Discusión sobre el artículo "Redes neuronales en el trading: Señales de trading robustas en cualquier régimen de mercado (ST-Expert)"
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: Señales de trading robustas en cualquier régimen de mercado (ST-Expert):
Estamos acostumbrados a pensar en términos de correlaciones. Existe una relación constante entre el precio del petróleo y el tipo de cambio del dólar canadiense, entre los tipos de interés de la Reserva Federal y el sector tecnológico, y entre la demanda de oro y la evolución del dólar. Pero basta con que cambien las circunstancias externas para que estas dependencias se desmoronen. Durante la crisis del COVID-19 de 2020, en cuestión de semanas, las relaciones habituales entre las acciones, los bonos y las materias primas dejaron de reflejar la realidad. Incluso los cambios de régimen más moderados, como, por ejemplo, los ciclos de subida y bajada de los tipos de interés de la Reserva Federal, pueden alterar drásticamente las correlaciones y desbaratar modelos que parecían fiables.
El quid de la cuestión es que los algoritmos actuales se entrenan con intervalos de datos relativamente cortos y homogéneos. En estas condiciones de laboratorio, muestran resultados impresionantes al captar las sutiles interrelaciones entre los activos. Pero en cuanto el mercado se sale de los límites de la distribución habitual, la precisión de las predicciones cae drásticamente. En esencia, los modelos funcionan muy bien en épocas de calma, pero no son capaces de hacer frente a las transiciones de fase del mercado.
Esta situación recuerda en gran medida a las redes de transporte urbano, ejemplo a partir del cual los autores del trabajo «Robust Traffic Forecasting against Spatial Shift over Years» propusieron un nuevo framework ST-Expert. Mientras la ciudad permanece sin cambios, las previsiones de tráfico funcionan a la perfección. Pero basta con construir un nuevo intercambiador vial o inaugurar un gran centro comercial para que las rutas anteriores dejen de ser válidas. En el ámbito financiero, estos factores impulsores son las decisiones de los organismos reguladores, las sanciones, los conflictos geopolíticos o la aparición de nuevas tecnologías. El mapa de interrelaciones cambia, y los modelos antiguos quedan impotentes.
Para hacer frente a esta tarea, los autores de ST-Expert proponen una solución original basada en Mixture of Experts. Su idea clave es que el modelo no aprende a partir de una única estructura rígida de dependencias, sino a partir de múltiples generadores de grafos, los llamados grafones. Cada uno de ellos refleja un tipo concreto de comportamiento del mercado. Uno capta patrones en condiciones de tendencia estable, otro describe una fase de alta volatilidad y un tercero detecta correlaciones locales dentro de los sectores. Cuando el mercado cambia, el sistema no se viene abajo, sino que combina de forma adaptativa los escenarios ya aprendidos, creando nuevas conexiones entre los instrumentos y manteniendo la precisión de la previsión.
Autor: Dmitriy Gizlyk