Discusión sobre el artículo "Redes neuronales en el trading: Segmentación periódica adaptativa (Generación de tokens)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Segmentación periódica adaptativa (Generación de tokens):

Le invitamos a embarcarse en un apasionante viaje por el mundo del análisis adaptativo de series temporales financieras y a aprender cómo transformar el análisis espectral complejo y la convolución flexible en señales de trading reales. Hoy verá cómo LightGTS escucha el ritmo del mercado, adaptándose a sus cambios con un paso de ventana variable, y cómo la aceleración OpenCL convierte la computación en la vía más rápida para tomar decisiones rentables.

En la parte práctica del artículo anterior, comenzamos a construir un algoritmo de parcheo periódico adaptativo, uno de los elementos clave de la arquitectura LightGTS. Asimismo, analizamos con detalle las limitaciones asociadas a la imposibilidad de utilizar la asignación dinámica de memoria en el entorno de ejecución típico de MQL5 y OpenCL. Estas limitaciones nos obligaron a abandonar la idea de un número arbitrario de tokens en la salida.

En cambio, tomamos una decisión estratégicamente calculada: fijar el número de parches y usar su superposición como herramienta para compensar el cambio en la longitud de los segmentos individuales. De esta forma, conseguimos encontrar un punto intermedio entre la adaptabilidad (el modelo sigue siendo sensible a la periodicidad real de la serie temporal) y la estabilidad computacional necesaria para el uso eficiente de los recursos de hardware. Este enfoque nos permitió preservar tanto la precisión al reflejar las estructuras cíclicas de los datos analizados como la previsibilidad en la gestión de la memoria, lo que resulta fundamental para los modelos de trading de alta frecuencia y su implementación cuando el contexto de ejecución es limitado.

Ya hemos implementado el algoritmo de selección de frecuencia dominante; este extrae de manera eficiente la periodicidad subyacente para cada secuencia unitaria de la serie temporal de entrada. Esto nos permitirá especificar una escala básica para la segmentación de datos posterior. Hoy continuaremos con el trabajo que comenzamos y daremos el siguiente paso: la implementación del algoritmo de generación de tokens en el contexto OpenCL.

Nuestra tarea consiste en dividir cada secuencia temporal en un número fijo de fragmentos, donde el tamaño del segmento se establece según la frecuencia dominante identificada, y la superposición regula la adaptación a la longitud de la ventana. Todo esto debe realizarse en estricto paralelismo usando código compatible con GPU, donde cada flujo será responsable de formar un token en uno de los componentes unitarios de la secuencia analizada.

Autor: Dmitriy Gizlyk