Discusión sobre el artículo "Análisis de múltiples símbolos con Python y MQL5 (Parte I): Fabricantes de circuitos integrados del NASDAQ"

[MetaQuotes]

Artículo publicado Análisis de múltiples símbolos con Python y MQL5 (Parte I): Fabricantes de circuitos integrados del NASDAQ:

Acompáñenos mientras debatimos cómo puede utilizar la IA para optimizar el tamaño de sus posiciones y las cantidades de sus órdenes para maximizar la rentabilidad de su cartera. Mostraremos cómo identificar algorítmicamente una cartera óptima y adaptar su cartera a sus expectativas de rentabilidad o niveles de tolerancia al riesgo. En este debate, utilizaremos la biblioteca SciPy y el lenguaje MQL5 para crear una cartera óptima y diversificada utilizando todos los datos de que disponemos.

Los circuitos integrados se han convertido en un elemento básico de nuestra vida cotidiana. Estos chips electrónicos impregnan todos los aspectos de nuestra vida moderna, desde los servidores propietarios de MetaQuotes que alojan este mismo sitio web en el que está leyendo este artículo, hasta el dispositivo que está utilizando para leer este artículo, todos estos dispositivos se basan en tecnología que muy probablemente ha sido desarrollada por una de estas 5 empresas. El primer circuito integrado del mundo fue desarrollado por Intel, con la marca Intel 4004, y se lanzó al mercado en 1971, el mismo año en que se fundó el mercado NASDAQ. El Intel 4004 tenía aproximadamente 2.600 transistores, muy lejos de los chips modernos, que cuentan con miles de millones de transistores.

Motivados por la demanda mundial de circuitos integrados, deseamos exponernos inteligentemente al mercado de los chips. Dada una cesta de estos 5 valores, demostraremos cómo maximizar la rentabilidad de su cartera distribuyendo prudentemente el capital entre ellos. Un enfoque tradicional de distribución uniforme del capital entre las 5 acciones no bastará en los mercados modernos y volátiles. En su lugar, construiremos un modelo que nos informe de si debemos comprar o vender cada acción, y de las cantidades óptimas que debemos negociar. En otras palabras, estamos utilizando los datos que tenemos a mano para aprender algorítmicamente el tamaño y las cantidades de nuestras posiciones.

Autor: Gamuchirai Zororo Ndawana