Discusión sobre el artículo "Predicción de tendencias con LSTM para estrategias de seguimiento de tendencias"

Nuevo comentario
 

Artículo publicado Predicción de tendencias con LSTM para estrategias de seguimiento de tendencias:

La memoria a corto y largo plazo (Long Short-Term Memory, LSTM) es un tipo de red neuronal recurrente (Recurrent Neural Network, RNN) diseñada para modelar datos secuenciales capturando de manera efectiva las dependencias a largo plazo y abordando el problema del gradiente que se desvanece. En este artículo, exploraremos cómo utilizar LSTM para predecir tendencias futuras, mejorando el rendimiento de las estrategias de seguimiento de tendencias. El artículo tratará sobre la introducción de conceptos clave y la motivación detrás del desarrollo, la obtención de datos de MetaTrader 5, el uso de esos datos para entrenar el modelo en Python, la integración del modelo de aprendizaje automático en MQL5 y la reflexión sobre los resultados y las aspiraciones futuras basadas en pruebas estadísticas retrospectivas.

Intuitivamente, las estrategias de seguimiento de tendencias capitalizan las ganancias en mercados con tendencia, pero tienen un rendimiento deficiente en mercados volátiles, donde la estrategia termina comprando con una prima y vendiendo con un descuento. La investigación académica ha demostrado que las estrategias clásicas de seguimiento de tendencias, como la cruz dorada, funcionan en múltiples mercados y plazos a lo largo de extensos periodos históricos. Si bien estas estrategias pueden no ser altamente rentables, han demostrado generar ganancias constantes. Las estrategias de seguimiento de tendencias suelen beneficiarse de valores atípicos extremos, que generan ganancias significativamente mayores que la pérdida promedio. La estrategia, con su estricto límite de pérdidas y su enfoque de "dejar correr las ganancias", da como resultado una baja tasa de aciertos pero una alta relación recompensa-riesgo por operación.

LSTM (Long Short-Term Memory) es un tipo especializado de red neuronal recurrente (RNN) diseñada para capturar dependencias de largo alcance en datos secuenciales. Utiliza células de memoria que pueden mantener la información durante largos períodos, superando el problema de la desaparición del gradiente que suele afectar a las RNN tradicionales. Esta capacidad de almacenar y acceder a información de momentos anteriores de la secuencia hace que LSTM sea particularmente eficaz para tareas como la previsión de series temporales y la predicción de tendencias. Para problemas de regresión, LSTM puede modelar las relaciones temporales entre las características de entrada y predecir salidas continuas con alta precisión, lo que la hace ideal para aplicaciones de pronóstico.

La motivación de este artículo es aprovechar el poder de LSTM para la regresión de tendencias, prediciendo tendencias futuras y potencialmente filtrando malas operaciones que resultan de una baja tendencia. Esta motivación se basa en la hipótesis de que las estrategias de seguimiento de tendencias funcionan mejor en mercados con tendencia que en mercados sin tendencia.


Autor: Zhuo Kai Chen

 
No lo entiendo: ¿dónde está el propio modelo regression2024.onnx en el archivo zip?
 
an_tar #:
No lo entiendo: ¿dónde está el propio modelo regression2024.onnx en el archivo zip?

Hola an_tar.

Como se menciona en el artículo, este tipo de sistema debe ser validado a través de backtest rolling-window. No quería incluir todo mi modelo entrenado desde 2008 para hacer el archivo pesado.

Se aconseja utilizar el marco introducido en el artículo para entrenar su propio modelo para ser compatible con su método de validación personal.

Nuevo comentario