Discusión sobre el artículo "Robot de trading basado en redes neuronales sobre la moderna arquitectura Mamba con modelo selectivo de espacio de estados (SSM)"

[MetaQuotes]

Artículo publicado Robot de trading basado en redes neuronales sobre la moderna arquitectura Mamba con modelo selectivo de espacio de estados (SSM):

El artículo analiza la revolucionaria arquitectura de red neuronal Mamba/SSM para la predicción de series temporales financieras. Se presenta una implementación completa en MQL5 de una alternativa moderna a la arquitectura del Transformer con una complejidad lineal O(N) en lugar de cuadrática O(N²). Se analizan en detalle los modelos selectivos de espacio de estados (Selective State Space Models, SSM), las optimizaciones conscientes del hardware, las técnicas de segmentación en parches (patching) y los métodos avanzados de entrenamiento con AdamW. Se incluyen los resultados prácticos de las pruebas, que mostraron un aumento de la precisión del 62 % al 71 %, junto con una reducción del tiempo de entrenamiento de 45 a 8 minutos. Se presenta un asesor experto listo para usar, con autoaprendizaje y gestión adaptativa del riesgo, para MetaTrader 5.

El trading algorítmico moderno se enfrenta a un problema fundamental. Las arquitecturas clásicas de redes neuronales, basadas en el mecanismo de atención (attention), presentan una complejidad computacional cuadrática O(N²). Esto significa que duplicar la longitud de la serie temporal supone cuadruplicar el tiempo de procesamiento. Para un trader que analiza miles de velas de datos históricos, esta ineficiencia se convierte en una limitación crítica.

Imagine la siguiente situación: su sistema de trading debe analizar las últimas 2048 barras de precios para tomar una decisión sobre la entrada en una posición. Para ello, la arquitectura del Transformer necesitará unos 4 millones de operaciones de atención, y el procesamiento tardará varios segundos. En el trading de alta frecuencia, donde los milisegundos determinan el resultado de una operación, un retraso de este tipo equivale al fracaso de la estrategia.

Es más, los mercados actuales se caracterizan por una complejidad e interconexión cada vez mayores. Para lograr pronósticos acertados es necesario analizar períodos históricos cada vez más largos y tener en cuenta las correlaciones entre distintos activos y escalas temporales. Las arquitecturas tradicionales no están a la altura de este reto, ya que limitan a los traders a ventanas de contexto de entre 512 y 1024 puntos de datos.

Autor: Yevgeniy Koshtenko

[Борис Ворона]

Al compilar el archivo ModernTimeSeriesNet.mqh, se producen los siguientes errores: - undeclare

[Yevgeniy Koshtenko]

Борис Ворона #:
Al compilar el archivo ModernTimeSeriesNet.mqh, aparecen los siguientes errores: - undeclare

¡Hola! He adjuntado la versión actualizada en la nueva versión del artículo. En la versión anterior, el asesor técnico se compilaba sin problemas, pero el problema era que las variables necesarias estaban definidas en el EA y no en el mqh.

[Борис Ворона]

Yevgeniy Koshtenko #:

¡Hola! He adjuntado la versión actualizada a la nueva versión del artículo. En la versión anterior, el asesor técnico se compilaba así, pero el problema era que las variables se definían en el EA y no en m

Gracias, ya funciona todo.