Discusión sobre el artículo "Redes neuronales en el trading: Transformador contrastivo de patrones (Final)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Transformador contrastivo de patrones (Final):

En el último artículo de nuestra serie, analizamos el framework Atom-Motif Contrastive Transformer (AMCT), que usa el aprendizaje contrastivo para identificar patrones clave a todos los niveles, desde los elementos básicos hasta las estructuras complejas. En este artículo, continuaremos con la implementación de los enfoques AMCT usando MQL5.

Como de costumbre, entrenaremos el modelo offline con una muestra de entrenamiento previamente recogida de pasadas para todo el año 2023. El entrenamiento se realizará de forma iterativa. Y tras varias iteraciones de entrenamiento del modelo, hemos realizado una actualización de la muestra de entrenamiento. Esto nos ha permitido lograr una evaluación más precisa de las acciones del Agente de acuerdo con la política vigente.

Durante el entrenamiento, hemos logrado obtener un modelo capaz de generar beneficios tanto en la muestra de entrenamiento como en la de prueba. No obstante, debemos considerar un pequeño detalle: El modelo obtenido realiza muy pocas transacciones. Hemos ampliado incluso el periodo de prueba a 3 meses. Ahora le presentaremos los resultados de las pruebas.

Como se desprende de los datos presentados, durante el intervalo de tres meses del periodo de prueba el modelo ha realizado solo 21 transacciones y algo más de la mitad de ellas se han cerrado con beneficios. Pero echemos un vistazo al gráfico de balance. Vemos un crecimiento del balance en el primer mes y medio, que luego es sustituido por un movimiento lateral. De hecho, es un comportamiento bastante esperado. Nuestro modelo solo recopila las estadísticas de los estados del mercado de la muestra de entrenamiento. Y como en cualquier modelo estadístico, la muestra de entrenamiento debe ser representativa. Y del gráfico de balance podemos concluir que la muestra de entrenamiento de 1 año resulta representativa para los siguientes 1,2 - 1,5 meses.

Autor: Dmitriy Gizlyk