Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 70): Uso de patrones del SAR y el RVI con una red de kernel exponencial"

[MetaQuotes]

Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 70): Uso de patrones del SAR y el RVI con una red de kernel exponencial:

Retomamos nuestro último artículo, donde presentamos el par de indicadores SAR y RVI, y ahora analizamos cómo se podría ampliar este par de indicadores con el aprendizaje automático. SAR y RVI forman una combinación complementaria de tendencia e impulso. Nuestro enfoque de aprendizaje automático usa una CNN 1D con escalado exponencial en el tamaño de los kernels y en el número de canales, al tiempo que ajusta las previsiones de este par de indicadores. Como siempre, esto se realiza en un archivo de clase de señal personalizado que funciona con el asistente MQL5 para ensamblar un Asesor Experto.

En el artículo anterior, presentamos este par complementario formado por el indicador SAR parabólico (SAR) y el oscilador del índice de vigor relativo (RVI). De nuestras pruebas con 10 patrones, tres no lograron realizar walk-forward limpios; concretamente, los indexados 1, 2 y 6. Nuestra indexación de estos patrones del 0 al 9 nos permite calcular fácilmente el valor de mapa de bits que permite su uso exclusivo por parte del Asesor Experto. Por ejemplo, si un patrón tiene el índice 1, entonces tenemos que establecer el parámetro 'PatternsUsed' en 2 elevado a la potencia 1, lo que da como resultado 2. 

Si el índice es 2, entonces esto es 2 elevado a la potencia 2, que da como resultado 4, y así sucesivamente. El valor máximo que se le puede asignar a este parámetro, de forma significativa, es 1023, ya que solo tenemos 10 parámetros. Cualquier número entre 0 y 1023 que no sea una potencia exacta de 2 representaría una combinación de estos patrones, y el lector podría explorar la posibilidad de configurar el Asesor experto para que utilice múltiples patrones. Sin embargo, basándonos en nuestros argumentos y en los resultados de las pruebas presentadas en artículos anteriores, optamos por no explorar esta posibilidad dentro de esta serie, por el momento. 

Tal como prometimos en uno de los artículos recientes, ahora vamos a intentar reactivar las tres señales de los patrones 1, 2 y 6 que no lograron mostrar walk-forward limpios en el artículo anterior, mediante aprendizaje supervisado. Al aplicar el aprendizaje automático a estas señales indicadoras MQL5, recurrimos a Python para que nos ayude con la codificación y el entrenamiento de un modelo de red. Esto se debe a la eficiencia que es capaz de proporcionar, incluso sin una GPU. Al usar Python, dependemos del módulo de Python de MetaTrader, que nos permite conectarnos al servidor de un bróker de MetaTrader una vez que proporcionamos un nombre de usuario y una contraseña.

Autor: Stephen Njuki