Discusión sobre el artículo "Sistemas neurosimbólicos en trading algorítmico: Combinación de reglas simbólicas y redes neuronales"
MetaQuotes:
El principal problema es la estabilidad de la frecuencia calculada de aparición de una vela blanca o negra tras la aparición de un patrón. En muestras pequeñas es poco fiable, y en muestras grandes es 50/50.Artículo publicado Neurosymbolic Systems in Algorithm Trading: Combining Symbolic Rules and Neural Networks:
Autor: Yevgeniy Koshtenko
Y no entiendo la lógica de alimentar primero la frecuencia del patrón a neuronka como una de las características, y luego usar la misma frecuencia para filtrar las señales de neuronka construidas sobre ella.
Sin tocar el planteamiento en sí, reducir las gamas reales de movimientos a dos clases anula la información útil que podría extraer la red neuronal (para lo que la atornillamos), algo parecido a si empezáramos a alimentar el sistema de reconocimiento de imágenes en color con imágenes en blanco y negro. En mi opinión, es necesario no ajustar la red a los antiguos métodos de patrones binarios, sino resaltar los reales y difusos sobre datos completos.
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Sistemas neurosimbólicos en trading algorítmico: Combinación de reglas simbólicas y redes neuronales:
Imagínese lo que supone intentar explicarle a un ordenador cómo negociar en la bolsa. Por un lado, tenemos las reglas y pautas clásicas: la misma "cabeza y hombros", el "doble fondo" y cientos de otras figuras familiares para cualquier tráder. Muchos de nosotros hemos escrito asesores expertos en MQL5 tratando de codificar estos patrones. Pero el mercado es un organismo vivo que cambia constantemente, y las normas rígidas suelen fallar.
Por otra parte, están las redes neuronales: sofisticadas, potentes, pero a veces completamente opacas en sus decisiones. Si suministramos datos históricos a la red LSTM, esta hará predicciones con bastante precisión. Por qué la red toma tal o cual decisión resulta a menudo un misterio. Y en el trading, cada movimiento en falso puede costarnos dinero real.
Recuerdo luchar con este dilema en mi algoritmo comercial hace unos años. Los patrones clásicos daban falsos positivos, y la red neuronal ofrecía a veces predicciones increíbles sin ninguna lógica. Y entonces se me ocurrió: ¿y si combinamos los dos enfoques? El uso de reglas claras como estructura, un marco de sistema y una red neuronal como mecanismo adaptativo que tenga en cuenta el estado actual del mercado.
Así nació la idea de un sistema de neurosímbolos para el trading algorítmico. Imagínesela como un tráder experimentado que conoce todas las cifras y reglas clásicas, pero que también es capaz de ajustarse al mercado y considerar sutiles matices e interrelaciones. Un sistema así posee un "esqueleto" de reglas claras y un "músculo" en forma de red neuronal que le añade flexibilidad y adaptabilidad.
Autor: Yevgeniy Koshtenko