Discusión sobre el artículo "Reimaginando las estrategias clásicas en MQL5 (Parte 14): Escenarios de alta probabilidad"

[MetaQuotes]

Artículo publicado Reimaginando las estrategias clásicas en MQL5 (Parte 14): Escenarios de alta probabilidad:

Los escenarios de alta probabilidad son bien conocidos en nuestra comunidad de traders, pero, lamentablemente, no están bien definidos. En este artículo, trataremos de encontrar una forma empírica y algorítmica de definir exactamente qué es una situación de alta probabilidad, así como de identificarlas y aprovecharlas. Mediante el uso de árboles de refuerzo de gradientes, hemos demostrado cómo el lector puede mejorar el rendimiento de cualquier estrategia de trading y comunicar mejor a nuestro ordenador la tarea concreta que debe realizar, de una forma más significativa y explícita.

La mayoría de los miembros de nuestra comunidad coinciden en que los operadores deben buscar activamente oportunidades de trading con una alta probabilidad de éxito. Sin embargo, existen pocas definiciones formales de lo que constituye exactamente una configuración de trading de alta probabilidad. ¿Cómo medimos empíricamente la probabilidad asociada a una estrategia de trading concreta? Dependiendo de a quién le preguntes, obtendrás diferentes definiciones sobre cómo identificar dichas oportunidades y aprovecharlas de manera responsable.

Este artículo pretende abordar estas cuestiones proponiendo un marco algorítmico que nos permita alejarnos de las definiciones antiguas y orientarnos hacia definiciones numéricas basadas en la evidencia, de modo que nuestras estrategias de trading puedan identificarlas y operar con ellas de forma rentable, de manera autónoma y consistente. 

Nuestro objetivo es modelar la relación entre nuestra estrategia de trading particular y cualquier símbolo que hayamos elegido para operar. Podemos lograr esto obteniendo primero datos de mercado que describan completamente el mercado y todos los parámetros que conforman nuestra estrategia de trading, todo ello desde la terminal MetaTrader 5.
Posteriormente, ajustaremos un modelo estadístico para clasificar si la estrategia va a producir señales rentables o si, por el contrario, es muy probable que la señal generada por nuestra estrategia no sea rentable. 

La probabilidad estimada por nuestro modelo se convierte en la probabilidad que asociamos con esa señal en particular. Por lo tanto, ahora podemos empezar a hablar de "escenarios de alta probabilidad" de una manera más científica y empírica, es decir, basada en evidencias y datos de mercado relevantes.

Este marco nos permite, en esencia, escribir estrategias de trading que estén "orientadas a objetivos" y que estén explícitamente instruidas para realizar únicamente acciones que se espera que sean favorables. Estamos empezando a formalizar los componentes necesarios para escribir estrategias de trading algorítmico que intenten estimar las consecuencias más probables de sus acciones. Esto puede conceptualizarse correctamente como enfoques de aprendizaje por refuerzo, abordados de forma supervisada.

Autor: Gamuchirai Zororo Ndawana