Discusión sobre el artículo "Redes neuronales en el trading: Modelo de difusión adaptativa sobre grafos (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: Modelo de difusión adaptativa sobre grafos (Final):
El entrenamiento del modelo se asemeja a una expedición bien planificada: antes de adentrarnos en el mar abierto del mercado real, nos entrenamos a fondo en el tranquilo puerto de la historia. Esta primera fase offline se basó en los datos del par de divisas EURUSD con timeframe H1 correspondientes a todo el año 2024, un periodo lleno de contrastes. Aquí hubo tanto aguas tranquilas, casi espejadas, de los movimientos laterales, como tormentas turbulentas de movimientos tendenciales bruscos y ráfagas inesperadas de volatilidad provocada por las noticias. Esta diversidad de escenarios de mercado permitió al modelo desarrollar una navegación estable y aprender a reconocer tanto los patrones habituales como los poco frecuentes del movimiento del precio, sin perder el rumbo ni siquiera en condiciones complejas.
Una vez finalizados los preparativos, llegó el momento de salir del muelle de entrenamiento y poner a prueba la nave en las corrientes del mercado real. La segunda fase —el ajuste online— se llevó a cabo ya en condiciones de combate en el probador de estrategias MetaTrader 5. Aquí, los datos llegaban de forma secuencial, vela tras vela, y el modelo aprendía no solo a analizar la información en streaming, sino también a mantener la estabilidad en los remolinos de ruido, en los bajíos inestables de baja liquidez y durante las inesperadas borrascas de noticias. Esta fase desempeñó el papel de ajuste minucioso: no rompía la estructura ya construida, sino que ayudaba a pulirla para adaptarla a la realidad, aumentando la adaptabilidad y reduciendo el riesgo de sobreajuste.
La prueba final fue una auténtica prueba de fuego. Tomamos los datos de enero de 2025 —totalmente nuevos, no utilizados en experimentos anteriores— y cargamos sin ningún cambio todos los parámetros obtenidos previamente. Fue un momento decisivo: sin ajustes ni correcciones adicionales, solo una prueba limpia que reflejaba la capacidad real del modelo para generalizar.
A continuación se muestran los resultados de las pruebas.
Autor: Dmitriy Gizlyk