Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 14): Previsión multiobjetivo de series temporales con STF"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 14): Previsión multiobjetivo de series temporales con STF:
La fusión espacio-temporal, que utiliza métricas espaciales y temporales en la modelización de datos, es útil sobre todo en teledetección y otras muchas actividades visuales para comprender mejor nuestro entorno. Gracias a un artículo publicado, adoptamos un enfoque novedoso en su uso examinando su potencial para los comerciantes.
Este artículo sobre Fusión espacio-temporal (STF) despertó mi interés en el tema gracias a su enfoque bidireccional para la predicción.. Para refrescar la memoria, el artículo está inspirado en resolver un problema de pronóstico basado en probabilidades que es colaborativo tanto para la oferta como para la demanda en plataformas de transporte bajo demanda de dos caras, como Uber y Didi. Las relaciones colaborativas de oferta y demanda son comunes en varios mercados de dos caras, como Amazon, Airbnb y eBay, donde, en esencia, la empresa no solo atiende al ‘cliente’ o comprador tradicional, sino que también satisface a los proveedores del cliente.
Por lo tanto, el pronóstico bidireccional en un caso donde la oferta depende en parte de la demanda puede ser importante para estas empresas de manera frecuente. Sin embargo, esta proyección dual de la demanda y la oferta ciertamente se apartó del enfoque convencional de pronosticar un valor específico en una serie temporal o conjunto de datos. El artículo también presentó lo que denominó un marco de causaltrans, donde la relación causal "colaborativa" entre la oferta y la demanda se capturaba mediante una matriz G, y todas las predicciones se realizaban a través de una red de transformadores, con resultados destacables.
Tomando ejemplo de ello, tratamos de prever la oferta y la demanda de valores negociados utilizando la tendencia bajista y alcista como indicadores sustitutivos de estos dos parámetros. Estrictamente hablando, sin embargo, la típica clase Expert-Signal calcula ambos valores como enteros en el rango 0-100 como se puede ver en los archivos de la librería MQL5 o en los archivos que hemos codificado en estas series hasta ahora. Lo que sería nuevo, sin embargo, es la adición de una matriz espacial y un parámetro temporal para hacer nuestras predicciones (los 2 inputs adicionales que citamos del artículo).
La cuantización espacial de los valores comerciales es subjetiva, al igual que la elección de la métrica temporal. Utilizando las series de precios altos y bajos de la seguridad como anclas de la demanda y la oferta, empleamos los valores de autocorrelación entre estos topes como coordenadas de una matriz espacial, así como el índice del día de la semana como indicador temporal. Este enfoque rudimentario, que puede personalizarse y mejorarse, sirve a nuestros propósitos para este artículo.
En el artículo se utilizó redes de transformadores, que nosotros no usaremos ya que son ineficientes para nuestros propósitos; sin embargo, todas las predicciones se realizarán a través de un perceptrón multicapa personalizado y codificado a mano. Con tantas librerías y ejemplos de código sobre el tema, parece una pérdida de tiempo intentar codificar un perceptrón multicapa propio. Sin embargo, la clase de red utilizada tiene menos de 300 líneas y es razonablemente escalable en cuanto a la personalización del número de capas y el tamaño de cada una, algo de lo que aún carecen la mayoría de las librerías disponibles.
Autor: Stephen Njuki