Discusión sobre el artículo "Red neuronal cuántica en MQL5 (Parte II): Entrenamos una red neuronal con retropropagación del error utilizando matrices de Márkov de ALGLIB"
Se ha publicado el artículo «Red neuronal cuántica en MQL5 (Parte II): Entrenamiento de una red neuronal con retropropagación del error en matrices de Markov con ALGLIB»:
Autor: Yevgeniy Koshtenko
Estoy haciendo pruebas y no obtengo ningún resultado, es decir, ¿no puedo comprobar cómo opera con datos históricos o es imposible y solo se puede hacer en modo demo y con datos en tiempo real?
- 2025.07.25
- www.mql5.com
Hola, oye, ¿y cómo se usa y se configura?
Estoy haciendo pruebas y no veo ningún resultado, es decir, ¿no puedo comprobar cómo opera con datos históricos o es que solo es posible en la cuenta demo y por tiempo limitado?
Buenos días, ¿qué marco temporal, qué ajustes y qué instrumento utilizas?
Evgeny, la comunidad te lo agradecerá de todo corazón si publicas el código del asesor y del archivo de inclusión que realmente funcione. Ahora mismo ni siquiera se compilan sin errores. Pero lo más importante es que usted afirma que se han implementado 400 características con las que se entrena el modelo, pero, a juzgar por el código, ni siquiera llega a la décima parte de esas características.
¿Y qué errores se producen al compilar? A mí me compila todo perfectamente; si no fuera así, ni siquiera lo habría publicado.
¿Y qué errores de compilación te salen? A mí me compila perfectamente; si no fuera así, ni siquiera lo habría publicado)
Sí, la compilación va bien, he corregido la ruta al archivo que se incluye y ya está. La cuestión aquí es más bien el funcionamiento del asesor y las funciones que se anuncian. Soy nuevo en la comunidad MQL y pensaba que, al leer una frase como«predice el comportamiento del mercado con una precisión del 65 %». El asesor SimpleQuantumEA.mq5 utiliza 400 indicadores» y ves el código publicado, esperas ver que el asesor opera según ese principio. Pero no es así. No lo tomes como un insulto. Admiro vuestras ideas y aplico muchas de ellas en mi trabajo. Con otros autores ocurre lo mismo: no hay nada publicado que funcione al 100 %. Supongo que es la codicia humana. Así somos. En fin, os agradezco lo que aportáis. Por ejemplo, en su asesor ya he añadido más de 2000 líneas de código. Por ejemplo, tras crear el código para comprobar la eficacia de 400 indicadores, solo me quedaron 149 como eficaces. El resto, los algoritmos los descartaron como ruido que no influye en la previsión. ¿Te pasa lo mismo?
Simplemente me gustaría que me dieras más información sobre los pasos que has seguido para alcanzar ese resultado del 99 % de operaciones rentables. Ni siquiera te pido el código, solo algunos consejos. ¿Qué capas has utilizado? ¿Qué neuronas adicionales? Veo que empezaste el asesor «Quantum» con un modelo LSTM. Al final, ¿lo dejaste y empezaste a aplicar «Quantum» encima, a modo de filtro? ¿ O es que tenéis el LSTM en un asesor independiente y el algoritmo «Quantum» en otro?
Dadme más consejos e información. Al fin y al cabo, si empezáis a aportar más al mundo, veréis cómo recibís más a cambio de inmediato. Así funciona el universo. Escribo aquí porque no respondéis a los mensajes privados :) Os aseguro que, si durante el proceso consigo algo que merezca la pena, sin duda lo compartiré. Pero, de momento, solo estoy en los comienzos...
Buenos días.
Quiero recordar que la plataforma MQL5 no es compatible con la computación cuántica. Las redes neuronales cuánticas reales utilizan plataformas especializadas, como Qiskit o Cirq, y equipos cuánticos (por ejemplo, IBM Quantum). Esto no es más que una imitación de «Atención».
Es una mezcla heterogénea de LSTM, Transformers, ARIMA, etc. Los cálculos cuánticos reales no se pueden ejecutar en servidores ni ordenadores personales convencionales.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Red neuronal cuántica en MQL5 (Parte II): Entrenamos una red neuronal con retropropagación del error utilizando matrices de Márkov de ALGLIB:
Los traders algorítmicos se enfrentan cada vez más al hecho de que los modelos habituales dejan de dar resultados. Las redes LSTM, que antes se consideraban un gran avance, muestran una precisión en torno al 58 %. Los Transformers, a pesar de sus avances en el procesamiento del lenguaje natural (NLP), no gestionan bien el ruido de los datos financieros. Los modelos de tipo ARIMA han perdido su utilidad práctica.
Una situación típica: un sistema de trading funciona muy bien en los datos históricos, pero en el trading real pierde rápidamente su eficacia. La causa principal es el sobreajuste y la incapacidad de las redes neuronales clásicas para adaptarse a las condiciones cambiantes del mercado. El paso de una tendencia tranquila a una alta volatilidad hace que muchos algoritmos resulten inútiles. La precisión de los pronósticos desciende hasta el 51–58 %, las reducciones alcanzan el 40–50 % y el coeficiente de Sharpe rara vez supera el 1,0.
Autor: Yevgeniy Koshtenko