Discusión sobre el artículo "Automatización de estrategias de trading en MQL5 (Parte 21): Mejora del trading basado en redes neuronales mediante tasas de aprendizaje adaptativas"

[MetaQuotes]

Artículo publicado Automatización de estrategias de trading en MQL5 (Parte 21): Mejora del trading basado en redes neuronales mediante tasas de aprendizaje adaptativas:

En este artículo, mejoramos una estrategia de trading basada en redes neuronales en MQL5 mediante una tasa de aprendizaje adaptativa para aumentar la precisión. Diseñamos e implementamos este mecanismo y, a continuación, comprobamos su rendimiento. El artículo concluye con algunas ideas sobre la optimización del trading algorítmico.

En la parte 20, desarrollamos un sistema de trading multisímbolo que utiliza el Commodity Channel Index y el Awesome Oscillator, permitiendo automatizar operaciones de reversión de tendencia en múltiples pares de divisas. Ahora, en la parte 21, nos adentramos en una estrategia de negociación dinámica basada en redes neuronales, aprovechando el potencial de estas redes —modelos computacionales que imitan las neuronas interconectadas del cerebro humano— para predecir los movimientos de los precios del mercado con mayor precisión, mediante el procesamiento de diversos indicadores de mercado y la adaptación del proceso de aprendizaje a la volatilidad del mercado. Nuestro objetivo es desarrollar un sistema de negociación flexible y de alto rendimiento que aproveche las redes neuronales para analizar patrones de mercado complejos y ejecutar operaciones con una precisión optimizada mediante un mecanismo adaptativo de tasa de aprendizaje.

Las redes neuronales funcionan a través de capas de nodos, o neuronas, estructuradas en una capa de entrada que recoge los datos del mercado, capas ocultas que revelan patrones complejos y una capa de salida que genera señales de negociación, como la predicción de movimientos alcistas o bajistas de los precios. La propagación hacia adelante hace que los datos recorran estas capas, donde las neuronas aplican pesos y sesgos a las entradas, transformándolas en predicciones. Véase más abajo.

Autor: Allan Munene Mutiiria

[murugan]

¿Podríamos crear ideas de trading basadas en redes neuronales que integren modelos ICT o CRT? Por ejemplo, utilizando configuraciones de tipo SMC con estructuras fractales en los marcos temporales superior, medio e inferior, ¿podríamos aplicar estas ideas para mejorar una red neuronal?