Discusión sobre el artículo "Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte IV): Apilamiento de modelos"

Nuevo comentario
 

Artículo publicado Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte IV): Apilamiento de modelos:

Hoy demostraremos cómo se pueden crear aplicaciones comerciales impulsadas por IA capaces de aprender de sus propios errores. Demostraremos una técnica conocida como apilamiento, mediante la cual usamos 2 modelos para hacer 1 predicción. El primer modelo suele ser un alumno más débil, y el segundo modelo suele ser un modelo más potente que aprende los residuos de nuestro alumno más débil. Nuestro objetivo es crear un conjunto de modelos, para lograr, con suerte, una mayor precisión.

Dirigiremos nuestra atención a la previsión del par de divisas NZDJPY. Deseamos aprender algorítmicamente una estrategia comercial a partir de los datos que recopilaremos sobre el símbolo desde nuestro terminal MetaTrader 5. Como seres humanos, podemos tener una predisposición natural hacia estrategias comerciales que estén alineadas con nuestras propias creencias e intereses. Los modelos de aprendizaje automático también están sesgados. El sesgo de un modelo de aprendizaje automático es el grado en el que se violan las suposiciones hechas por el modelo. Nuestra estrategia comercial se basará en un conjunto de dos modelos de IA. El primer modelo se entrenará para predecir el precio de cierre futuro del par NZDJPY, 20 minutos en el futuro. El segundo modelo se entrenará para predecir la cantidad de error en la predicción realizada por el primer modelo. Esta técnica se conoce como apilamiento. Nuestra esperanza es que al combinar 2 modelos, podamos superar nuestro sesgo humano y, con suerte, esto será suficiente para llevarnos a niveles más altos de rendimiento.


Autor: Gamuchirai Zororo Ndawana

Nuevo comentario