Discusión sobre el artículo "Redes neuronales en el trading: señales de trading estables en cualquier régimen de mercado (Módulos de atención)"

Artículo publicado Redes neuronales en el trading: señales de trading estables en cualquier régimen de mercado (Módulos de atención):

En este artículo continuaremos con la implementación de los enfoques del framework ST-Expert, centrándonos en los aspectos prácticos de su uso mediante MQL5. En artículos anteriores, hemos analizado los fundamentos teóricos y los componentes clave del modelo; ahora pasaremos a trabajar directamente con los algoritmos de atención de grafos y de distribución de atención local y global. El objetivo principal de este artículo es mostrar cómo las ideas conceptuales de ST-Expert se convierten en soluciones funcionales para el análisis y la previsión de series financieras.

Imagine que estamos analizando el mercado de valores. Si el precio del petróleo empieza a subir, esto se refleja casi de inmediato en las cotizaciones de las empresas petroleras. Y esa tendencia puede extenderse a las divisas de los países productores de petróleo y a sectores enteros de industrias afines. El modelo clásico, basado únicamente en series temporales de precios, solo percibe una línea recta en la evolución de un instrumento concreto. ST-Expert, en cambio, es capaz de captar toda la cascada de cambios, ya que no solo trabaja con el tiempo, sino también con el espacio de las relaciones de mercado.

La arquitectura del framework se basa en el principio de Mixture of Experts (mezcla de expertos). Este enfoque puede compararse con el trabajo de un consejo de inversión. En él se reúnen analistas de diferentes especialidades: uno se especializa en análisis técnico, otro en macroeconomía y un tercero se dedica a estudiar las correlaciones entre sectores. Por separado, cada uno de ellos tiene unas capacidades limitadas. Pero cuando se suman sus opiniones, la decisión final resulta estar mucho más cerca de la realidad. Lo mismo ocurre en ST-Expert: cada bloque experto se encarga de su propia área de análisis, y el sistema combina sus previsiones para formular una decisión integral.



Autor: Dmitriy Gizlyk

¡Hola, Dmitriy!

¿Podrías crear un pequeño script para que los simples mortales podamos ver cómo funciona el modelo? Con datos sintéticos muy sencillos, por ejemplo, 10 puntos de ejemplo y 2 características. Con la posibilidad de mostrar un gráfico de la función de pérdidas o de exportar los resultados a un registro. A ser posible, solo con la CPU.

Porque los modelos que escribes son complicados y cuesta entenderlos. Necesito un ejemplo más claro :)