más de una ocasión técnicas similares al analizar datos históricos.
Pero en este caso, la situación es algo distinta. El modelo creado durante el estudio del framework RAFT está organizado según un principio recurrente. Esto significa que, en cada momento, solo recibe una instantánea del estado actual del mercado —un fotograma instantáneo de la evolución del precio—, y no una larga secuencia de valores. Este enfoque permite reducir considerablemente la carga computacional. Cada fotograma se procesa solo una vez, lo que hace que el modelo sea estable y eficiente. Pero esta simplicidad tiene también su lado negativo: una capacidad limitada para segmentar a lo largo del eje temporal.
En el TMA clásico, el análisis se basa en una percepción integral del volumen temporal, en la que cada bloque de eventos está relacionado con el anterior y el siguiente a través de una estructura de patrones temporales. En nuestro esquema recurrente, esta relación se ve atenuada. El modelo no concibe el mercado como un flujo, sino como una sucesión de fotogramas. Por este motivo, la integración de los principios de TMA requiere un enfoque especial: hay que enseñar al modelo a percibir la profundidad temporal sin que ello afecte a su ligereza y rapidez de funcionamiento.
En otras palabras, nos enfrentamos a una tarea nada sencilla: unir dos mundos. El mundo de RAFT, donde la información fluye de forma secuencial, como un río, y el mundo de TMA, donde el tiempo se considera un volumen estructurado, similar a un cristal. Debemos encontrar la forma de combinar estas perspectivas para que el flujo del mercado no solo se registre, sino que también se interprete de manera significativa.
Para empezar, veamos para qué sirven estos segmentos y cómo se utilizan en la estructura de TMA. Los autores del framework proponen dividir el flujo temporal, pero no por una cuestión de comodidad en el procesamiento. Cada segmento es aquí un fotograma independiente de la dinámica del mercado, en cuyo interior se pueden analizar las interrelaciones y las regularidades entre las características que determinan el comportamiento de los precios.
Para cada uno de estos bloques se elabora un mapa de correlaciones propio, una especie de retrato de las interacciones durante un intervalo de tiempo determinado. En él se refleja cómo varían las relaciones entre las características locales, en qué medida se mueven de forma coordinada las distintas zonas del campo de precios y dónde se produce la inercia temporal del mercado. En esencia, cada segmento se convierte en un pequeño experimento en el que el modelo evalúa la naturaleza del movimiento actual y su lógica interna.
No obstante, en los mercados financieros, el tiempo no se presta a una división estricta. La evolución del precio es un proceso continuo sin límites claros, en el que cada instante se funde suavemente con el siguiente. Cualquier división artificial conduce inevitablemente a la pérdida de las fases de transición, los impulsos y las microtendencias: ese mismo "aliento" del mercado que a menudo determina un cambio de tendencia o una aceleración del movimiento.
Hemos decidido prescindir de una discretización rígida y proponer otra vía: permitir que el modelo se mueva al ritmo del flujo. Nuestra solución se basa en una arquitectura recurrente, desarrollada anteriormente durante la implementación del framework RAFT. Esta permite percibir la serie temporal no como un conjunto de instantáneas aisladas, sino como una historia continua. Cada nuevo fotograma no es solo un dato, sino una continuación natural del estado anterior. Lo colocamos en una pila recurrente, donde se almacenan varios de los últimos estados: una ventana de observación a través de la cual el modelo observa el mercado.
Esta ventana se desliza por la línea temporal, como el objetivo de una cámara, siempre enfocado en el presente, pero sin perder por ello la profundidad del contexto. En cada paso se calculan las correlaciones entre los elementos de la ventana, lo que da lugar a una descripción multicapa del movimiento actual. Sin embargo, el modelo no vuelve a calcularlo todo desde cero: cada fotograma se procesa solo una vez, y todas las actualizaciones posteriores se realizan de forma incremental, es decir, solo en aquellos lugares en los que han aparecido nuevos datos. Los estados antiguos van saliendo poco a poco de la pila, dejando espacio para los nuevos, pero su influencia persiste en las estructuras de correlación acumuladas.
Este enfoque permite trabajar de forma natural con segmentos que se solapan sin costes computacionales innecesarios. Creamos un sistema dinámico en el que los solapamientos no se modelan de forma artificial, sino que surgen de manera orgánica gracias a la memoria recurrente. Los mapas de correlación se convierten en una especie de pulso del mercado: reaccionan ante las más mínimas fluctuaciones, registran los micromovimientos y mantienen la estabilidad del panorama general.
Se podría decir que el modelo empieza a pensar como un analista experimentado: no percibe el mercado como una sucesión de barras aisladas, sino que ve en él un flujo continuo de capital. Cada nuevo tick complementa, en lugar de sustituir, la observación anterior, formando así un panorama dinámico y completo.
