Discusión sobre el artículo "Redes neuronales en el trading: De los modelos Transformer a las neuronas de impulsos (componentes clave)"
MetaQuotes :
Hola. Me gustaría comentar que, al intentar compilar Neuronet.mqh, me han aparecido errores relacionados con un número incorrecto de parámetros en el archivo Math.mqh. En un artículo anterior, usted respondió que había que cambiar MathPow por ::MathPow; y ahí es donde me surge la duda. Como no soy programador, no sé si debo modificar las funciones MathPow que se encuentran en Neuronet.mqh o en Math.mqh. Le agradecería que me lo aclarara. Se ha publicado el artículo «Redes neuronales en el trading: de los transformadores a las neuronas de impulsos (componentes básicos)» :
Autor: Dmitry Gizlyk
Un saludo.
Artículo publicado Redes neuronales en el trading: De los modelos Transformer a las neuronas de impulsos (componentes clave):
En este punto, conviene analizar más detenidamente un elemento importante de la arquitectura: el mecanismo de codificación de las señales en impulsos. En el caso de las series temporales financieras, esta tarea resulta especialmente compleja: no basta con registrar simplemente los valores de los precios o los volúmenes, sino que también hay que transformarlos a un formato en el que cada impulso refleje un cambio significativo en los datos. Los autores proponen varias estrategias de codificación. Desde un enfoque sencillo basado en umbrales —en el que se produce un impulso cuando se supera un valor crítico— hasta esquemas más complejos que tienen en cuenta la tasa de variación y el contexto de los eventos anteriores. Esta amplia variedad de métodos hace que el modelo sea versátil. Puede funcionar igual de bien con datos de alta frecuencia, en los que cada milisegundo cuenta, que con gráficos diarios más tranquilos, en los que lo que más importa es la tendencia general.
El siguiente bloque clave lo constituyen los integradores. Se encargan de acumular y sumar los impulsos entrantes, determinando el momento en el que una neurona se activa. Desde el punto de vista de los mercados financieros, esto es similar a un mecanismo de filtrado de ruido: muchas pequeñas fluctuaciones pueden ignorarse, pero su efecto acumulativo, una vez que alcanza un umbral determinado, desencadena una respuesta del modelo. Este principio permite que el modelo mantenga un equilibrio entre sensibilidad y estabilidad, lo cual resulta especialmente valioso ante el ruido de mercado.
Los autores del marco de trabajo propusieron un modelo en el que la organización híbrida de las capas desempeña un papel fundamental. Algunas de ellas se especializan en identificar patrones a corto plazo, captando las rápidas fluctuaciones del mercado. Otras se centran en integrar las señales en un horizonte temporal más amplio, lo que permite generar previsiones más estables. Esta combinación dota al sistema de una especie de visión dual. Es capaz tanto de captar los detalles más sutiles del momento presente como de mantener una perspectiva estratégica. Para los mercados financieros, esto equivale a poder ver tanto el movimiento de la manecilla de los segundos de un cronómetro como el ritmo general del péndulo que determina el paso del tiempo.
Autor: Dmitriy Gizlyk