Le propongo sumergirse en el apasionante mundo de LightGTS, un framework de predicción de series temporales ligero pero potente que combina la convolución adaptativa y la codificación RoPE con métodos de atención innovadores. En el artículo de hoy, encontrará una descripción detallada de todos los componentes, desde la creación de parches hasta una compleja combinación de asesores expertos en un decodificador, listo para su integración en proyectos MQL5. ¡Descubra cómo LightGTS lleva el trading automatizado al siguiente nivel!
A continuación, pasamos a la segunda fase: el ajuste online del modelo utilizando datos históricos desde 2024. En este caso, el entrenamiento se ha trasladado a un entorno casi en tiempo real: el modelo interactúa con el mercado vela por vela, encontrándose con ruido de mercado, fluctuaciones aleatorias y distorsiones temporales. Esto nos ha permitido no solo seguir entrenando el modelo, sino también adaptar su comportamiento a la dinámica real del mercado, ajustar la estrategia y aumentar la resiliencia en condiciones de incertidumbre.
Tras completar el entrenamiento, hemos realizado una prueba a gran escala utilizando datos nuevos: cotizaciones correspondientes al periodo de enero a marzo de 2025. Todos los ajustes se han fijado de antemano y no se han modificado durante la prueba. Esto garantiza la objetividad y la transparencia de la evaluación, excluyendo cualquier tipo de ajuste o interferencia. Los resultados de la prueba se muestran a continuación.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Artículo publicado Redes neuronales en el trading: Segmentación periódica adaptativa (Final):
A continuación, pasamos a la segunda fase: el ajuste online del modelo utilizando datos históricos desde 2024. En este caso, el entrenamiento se ha trasladado a un entorno casi en tiempo real: el modelo interactúa con el mercado vela por vela, encontrándose con ruido de mercado, fluctuaciones aleatorias y distorsiones temporales. Esto nos ha permitido no solo seguir entrenando el modelo, sino también adaptar su comportamiento a la dinámica real del mercado, ajustar la estrategia y aumentar la resiliencia en condiciones de incertidumbre.
Tras completar el entrenamiento, hemos realizado una prueba a gran escala utilizando datos nuevos: cotizaciones correspondientes al periodo de enero a marzo de 2025. Todos los ajustes se han fijado de antemano y no se han modificado durante la prueba. Esto garantiza la objetividad y la transparencia de la evaluación, excluyendo cualquier tipo de ajuste o interferencia. Los resultados de la prueba se muestran a continuación.
Autor: Dmitriy Gizlyk