Discusión sobre el artículo "Redes neuronales en el trading: Entrenamiento de metaparámetros basado en la heterogeneidad (Final)"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Redes neuronales en el trading: Entrenamiento de metaparámetros basado en la heterogeneidad (Final):
El entrenamiento se estructura en dos fases complementarias, lo que proporciona a la vez una base sólida y la flexibilidad necesaria para trabajar en condiciones reales de mercado. En la primera fase offline, llevamos a cabo un entrenamiento exhaustivo con datos históricos del par EURUSD en el marco temporal H1 correspondiente a todo el año 2024. Este periodo abarcó todo el abanico de regímenes de mercado —mercados laterales tranquilos, tendencias sostenidas, picos bruscos de volatilidad y periodos de ruido intenso—, por lo que resultó ser una excelente escuela para el modelo.
La segunda fase consiste en un ajuste fino online. El modelo procesaba el flujo de velas de forma secuencial en el Probador de Estrategias de MetaTrader 5, lo más próximo posible al trading real. Esta fase pone de manifiesto propiedades totalmente distintas a las del entrenamiento offline: la capacidad de soportar el ruido, reaccionar adecuadamente ante los cambios en la liquidez, tener en cuenta las latencias y el efecto del deslizamiento. Simulamos minuciosamente las condiciones reales de ejecución para que el comportamiento del modelo siguiera siendo predecible al trasladarlo a condiciones reales de mercado.
La fase final y más rigurosa de la verificación se llevó a cabo sobre una muestra totalmente externa: las cotizaciones comprendidas entre enero y marzo de 2025. Todos los parámetros del modelo se mantuvieron congelados. Esta comprobación ofrece una visión objetiva de la eficacia práctica: la capacidad del algoritmo para mantener la estabilidad y la previsibilidad en nuevas condiciones.
A continuación se muestran los resultados de las pruebas.
Autor: Dmitriy Gizlyk