Discusión sobre el artículo "Redes neuronales en el trading: Framework de predicción cruzada de dominios de series temporales (Final)"

[MetaQuotes]

Artículo publicado Redes neuronales en el trading: Framework de predicción cruzada de dominios de series temporales (Final):

El artículo trata sobre la construcción práctica del modelo TimeFound para la predicción de series temporales. Asimismo, se analizan las etapas clave de la implementación de los principales enfoques del framework con MQL5.

El primer paso consistió en entrenar el codificador con cinco años de datos históricos del par EURUSD en un marco temporal de un minuto. Este volumen y este nivel de detalle permiten formar una representación latente realmente profunda y significativa del estado actual del mercado. El codificador aprende a distinguir patrones importantes, a identificar regularidades y a codificar la situación del mercado en un vector compacto pero informativo, que posteriormente utilizan todos los demás módulos.

A continuación viene la segunda fase: el entrenamiento offline de los principales componentes de nuestra arquitectura: el Actor, el Director y el Crítico. Para ello, se recopiló una muestra de datos de mercado correspondientes al año 2024, conservando todos los parámetros utilizados en el entrenamiento del codificador. Durante el entrenamiento se utilizó el concepto de trayectoria casi ideal: las acciones del agente no se seleccionaban de forma aleatoria, sino a partir del análisis del movimiento posterior de los precios. En otras palabras, al disponer de toda la trayectoria de precios, sabíamos de antemano qué acciones habrían conducido a los mejores resultados y utilizamos precisamente esas acciones para el entrenamiento. Este enfoque permite mostrar al modelo cómo debe operar, en lugar de obligarlo a buscar a ciegas una estrategia eficaz mediante el método de ensayo y error, vagando por el entorno sin mapa. Gracias a ello, el agente aprende a partir de ejemplos previamente validados: claros, fundamentados y lo más cercanos posible a los ideales desde el punto de vista del resultado. Esto no solo simplifica el proceso de entrenamiento, sino que lo hace orientado a objetivos y económicamente significativo.

La etapa final consiste en un ajuste fino online, que se lleva a cabo directamente en el Probador de estrategias. Aquí, los modelos se enfrentan a datos históricos en un modo lo más cercano posible al trading real y adaptan sus parámetros a la dinámica viva del mercado. Esto es especialmente importante, ya que permite ajustar el comportamiento del agente teniendo en cuenta las condiciones cambiantes, el ruido del mercado y las fluctuaciones aleatorias que no se aprecian en la muestra de entrenamiento.

Una vez completada toda la cadena de entrenamiento, el modelo se sometió a pruebas con datos nuevos: las cotizaciones de enero de 2025. Todos los parámetros y ajustes utilizados durante el entrenamiento se conservaron sin modificaciones, lo que garantiza una objetividad y una imparcialidad totales en la evaluación. A continuación se presentan los resultados de las pruebas.

Autor: Dmitriy Gizlyk