Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 66): Uso de patrones FrAMA y Force Index con el núcleo de producto escalar"

[MetaQuotes]

Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 66): Uso de patrones FrAMA y Force Index con el núcleo de producto escalar:

El indicador FrAMA y el oscilador Force Index son herramientas de tendencia y volumen que pueden combinarse al desarrollar un asesor experto. Retomamos nuestro último artículo, en el que presentamos este par, para analizar la aplicabilidad del aprendizaje automático al mismo. Estamos utilizando una red neuronal convolucional que emplea el núcleo de producto escalar para realizar previsiones a partir de los datos de estos indicadores. Esto se lleva a cabo en un archivo de clase de señal personalizado que funciona con el asistente de MQL5 para crear un asesor experto.

En nuestro último artículo, en el que presentamos el conjunto de estos indicadores como fuente de patrones de señales de entrada para un asesor experto, los resultados de las pruebas prospectivas no fueron tan prometedores. Expusimos algunas razones que lo explicaban y también advertimos de que la formación y la optimización que llevamos a cabo tienen una vigencia de solo un año y que, por lo tanto, para cualquier patrón, es imprescindible realizar pruebas lo más exhaustivas posible con una gran cantidad de datos históricos. Como siempre, continuamos con ese artículo analizando aquellos patrones que lograron avanzar. Esto se hace mediante el aprendizaje automático.

Al aplicar algoritmos de aprendizaje automático en MQL5, OpenCL siempre es una opción; sin embargo, esto a menudo requiere disponer de hardware GPU. Es bueno tener esto, pero la biblioteca de código de Python se ha vuelto bastante extensa, y se pueden obtener muchas mejoras de eficiencia con solo una CPU. Eso es lo que exploramos en esta serie de artículos, y por eso, para este trabajo, como ya hemos hecho en algunos anteriores, programamos nuestras redes neuronales en Python porque la programación y el entrenamiento en Python son muy eficientes. 

De los diez patrones que optimizamos o entrenamos en el artículo anterior, solo dos lograron superar las pruebas prospectivas. Patrón-6 y Patrón-9. Por lo tanto, continuamos probando estos resultados con una red neuronal, como hicimos en artículos anteriores, con la diferencia de que estamos utilizando una red neuronal convolucional, también conocida como CNN. Esta CNN implementará el núcleo del producto escalar. Sin embargo, como siempre ocurre con las implementaciones de Python, primero definimos las funciones indicadoras que necesitamos para proporcionar señales a nuestra red. 

Autor: Stephen Njuki