Discusión sobre el artículo "Redes neuronales en el trading: una visión unificada del espacio y el tiempo (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: una visión unificada del espacio y el tiempo (Final):
El entrenamiento del modelo es una preparación completa para el trading. Antes de lanzarla al mercado real, probamos a fondo la estrategia con datos históricos. La primera fase —el entrenamiento offline— se llevó a cabo con una muestra del par de divisas EURUSD en el marco temporal H1, durante el periodo comprendido entre enero de 2024 y junio de 2025. Este periodo resultó ser intenso y variado: las fases tranquilas de mercados laterales se alternaban con bruscos movimientos tendenciales, y, en el contexto de las publicaciones de noticias, se producían repuntes de alta volatilidad. Esta combinación de condiciones permitió que el modelo aprendiera a distinguir una amplia variedad de escenarios de mercado y a generar decisiones de trading sólidas sin perder la orientación en situaciones complejas.
Una vez finalizada la primera fase de preparación, pasamos a la segunda: el ajuste fino online en el Probador de Estrategias de MetaTrader 5. Aquí los datos llegaban en tiempo real, vela tras vela, y el modelo iba asimilando la dinámica del funcionamiento en flujo continuo. Aprendía a mantener la estabilidad en medio del ruido, a hacer frente a la baja liquidez y a no desorientarse ante picos repentinos de precio. Esta fase supuso, en cierto modo, el perfeccionamiento de la estrategia. No modificaba el armazón construido sobre datos históricos, pero ayudaba a adaptarlo a las condiciones reales y reducía el riesgo de sobreajuste.
La comprobación final se llevó a cabo con los datos de julio de 2025, que no se habían utilizado anteriormente y eran totalmente nuevos para el modelo. Todos los parámetros obtenidos en las fases anteriores se cargaron sin modificaciones. Esta prueba limpia permitió evaluar de forma objetiva la capacidad de generalización del modelo, sin ningún tipo de ajuste ni corrección.
A continuación se presentan los resultados de las pruebas.
Autor: Dmitriy Gizlyk