Neural Loss-Pattern Auditor - script para MetaTrader 5

Las estadísticas agregadas, como la tasa de ganancias o el factor de beneficio, no pueden mostrar si la probabilidad de una pérdida depende de lo que el operador acaba de hacer, como ajustar el tamaño de la posición justo después de una pérdida anterior. El «Neural Loss-Pattern Auditor» analiza precisamente ese tipo de patrón de comportamiento, directamente a partir del historial de operaciones del propio operador.

El script principal crea un conjunto de datos de ocho características por cada operación cerrada y genera un informe de diagnóstico completo en la pestaña «Expertos»:

• Aumento de la precisión: la precisión de validación de la red entrenada frente a la precisión que se obtendría adivinando siempre la clase mayoritaria.
• Tabla de calibración: la predicción media de cada intervalo de probabilidad frente a la frecuencia de pérdidas real observada en dicho intervalo.
• Importancia de las características por permutación: en cuáles de las ocho características se basa realmente la red, clasificadas según la caída de precisión cuando se baraja esa columna.
• Una puntuación compuesta (de la A a la F) que combina los tres diagnósticos, con recomendaciones escritas.

Entrada. Con el valor predeterminado InpUseDemoData=true, el script genera 480 operaciones cerradas sintéticas con un patrón inyectado conocido (un tamaño de posición mayor justo después de una pérdida) y las analiza, de modo que el resultado es visible de inmediato. Establece InpUseDemoData=false para leer, en su lugar, el historial real de operaciones cerradas, a través de las funciones HistorySelect() y HistoryDealGet*(); en este modo no se necesita ningún archivo ni CSV.

Parámetros. InpMinTrades establece el número mínimo de operaciones cerradas necesarias antes del entrenamiento; InpValidationFraction establece qué parte del historial más reciente se reserva para la validación; InpHiddenNeurons, InpLearningRate e InpEpochs controlan la red; InpCalibrationBins e InpPermutationRepeats controlan los dos diagnósticos; e InpWeightUplift, InpWeightCalibration, InpWeightTopFeature, junto con las tres entradas *Scale y las cuatro entradas Grade, controlan la puntuación compuesta.

La herramienta está escrita en MQL5 puro. No necesita bibliotecas externas, ni Python, ni ningún tipo de servicio de IA. En el artículo [ARTICLE_URL] se puede consultar una descripción completa del método, los cálculos matemáticos que hay detrás de cada diagnóstico y el código.