En el marco de la implementación práctica del enfoque propuesto, creamos un nuevo componente —CNeuronMultScalStackCorrelBySegments—, que se convierte en el elemento central de la adaptación de las ideas de TMA a la arquitectura recurrente. Su objetivo consiste en combinar la correlación multiescala con el mecanismo de segmentación, conservando al mismo tiempo la continuidad del flujo temporal. En pocas palabras, se trata de un nodo en el que la dinámica del mercado se descompone en segmentos temporales que se solapan y, acto seguido, se vuelve a sintetizar en forma de una representación enriquecida del movimiento.
class CNeuronMultScalStackCorrelBySegments : public CNeuronAddToStack { protected: CNeuronMultiScaleStackCorrelation cCorrelation; //--- virtual bool feedForward(CNeuronBaseOCL *NeuronOCL) override; virtual bool calcInputGradients(CNeuronBaseOCL *NeuronOCL) override; public: CNeuronMultScalStackCorrelBySegments(void) {}; ~CNeuronMultScalStackCorrelBySegments(void) {}; //--- virtual bool Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl, uint segments, uint segment_size, uint dimension, uint variables, uint levels, ENUM_OPTIMIZATION optimization_type, uint batch); //--- virtual int Type(void) override const { return defNeuronMultScalStackCorrelBySegments; } //--- methods for working with files virtual bool Save(int const file_handle) override; virtual bool Load(int const file_handle) override; //--- virtual void SetOpenCL(COpenCLMy *obj) override; //--- virtual void SetActivationFunction(ENUM_ACTIVATION value) override; virtual bool Clear(void) override; //--- virtual uint GetLevels(void) const { return cCorrelation.GetLevels(); } virtual uint SetSegmentSize(void) const { return cCorrelation.GetStackSize(); } };
Esta clase hereda la funcionalidad básica de CNeuronAddToStack, lo cual le permite integrarse de forma natural en la jerarquía ya existente de módulos neuronales y utilizar la lógica de pila implementada anteriormente. En su interior se declara un objeto CNeuronMultiScaleStackCorrelation, encargado de las correlaciones multiescala dentro del segmento actual. Precisamente este objeto constituye la base de los cálculos, al comparar las relaciones entre los estados sucesivos y crear ese tejido temporal del movimiento sobre el que se asienta la predicción posterior.
La inicialización de la clase se realiza mediante el método Init, en el que se especifican los parámetros clave: el número de segmentos, su tamaño, la dimensión del espacio de características, el número de variables, el número de niveles de escalado y el tipo de optimización. Desempeña la función de constructor del entorno en el que funcionará la neurona y, al mismo tiempo, establece las reglas para el procesamiento de las estructuras temporales.
bool CNeuronMultScalStackCorrelBySegments::Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl, uint segments, uint segment_size, uint dimension, uint variables, uint levels, ENUM_OPTIMIZATION optimization_type, uint batch) { if(!CNeuronAddToStack::Init(numOutputs, myIndex, open_cl, segments, segment_size * levels, variables, optimization_type, batch)) return false; if(!cCorrelation.Init(0, 0, OpenCL, segment_size, dimension, variables, levels, optimization, iBatch)) return false; SetActivationFunction(None); //--- return true; }
El primer paso consiste en llamar al método homónimo de la clase padre, que crea una pila para almacenar datos sobre correlaciones dentro de un número determinado de segmentos. Este enfoque permite a la neurona analizar no solo las fluctuaciones a corto plazo, sino también tener en cuenta horizontes temporales más amplios. En el contexto de los datos financieros, esto es especialmente importante: y es que la evolución de los precios no es un impulso puntual, sino el resultado de una compleja interacción entre señales de diferente naturaleza temporal.
A continuación, se inicializa el objeto cCorrelation, encargado de calcular las correlaciones entre las características analizadas dentro del segmento. Como resultado, se crea una estructura interna en la que cada nivel se procesa de forma independiente, pero todos los resultados se acumulan en un único campo de correlación. De hecho, se crea una especie de mapa de memoria en el que se reflejan las relaciones entre los distintos segmentos de la serie temporal. Esto permite que el modelo perciba el mercado no como un conjunto de fotogramas inconexos, sino como un sistema vivo en el que el pasado y el presente interactúan de forma continua.
La desactivación de la función de activación merece especial atención. Esto se ha hecho a propósito: en esta fase, es importante para nosotros obtener una imagen clara y matemáticamente precisa de las correlaciones, sin que se vea distorsionada por transformaciones no lineales. Las funciones de activación se aplicarán más adelante, cuando el modelo ya no solo deba medir las relaciones, sino también extraer patrones de ellas.
De esta forma, el método Init establece no solo los parámetros técnicos, sino también los fundamentos conceptuales de un nuevo enfoque para el procesamiento de series temporales. Gracias a él, el framework es capaz de analizar el mercado simultáneamente en varias escalas temporales, sin dejar de ser eficiente en cuanto al consumo de recursos informáticos. Precisamente esta característica abre el camino hacia el desarrollo de estrategias de trading más flexibles, adaptables y predecibles.
