Discusión sobre el artículo "Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 13): Introducción a la teoría de control mediante la factorización de matrices"
No has adjuntado los archivos «include» de volatilityDoctor/Time..Trade. No es posible probar tu envío sin esos dos archivos «include».
Majeed Odubela #:
No has adjuntado los archivos de inclusión volatilityDoctor/Time..Trade. No se puede probar tu envío sin esos dos archivos de inclusión.
Majeed, lamento tu experiencia. No has adjuntado los archivos de inclusión volatilityDoctor/Time..Trade. No se puede probar tu envío sin esos dos archivos de inclusión.
Sin embargo, también debes comprender que este artículo forma parte de una serie más amplia de artículos relacionados que se complementan entre sí.
La clase que buscas se creó y se adjuntó desde cero en un artículo anterior.
Artículo publicado Desarrollo de asesores expertos autooptimizables en MQL5 (Parte 13): Introducción a la teoría de control mediante la factorización de matrices:
A menudo, resulta difícil planificar o prever las tendencias de los mercados financieros. El sentimiento de los inversores suele ser frágil y puede cambiar rápidamente dependiendo del clima global y de los problemas apremiantes que dominan la actualidad. Por lo tanto, las estrategias de trading que parecen rentables en un contexto histórico a menudo pueden fracasar cuando se aplican en mercados en tiempo real.
Existen muchas razones que podemos utilizar para explicar este comportamiento en las aplicaciones de trading. Sin embargo, un aspecto fundamental es que, una vez que nuestras aplicaciones han sido desarrolladas e implementadas, su comportamiento permanece fijo y, por lo general, no se puede modificar sin la intervención humana. Esto significa que nuestras estrategias son vulnerables a repetir los mismos errores una y otra vez sin sacar provecho del fracaso ni aprender de los errores del pasado.
Figura 1: Configuración de trading normal utilizada para implementar aplicaciones de trading en mercados financieros.
Se han propuesto numerosas soluciones a este problema recurrente. Sin embargo, una solución que encierra un gran potencial proviene del campo de la teoría de control. La teoría de control se centra principalmente en corregir el comportamiento de un sistema que opera en un entorno dinámico o caótico, con el objetivo de reorientar el sistema hacia una meta definida.
Al enviar periódicamente una copia del rendimiento de nuestra estrategia a un controlador de retroalimentación —uno que registra y observa cómo interactúa la estrategia con los mercados— podemos aproximar la relación entre el comportamiento de nuestra estrategia y los resultados del mercado. Este controlador tiene como objetivo identificar patrones dominantes correlacionados tanto con operaciones perdedoras como con operaciones ganadoras. Si existe tal estructura, y podemos aprender de ella, entonces, en teoría, el controlador de retroalimentación debería ser capaz de modificar y guiar la dinámica de nuestro sistema de trading hacia la rentabilidad, incluso durante condiciones de mercado caóticas y en constante cambio.
Esto modificará efectivamente la estructura de despliegue de nuestra estrategia con respecto al diagrama esquemático representado en la Figura 1. En la Figura 2, presentamos al lector una notación simple utilizada en la literatura sobre teoría de control y denotamos las señales de entrada del mercado como (M) y denotamos las salidas de nuestra estrategia como (S).
Figura 2: Podemos redefinir nuestra aplicación de trading utilizando una notación abreviada para representar las entradas del mercado (M) y la salida de la estrategia (S).
Autor: Gamuchirai Zororo Ndawana