Discusión sobre el artículo "Aprendizaje automático y Data Science (Parte 38): Aprendizaje por transferencia de IA en los mercados de divisas"

[MetaQuotes]

Artículo publicado Aprendizaje automático y Data Science (Parte 38): Aprendizaje por transferencia de IA en los mercados de divisas:

Los avances en inteligencia artificial que acaparan los titulares, desde ChatGPT hasta los coches autónomos, no se basan en modelos aislados, sino en el conocimiento acumulado que se transfiere desde diversos modelos o campos comunes. Ahora bien, este mismo enfoque de «aprender una vez, aplicar en todas partes» puede aplicarse para ayudarnos a transformar nuestros modelos de IA en el trading algorítmico. En este artículo, vamos a aprender cómo podemos aprovechar la información obtenida de diversos instrumentos para mejorar las predicciones sobre otros utilizando el aprendizaje por transferencia.

Aquí tenemos un ejemplo real de cómo los expertos en IA utilizan el aprendizaje por transferencia: 

Supongamos que estás creando un clasificador de imágenes para distinguir entre gatos y perros, pero solo tienes 1.000 imágenes. Entrenar una CNN profunda desde cero resultaría complicado; en su lugar, puedes usar un modelo como ResNet50 o VGG16 que ya esté entrenado en ImageNet (que cuenta con millones de imágenes repartidas en 1000 clases), utilizar sus capas convolucionales como extractores de características, añadir sus capas de clasificación personalizadas y ajustarlo en su conjunto de datos más pequeño de gatos y perros.

Este proceso permite reutilizar el conocimiento del modelo, lo que nos facilita el trabajo como desarrolladores, ya que no queremos reinventar la rueda cada vez; en lugar de entrenar un modelo desde cero, podemos basarnos en modelos existentes diseñados para una tarea muy similar.

Se dice que la mayoría de las personas que saben patinar o practican patinaje con regularidad también suelen desenvolverse bien en el esquí, y viceversa, a pesar de no haber recibido un entrenamiento intensivo en cada disciplina. Esto se debe simplemente a que estos dos deportes presentan algunas similitudes.

Esto también es válido para los mercados financieros, donde, a pesar de contar con diferentes instrumentos (símbolos) que representan distintos activos económicos o mercados financieros, todos los mercados se comportan de manera similar la mayor parte del tiempo, ya que todos ellos se ven impulsados y afectados por la oferta y la demanda.

Si se analiza el mercado con detenimiento desde un punto de vista técnico, se observa que todos los mercados tienden a subir y bajar, que se muestran patrones de velas japonesas similares en todos ellos, que los indicadores presentan patrones similares en diferentes instrumentos, y mucho más. Esta es la razón principal por la que a menudo aprendemos una estrategia de análisis técnico para operar con un instrumento y aplicamos el conocimiento adquirido a todos los mercados, independientemente de las diferencias en la magnitud de los precios que ofrece cada instrumento.

En el aprendizaje automático, los modelos a menudo no comprenden que estos mercados son comparables. En este artículo, vamos a analizar cómo aprovechar el aprendizaje por transferencia para ayudar a los modelos a comprender patrones en diversos instrumentos financieros y entrenarlos de forma más eficaz, cuáles son las ventajas y desventajas de esta técnica y qué aspectos conviene tener en cuenta para aplicar el aprendizaje por transferencia de forma eficaz.

Autor: Omega J Msigwa

[BSA]

El resultado es previsible. Hacer una predicción sobre un indicador rezagado, ¿intentar predecir qué? ¿El rendimiento de ese indicador rezagado? Me parece extraño. En mi opinión, el modelo debería aprender a predecir el impulso y la señal, independientemente del marco temporal, en tiempo real, y luego aprender a distinguir entre el ruido y el impulso real. No es posible predecir el movimiento del mercado y la potencia del impulso, pero debería ser posible sentarse a la cola y cabalgar la ola. Lo que, en principio, es suficiente para un trading rentable.