Discusión sobre el artículo "Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte VI): Cómo aprovechar el doble descenso profundo"

[MetaQuotes]

Artículo publicado Asesores Expertos Auto-Optimizables con MQL5 y Python (Parte VI): Cómo aprovechar el doble descenso profundo:

El aprendizaje automático tradicional enseña a los profesionales a estar atentos para no sobreajustar sus modelos. Sin embargo, esta ideología está siendo cuestionada por nuevos hallazgos publicados por diligentes investigadores de Harvard, quienes han descubierto que lo que parece ser un sobreajuste puede, en algunas circunstancias, ser el resultado de finalizar prematuramente los procedimientos de entrenamiento. Demostraremos cómo podemos utilizar las ideas publicadas en el artículo de investigación para mejorar nuestro uso de la IA en la previsión de retornos del mercado.

Existen muchas técnicas que se utilizan para detectar el sobreajuste al desarrollar modelos de IA. El método más confiable es examinar las gráficas de error de prueba y entrenamiento del modelo. Al principio, ambas tramas pueden caer juntas, lo que es una buena señal. A medida que continuamos entrenando nuestro modelo, alcanzaremos un nivel de error óptimo y, una vez que lo superemos, nuestro error de entrenamiento seguirá disminuyendo, pero nuestro error de prueba solo empeorará. Se han desarrollado muchas técnicas para remediar este problema, como por ejemplo la parada anticipada. La detención anticipada finaliza el procedimiento de entrenamiento si el error de validación del modelo no cambia significativamente o se deteriora continuamente. Posteriormente se restauran los mejores pesos y se asume que se ha localizado el mejor modelo, como en la figura 1 a continuación.

Autor: Gamuchirai Zororo Ndawana