Discusión sobre el artículo "Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 8): Análisis de múltiples estrategias (3) — Política de votación ponderada"

[MetaQuotes]

Artículo publicado Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 8): Análisis de múltiples estrategias (3) — Política de votación ponderada:

Este artículo analiza por qué determinar el número óptimo de estrategias en un conjunto puede ser una tarea compleja y cómo el optimizador genético de MetaTrader 5 facilita su resolución. MQL5 Cloud también se utiliza como recurso clave para acelerar las pruebas retrospectivas y la optimización. En síntesis, nuestro análisis aquí sienta las bases para desarrollar modelos estadísticos que permitan evaluar y mejorar las estrategias de negociación a partir de nuestros resultados iniciales del conjunto de estrategias.

Al elaborar un conjunto de estrategias, es lógico que surja la siguiente pregunta: ¿cómo podemos demostrar que todas las estrategias que hemos seleccionado son necesarias? ¿Cómo podemos estar razonablemente seguros de que no obtendríamos mejores resultados con solo unas pocas? ¿Cómo podemos convencernos a nosotros mismos de todo esto?

Afortunadamente para nosotros, el optimizador genético puede ayudarnos a responder a preguntas tan complejas, siempre y cuando le planteemos la pregunta con cuidado. 

Para lograrlo, permitiremos que nuestras estrategias colaboren mediante un sistema democrático, en el que cada estrategia tenga derecho a un solo voto. El peso del voto que aporta cada estrategia puede ser un parámetro de ajuste, modificado por el optimizador genético. Si el optimizador determina que una de nuestras estrategias no está contribuyendo positivamente al rendimiento general, fijará la ponderación del voto de esa estrategia en un valor cercano a cero. Del mismo modo, dará más peso a las estrategias que sean rentables.

Por lo tanto, presentamos este marco como una política de votación ponderada, en la que inicialmente establecemos un nivel de rendimiento de referencia asignando a cada una de nuestras estrategias ponderaciones de voto distribuidas uniformemente. En nuestro ejemplo, partimos de que cada estrategia tiene una ponderación de voto de 0,5, en una escala que va de 0 a 1. 

A partir de ahí, dejamos que el optimizador genético ajuste estos pesos para maximizar la rentabilidad y determinar si las tres estrategias resultan realmente útiles.

Resulta que este procedimiento ofrece una amplia variedad de configuraciones diferentes, cada una de las cuales muestra cómo puede variar la utilidad de una estrategia en función de sus ajustes concretos. En cada configuración concreta, el peso de cada estrategia varía. Por lo tanto, puede darse una situación en la que solo una estrategia resulte útil, mientras que, en otra configuración, las tres aporten positivamente al rendimiento. 

Esto hace que la pregunta «¿Son necesarias las tres estrategias?» resulte realmente difícil de responder. Nuestros resultados sugieren que la respuesta depende de la configuración que la aplicación haya utilizado inicialmente. Empecemos.

Autor: Gamuchirai Zororo Ndawana