Discusión sobre el artículo "Ingeniería de características con Python y MQL5 (Parte I): Predicción de medias móviles para modelos de IA de largo plazo"

MetaQuotes 2025.07.11 07:55

Artículo publicado Ingeniería de características con Python y MQL5 (Parte I): Predicción de medias móviles para modelos de IA de largo plazo:

Las medias móviles son, con diferencia, los mejores indicadores para que nuestros modelos de IA realicen predicciones. Sin embargo, podemos mejorar aún más nuestra precisión transformando cuidadosamente nuestros datos. Este artículo le mostrará cómo puede crear modelos de IA capaces de realizar previsiones a más largo plazo que las que realiza actualmente sin que ello suponga una disminución significativa de su nivel de precisión. Es realmente sorprendente lo útiles que son las medias móviles.

La última vez que hablamos sobre la predicción de medias móviles con IA, proporcioné pruebas que sugerían que los valores de la media móvil son más fáciles de predecir para nuestros modelos de IA que los niveles de precios futuros. El enlace a ese artículo se encuentra aquí. Sin embargo, para estar seguros de que nuestros hallazgos son significativos, entrené dos modelos de IA idénticos con más de 200 símbolos bursátiles diferentes y comparé la precisión de la previsión de precios con la precisión de la previsión de la media móvil, y los resultados parecen indicar que nuestros niveles de precisión disminuyen en promedio un 34% si predecimos precios por encima de las medias móviles.

En promedio, podemos esperar una precisión del 70% al pronosticar las medias móviles, en comparación con una precisión esperada del 52% al pronosticar el precio. Todos sabemos que, dependiendo del periodo, el indicador de media móvil no sigue muy de cerca los niveles de precios; por ejemplo, el precio puede caer más de 20 velas mientras que las medias móviles suben durante el mismo intervalo. Esta divergencia no nos conviene porque, aunque podemos predecir correctamente la dirección futura de la media móvil, el precio puede divergir. Sorprendentemente, observamos que la tasa de divergencia se mantiene fija en torno al 31% en todos los mercados, y nuestra capacidad para pronosticar divergencias fue, en promedio, del 68%.

Además, la varianza de nuestra capacidad para pronosticar la divergencia y la ocurrencia de la divergencia fue de 0,000041 y 0,000386, respectivamente. Esto demuestra que nuestro modelo es capaz de corregirse a sí mismo con un nivel de precisión fiable. Los miembros de la comunidad que deseen aplicar la IA a estrategias de trading a largo plazo deberían considerar este enfoque alternativo en marcos temporales más amplios. Por ahora, nuestro análisis se limita al M1, ya que este periodo de tiempo nos garantiza que dispondremos de datos suficientes en los 297 mercados para poder realizar comparaciones justas.

Hay muchas razones posibles por las que las medias móviles son más fáciles de predecir que el precio en sí. Esto puede ser cierto porque predecir las medias móviles se ajusta más a la idea de la regresión lineal que predecir el precio, es decir, la regresión lineal asume que los datos son una combinación lineal (suma) de varias entradas: las medias móviles son una suma de los valores de precios anteriores, lo que significa que la suposición lineal es cierta. El precio en sí mismo no es una simple suma de variables del mundo real, sino una relación compleja entre muchas variables.

Autor: Gamuchirai Zororo Ndawana