Discusión sobre el artículo "Reimaginando las estrategias clásicas en MQL5 (Parte 14): Análisis de múltiples estrategias"

[MetaQuotes]

Artículo publicado Reimaginando las estrategias clásicas en MQL5 (Parte 14): Análisis de múltiples estrategias:

En este artículo, continuamos nuestro análisis sobre cómo crear un conjunto de estrategias de trading y utilizar el optimizador genético de MT5 para ajustar los parámetros de las estrategias. Hoy hemos analizado los datos en Python, demostrando que nuestro modelo podía predecir mejor qué estrategia obtendría mejores resultados, logrando una mayor precisión que al pronosticar directamente la rentabilidad del mercado. Sin embargo, cuando probamos nuestra aplicación con sus modelos estadísticos, nuestros niveles de rendimiento se desplomaron. Posteriormente descubrimos que, lamentablemente, el optimizador genético favorecía estrategias muy correlacionadas, lo que nos llevó a revisar nuestro método para mantener fijas las ponderaciones de los votos y centrar la optimización en los ajustes de los indicadores.

Hay muchas cosas que podrían salir mal al intentar utilizar la inteligencia artificial para ayudar a diseñar estrategias de trading, y parece que el optimizador genético terminó aprovechando la formulación del problema que le dimos y seleccionó las estrategias más correlacionadas. Desde un punto de vista puramente matemático, esto puede considerarse una jugada inteligente: al optimizador genético le resulta más fácil prever el saldo global de la cuenta cuando las estrategias dominantes están correlacionadas.

Inicialmente, esperaba que el optimizador genético asignara ponderaciones más altas a las estrategias más rentables y ponderaciones más bajas a las menos rentables. Sin embargo, dado que solo teníamos 3 estrategias para elegir y este procedimiento de optimización se realizó solo una vez, no podemos descartar que todo esto haya ocurrido por casualidad. Es decir, si repitiéramos la optimización de las ponderaciones de los votos utilizando un algoritmo de optimización lento y completo, entonces tal vez nuestro optimizador no habría seleccionado estrategias correlacionadas. 

Esta observación me impulsó a revisar el enfoque que utilizamos para seleccionar la configuración óptima para nuestras estrategias. Parece que, inicialmente, deberíamos mantener fijos en uno todos los pesos de cada voto. Esto obliga al optimizador genético a centrarse exclusivamente en encontrar la configuración más rentable para cada indicador que utilizamos. Como veremos a lo largo de nuestro recorrido juntos, este enfoque revisado resulta ser mejor que nuestro plan inicial. Cuando se utilizan dos estrategias correlacionadas para el análisis de estrategias múltiples, no se logra un progreso real; por lo tanto, hemos aprendido una mejor manera de plantear el problema objetivo del análisis de estrategias múltiples: "¿Cómo podemos seleccionar de la mejor manera múltiples estrategias que tengan rendimientos no correlacionados y maximizar la rentabilidad de nuestra cuenta?". 

Autor: Gamuchirai Zororo Ndawana