Discusión sobre el artículo "Redes neuronales en el trading: Señales de trading robustas en cualquier régimen de mercado (Conclusión)"
¿Alguien podría decirme cómo solucionar esto?
«Math» no es una clase, estructura ni unión VAE.mqh 93 8
«MathRandomNormal»: se espera algún operador VAE.mqh 93 14
No se permite la conversión del tipo de parámetro «int[1]» a «const uint[] &» VAE.mqh 135 55
Número de parámetros incorrecto: se han pasado 4, pero se requieren 5 VAE.mqh 135 15
Podría ser una de estas dos funciones: VAE.mqh 135 15
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[]) OpenCL.mqh 82 22
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[], const uint&[]) OpenCL.mqh 83 22
???
¿Alguien podría decirme cómo solucionar esto? -
«Math» no es una clase, una estructura ni una unión VAE.mqh 93 8
«MathRandomNormal»: se espera algún operador VAE.mqh 93 14
No se permite la conversión de parámetros del tipo «int[1]» a «const uint[] &» VAE.mqh 135 55
Número de parámetros incorrecto: se han pasado 4, pero se requieren 5 VAE.mqh 135 15
Podría ser una de las dos funciones VAE.mqh 135 15
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[]) OpenCL.mqh 82 22
bool COpenCL::Execute(const int, const int, const uint&[], const uint&[], const uint&[]) OpenCL.mqh 83 22
???
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Redes neuronales en el trading: Señales de trading robustas en cualquier régimen de mercado (Conclusión):
La primera fase —el entrenamiento fuera de línea— se llevó a cabo utilizando datos históricos del par de divisas EURUSD en el marco temporal H1, correspondientes al periodo comprendido entre enero de 2024 y junio de 2025. Este periodo resultó ser un auténtico campo de pruebas para el modelo. El entorno tan variado permitió al modelo perfeccionar su capacidad para reconocer señales clave, tomar decisiones de negociación sólidas y mantener el rumbo incluso en las situaciones más caóticas. En esta fase, el modelo no solo estaba aprendiendo a repetir patrones históricos, sino también a comprender las regularidades del mercado, adaptándose a la dinámica de los precios y al volumen de negociación. Al igual que un trader con experiencia que analiza el mercado utilizando a la vez la intuición y la estrategia.
Tras completar con éxito el entrenamiento fuera de línea, pasamos a la segunda fase: el ajuste fino en línea en el Probador de estrategias de MetaTrader 5. En este caso, los datos llegaban en tiempo real, una vela tras otra, y el modelo aprendió a gestionar el flujo del mercado a velocidades reales. Aprendió a desenvolverse ante la dinámica de las fluctuaciones reales de los precios, a mantenerse estable ante el ruido del mercado, a adaptar sus acciones en períodos de baja liquidez y a reaccionar al instante ante picos repentinos. Esta etapa sirvió para perfeccionar en cierta medida la estrategia. La estructura subyacente, basada en datos históricos, se mantuvo sin cambios, pero el modelo aprendió a adaptarse a las condiciones actuales del mercado, minimizando el riesgo de sobreajuste y mejorando su capacidad para tomar decisiones en un entorno impredecible.
La prueba final se llevó a cabo utilizando datos de julio y agosto de 2025, datos que eran totalmente nuevos y que no se habían utilizado anteriormente. Todos los parámetros obtenidos en las etapas anteriores se cargaron sin modificaciones, lo que permitió realizar una evaluación imparcial de la capacidad de generalización del modelo. A continuación se presentan los resultados de las pruebas.
Autor: Dmitriy Gizlyk