El algoritmo de propagación directa, en nuestra implementación, se convierte en el elemento central que vincula el procesamiento correlacional dinámico con el mecanismo recurrente de acumulación de información. En el método feedForward, en realidad combinamos dos lógicas: el análisis de las relaciones locales dentro de un segmento temporal y la generación secuencial de un flujo continuo de datos que reflejan el pulso del mercado.
bool CNeuronMultScalStackCorrelBySegments::feedForward(CNeuronBaseOCL *NeuronOCL) { if(!cCorrelation.FeedForward(NeuronOCL)) return false; if(!CNeuronAddToStack::feedForward(cCorrelation.AsObject())) return false; //--- return true; }
En la primera etapa se invoca el método homónimo del objeto interno cCorrelation, que inicia el cálculo de las correlaciones entre las características del estado actual y los datos acumulados dentro del segmento. Aquí se genera un mapa de correlación: una especie de instantánea de la estructura interna del mercado durante un intervalo de tiempo determinado. Identifica qué relaciones predominan, dónde se intensifica la sincronía de los movimientos y dónde comienzan a divergir las tendencias. Se trata de una radiografía del estado local instantánea, que permite al modelo captar la naturaleza de la interacción de las fuerzas en ese momento.
A continuación, los resultados obtenidos se almacenan en una pila recurrente, que actúa como memoria del modelo. En ella se guardan varios de los mapas de correlación más recientes. En cada nuevo paso, la pila se actualiza: se añade información nueva y los datos antiguos se van sustituyendo poco a poco. De este modo se consigue el efecto de segmentos solapados: cada nuevo estado tiene en cuenta el anterior, formando así un continuo temporal fluido sin necesidad de recalcular todo el conjunto de datos.
Este mecanismo aporta flexibilidad y adaptabilidad al modelo. Ya no concibe el mercado como un conjunto de fotogramas independientes, sino que lo ve como un proceso continuo. Cada momento influye en el siguiente. Esto permite seguir no solo las correlaciones locales, sino también su dinámica: cómo las relaciones entre las características se intensifican, se debilitan o cambian de dirección a medida que evoluciona el precio.
En el contexto de los datos financieros, este tipo de arquitectura resulta especialmente valiosa. Y es que el mercado rara vez se mueve en línea recta; lo más habitual es que oscile, volviendo a niveles ya alcanzados y formando poco a poco nuevos patrones de comportamiento. El método feedForward se convierte en el mecanismo que permite a nuestro modelo percibir estas oscilaciones sin perder la inercia histórica. Permite analizar no solo el estado instantáneo, sino también su evolución; es decir, cómo el mercado recuerda su propio pasado y construye su movimiento actual sobre esa memoria.
Precisamente ahí radica la diferencia entre el enfoque propuesto y la implementación clásica de TMA. No recalculamos todo el flujo, sino que avanzamos a través de él, paso a paso, conservando el contexto y evitando cálculos superfluos.
En general, la clase CNeuronMultScalStackCorrelBySegments supone una nueva etapa en el desarrollo de la arquitectura: la transición del procesamiento estático a la percepción dinámica del mercado. Permite construir una cadena de relaciones temporales, al tiempo que se mantiene la eficiencia computacional y se adapta la metodología TMA a las particularidades del enfoque recurrente. El código completo de esta clase y de todos sus métodos se incluye en el archivo adjunto.
Conclusión
Apenas hemos dado el primer paso en un gran proyecto: la adaptación del framework TMA para resolver problemas de los mercados financieros mediante MQL5. Hoy hemos conocido sus fundamentos teóricos y hemos comenzado a poner en práctica las ideas planteadas por los autores. Y cuanto más nos adentramos en la arquitectura de TMA, más claro queda que no se trata simplemente de otra opción más para el procesamiento de datos temporales, sino de todo un concepto capaz de transformar el enfoque del análisis de los mercados financieros.
La principal fortaleza de TMA radica en su capacidad para extraer información no de fotogramas aislados, sino del propio transcurso del tiempo. Considera el movimiento como un proceso continuo, en el que cada pequeño detalle lleva consigo la huella del pasado y la sombra del futuro. Este enfoque resulta especialmente valioso en el ámbito financiero, donde el contexto y la secuencia de los eventos suelen ser más importantes que las cifras por sí solas.
En nuestra implementación, basada en el procesamiento recurrente, hemos logrado mantener la eficiencia computacional y, al mismo tiempo, dotar al modelo de un sentido de la historia: la capacidad de tener en cuenta segmentos solapados sin costes innecesarios. De hecho, TMA, en combinación con MQL5, adquiere los rasgos de un observador vivo del mercado, capaz de detectar patrones incluso allí donde los métodos tradicionales solo ven ruido.
Enlaces
Programas utilizados en el artículo
| # | Nombre | Tipo | Descripción |
|---|---|---|---|
| 1 | Study.mq5 | Asesor experto | Asesor de entrenamiento offline de modelos |
| 2 | StudyOnline.mq5 | Asesor experto | Asesor de entrenamiento en línea 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/20189
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.