Discusión sobre el artículo "Redes neuronales en el trading: Aprendizaje contextual aumentado por memoria (MacroHFT)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Aprendizaje contextual aumentado por memoria (MacroHFT):

Hoy le propongo familiarizarse con el framework MacroHFT, que aplica el aprendizaje por refuerzo dependiente del contexto y la memoria para mejorar las decisiones en el comercio de criptodivisas de alta frecuencia utilizando datos macroeconómicos y agentes adaptativos.

Los métodos de aprendizaje por refuerzo (RL) son cada vez más populares en finanzas porque pueden resolver complejos problemas secuenciales de toma de decisiones. Los algoritmos de RL son capaces de gestionar datos multidimensionales, considerar distintos parámetros y adaptarse a condiciones cambiantes. Sin embargo, a pesar de los avances en el trading de baja frecuencia, aún se están desarrollando algoritmos eficientes para los mercados de criptomonedas de alta frecuencia. Las peculiaridades de los mercados de criptomonedas son su alta volatilidad, inestabilidad y la necesidad de considerar horizontes comerciales a largo plazo junto con una respuesta rápida.

Los algoritmos de HFT existentes para criptomonedas se enfrentan a una serie de retos que limitan su eficacia. En primer lugar, el mercado suele tratarse como un único sistema estacionario y muchos algoritmos se limitan al análisis de tendencias, ignorando la volatilidad. Este planteamiento complica la gestión de riesgos y reduce la precisión de las previsiones. En segundo lugar, muchas estrategias son propensas al sobreentrenamiento debido a un enfoque excesivo en un conjunto reducido de características del mercado. Y esto provoca una reducción de su capacidad para adaptarse a las nuevas condiciones del mercado. Por último, las políticas comerciales individuales de los agentes carecen a menudo de la flexibilidad necesaria para responder con rapidez a cambios bruscos, lo que resulta especialmente crítico en mercados con alta frecuencia de datos.

Una de las opciones para resolver los problemas anteriores se presenta en el artículo "MacroHFT: Memory Augmented Context-aware Reinforcement Learning On High Frequency Trading". Sus autores proponen el framework MacroHFT, un enfoque innovador basado en el aprendizaje por refuerzo dependiente del contexto. Este framework está diseñado específicamente para el trading de criptomonedas de alta frecuencia en un framework temporal de minutos. MacroHFT usa la información macroeconómica y otros datos contextuales para mejorar la toma de decisiones. El proceso consta de dos pasos fundamentales. En el primero, el mercado se clasifica según los indicadores de tendencia y volatilidad. Los subagentes especializados reciben formación para cada categoría de condiciones de mercado y ajustan sus estrategias según la situación actual. Dichos subagentes aportan flexibilidad y capacidad para adaptarse a las condiciones del mercado local.

Autor: Dmitriy Gizlyk