Discusión sobre el artículo "Redes neuronales en el trading: Extracción eficiente de características para una clasificación precisa (Final)"
Extraño, ¿por qué las operaciones sólo en una dirección. Y ¿cómo se forman las señales para el cierre de operaciones?
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 Redes neuronales en el trading: Extracción eficiente de características para una clasificación precisa (Final):
La primera etapa es el entrenamiento contrastivo del Codificador. Se lleva a cabo sobre datos históricos de los últimos cinco años para el par de divisas EURUSD en el marco temporal M1. Este volumen y nivel de detalle de los datos permite al Codificador generar representaciones latentes de las condiciones del mercado, informativas y de alta calidad, que formen la base para el funcionamiento futuro de todo el sistema.
A continuación viene la segunda etapa, a saber, el entrenamiento offline de los componentes clave del sistema: El Actor, el Director y el Crítico. Para este propósito, se usa una muestra de entrenamiento recopilada con datos del año 2024, conservando todos los parámetros especificados previamente. El proceso utiliza el concepto de trayectoria casi perfecta, que permite a los modelos aprender de los ejemplos más realistas de acciones y evaluaciones. Esta etapa resulta importante para consolidar estrategias básicas y criterios de toma de decisiones.
La tercera etapa es el ajuste fino en línea de los modelos, que se realiza directamente en el simulador de estrategias en el mismo intervalo histórico. Esto permite adaptar los modelos a las condiciones cambiantes del mercado y mejorar los parámetros con la máxima precisión.
Después de completar todas las etapas de entrenamiento, el modelo se prueba con datos de enero a marzo de 2025. En este caso, todos los parámetros usados durante las etapas de entrenamiento permanecen sin cambios. Este enfoque ofrece una evaluación justa y objetiva del rendimiento del modelo en un conjunto de datos nuevo y no utilizado previamente. Ahora le presentamos los resultados de las pruebas.
Autor: Dmitriy Gizlyk