Artículos sobre aprendizaje automático en el trading

El artículo muestra cómo encapsular una neurona en MQL5 mediante la clase C_Neuron, con pesos, sesgo y un número de entradas definido por un parámetro. Detallamos el cálculo del costo por mínimos cuadrados y la disposición de los datos de entrenamiento en arrays. Así resulta sencillo cambiar las entradas y repetir experimentos sin modificar la implementación.

En este artículo intentaré mostrarte, mi querido lector, que no todo es como parece. Muchas veces tendemos a pensar que las cosas son de una determinada manera cuando, en realidad, podemos acabar creyendo algo que no necesariamente es cierto. Las redes neuronales son, con diferencia, uno de los temas más interesantes en términos generales. Tanto desde el punto de vista matemático como electrónico o incluso del software. A diferencia de lo que muchos creen o afirman, las redes neuronales no son, ni mucho menos, el problema ni la solución definitiva. Son solo una rama de investigación en la que debemos seguir estudiando e informándonos sobre lo que ocurre entre bastidores.

El artículo explica por qué y cómo se utiliza el gradiente durante el entrenamiento de un perceptrón, partiendo del error cuadrático mínimo y de la regla de la cadena para obtener las derivadas parciales. Mostramos la implementación del cálculo del gradiente en la clase C_Neuron en MQL5 y lo validamos con ejemplos de 1 y 2 entradas. Aprenderás a ajustar los pesos y el sesgo mediante descenso de gradiente y a prepararte para la propagación hacia adelante y la retropropagación.

Implementamos en MQL5 una neurona entrenada mediante descenso de gradiente estocástico y comparamos su función de costo con la regresión lineal. Mostramos, mediante código y gráficos, cómo la normalización, la elección de la tasa de aprendizaje y la estructura del problema afectan a la convergencia. El artículo ofrece una guía para depurar el entrenamiento, interpretar el comportamiento del error y seleccionar la arquitectura o la función de activación adecuada.

Construimos, íntegramente en MQL5, un indicador para representar en el gráfico una función de activación y su derivada, tomando la ReLU como ejemplo. Explicamos el impacto de las derivadas en la elección de la activación y las precauciones necesarias en los puntos no diferenciables. El lector puede visualizar las curvas de forma interactiva y obtiene una base práctica para decidir cuándo utilizar o no determinadas funciones de activación.

El artículo ofrece un análisis detallado de la integración de los enfoques del framework ST-Expert en la arquitectura Extralonger, lo que permite analizar simultáneamente las representaciones vectoriales temporales y espaciales de los datos. Se presentan los resultados de las pruebas realizadas con datos históricos reales, que demuestran la eficacia del modelo y su robustez frente a las anomalías del mercado. El artículo describe la estructura modular del framework, que garantiza la reproducibilidad, la flexibilidad para la investigación y la capacidad de optimizar los componentes por etapas.

Construimos, íntegramente en MQL5, un indicador para representar en el gráfico una función de activación y su derivada, tomando la ReLU como ejemplo. Explicamos el impacto de las derivadas en la elección de la activación y las precauciones necesarias en los puntos no diferenciables. El lector puede visualizar las curvas de forma interactiva y obtiene una base práctica para decidir cuándo utilizar o no determinadas funciones de activación.

El aprendizaje automático suele abordarse desde el punto de vista de la estadística o del álgebra lineal, pero, en este artículo, haremos hincapié en una perspectiva geométrica de las predicciones de los modelos. Así, demostraremos que los modelos no se aproximan realmente a la variable objetivo, sino que la representan en un nuevo sistema de coordenadas, lo que genera una desalineación inherente que da lugar a un error irreducible. El artículo sostiene que las predicciones a varios pasos, en las que se comparan las previsiones del modelo en distintos horizontes temporales, constituyen un enfoque más eficaz que las comparaciones directas con la variable objetivo. Aplicando este método a un modelo de negociación, el artículo demuestra que se consiguen mejoras significativas en la rentabilidad y la precisión sin modificar el modelo subyacente.

En este artículo, analizaremos un modelo de regresión basado en un perceptrón multicapa (MLP) que predice no solo la esperanza condicional, sino también la varianza condicional. En otras palabras, entrenaremos nuestra red para que prediga la distribución completa de los precios futuros basándose en el vector de características de entrada. Pero para ello tendremos que implementar nuestra propia función de pérdida.

En este artículo, analizaremos un paso clave en la preparación de datos para el aprendizaje automático que está cobrando cada vez más importancia: los pipelines de preprocesamiento de datos. En esencia, supone una secuencia optimizada de pasos de transformación de datos que preparan los datos brutos antes de introducirlos en un modelo. Por muy poco interesante que pueda parecer a primera vista para quienes no estén familiarizados con el tema, esta «estandarización de datos» no solo ahorra tiempo de entrenamiento y costos de ejecución, sino que contribuye en gran medida a garantizar una mejor generalización. En este artículo nos centraremos en algunas funciones de preprocesamiento de SCIKIT-LEARN y, aunque no vamos a utilizar el asistente de MQL5, volveremos a él en próximos artículos.

Este artículo da continuidad a la "Parte 74", en la que examinamos la combinación de Ichimoku y el ADX en un marco de aprendizaje supervisado, y centra ahora la atención en el aprendizaje por refuerzo. Ichimoku y ADX forman una combinación complementaria para identificar los niveles de soporte y resistencia y determinar la fuerza de la tendencia. En esta entrega, analizamos cómo se puede utilizar el algoritmo Twin Delayed Deep Deterministic Policy Gradient (TD3) con este conjunto de indicadores. Al igual que en las partes anteriores de la serie, la implementación se realiza en una clase de señales personalizada diseñada para integrarse con el Asistente de MQL5, lo que facilita la creación de asesores expertos sin complicaciones.

En este artículo se presenta la implementación del algoritmo metaheurístico Blue Monkey, basado en la simulación del comportamiento social de los monos azules. En este, se examinan los mecanismos clave del algoritmo —la estructura grupal de la población, el seguimiento de líderes locales y la renovación generacional mediante la sustitución de los individuos adultos con peor rendimiento por las crías con mejor rendimiento— y se analizan los resultados de las pruebas.