Discusión sobre el artículo "Redes neuronales en el trading: Agente multimodal con herramientas complementarias (Final)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Agente multimodal con herramientas complementarias (Final):

Seguimos trabajando en la implementación de los algoritmos para el agente multimodal de comercio financiero (FinAgent), diseñado para analizar los datos multimodales de la dinámica de mercado y los patrones comerciales históricos.

En los dos últimos artículos hemos analizado con detalle el framework FinAgent. Al hacerlo, hemos materializado nuestra propia visión de los planteamientos propuestos por sus autores. Así, hemos adaptado los algoritmos del framework a nuestras necesidades. Y ahora nos acercamos a la fase crucial: la comprobación de la eficacia de las soluciones aplicadas sobre datos históricos reales.

Cabe destacar que, durante el proceso de desarrollo, hemos introducido cambios significativos en los algoritmos subyacentes al framework FinAgent. Estas modificaciones abordan aspectos clave del funcionamiento del modelo. Por ello, en este caso, no evaluaremos la solución original, sino nuestra versión adaptada.

El modelo se ha entrenado utilizando los datos históricos del par de divisas EURUSD para 2023 en el marco temporal H1. Todos los ajustes de los indicadores utilizados por el modelo se han dejado en sus valores por defecto, lo que nos ha permitido centrarnos en evaluar el propio algoritmo y su capacidad para trabajar con los datos de origen sin ajustes adicionales.

Para la fase inicial del entrenamiento, hemos utilizado una muestra de datos de estudios anteriores. Hemos aplicado un algoritmo de aprendizaje con una formación de acciones objetivo del Agente "casi perfectas", lo que nos ha permitido entrenar el modelo sin actualizar constantemente la muestra de entrenamiento. Sin embargo, a pesar del éxito del algoritmo en este formato, creemos que para mejorar la precisión y abarcar una gama más amplia de estados de la cuenta, sería útil actualizar periódicamente la muestra de entrenamiento.

Autor: Dmitriy Gizlyk