Discusión sobre el artículo "Superando las limitaciones del aprendizaje automático (Parte 5): Un breve resumen de la validación cruzada en series temporales"

[MetaQuotes]

Artículo publicado Superando las limitaciones del aprendizaje automático (Parte 5): Un breve resumen de la validación cruzada en series temporales:

En esta serie de artículos, analizaremos los retos a los que se enfrentan los traders algorítmicos a la hora de implementar estrategias de negociación basadas en el aprendizaje automático. Algunos retos de nuestra comunidad pasan desapercibidos porque requieren un conocimiento técnico más profundo. El debate de hoy sirve de punto de partida para analizar los puntos ciegos de la validación cruzada en el aprendizaje automático. Aunque a menudo se considera rutinario, este paso puede dar lugar fácilmente a resultados engañosos o subóptimos si no se lleva a cabo con cuidado. Este artículo repasa brevemente los aspectos fundamentales de la validación cruzada de series temporales para prepararnos para un análisis más detallado de sus puntos ciegos ocultos.

En nuestra serie de artículos relacionados, hemos abordado numerosas tácticas para hacer frente a los problemas derivados del comportamiento del mercado. Sin embargo, en esta serie nos centramos en los problemas que plantean los algoritmos de aprendizaje automático que queremos emplear en nuestras estrategias. Muchos de estos problemas se derivan de la arquitectura del modelo, de los algoritmos usados en la selección del modelo, de las funciones de pérdida que definimos para medir el rendimiento y de muchos otros aspectos de la misma índole.

Todos los componentes que, en conjunto, conforman un modelo de aprendizaje automático pueden generar obstáculos imprevistos a la hora de aplicar el aprendizaje automático al trading algorítmico, lo que requiere una evaluación diagnóstica minuciosa. Por lo tanto, resulta importante que cada uno de nosotros comprenda estas limitaciones y que, como comunidad, desarrollemos nuevas soluciones y definamos nuevas normas para nosotros mismos.

Los modelos de aprendizaje automático utilizados en el trading algorítmico se enfrentan a retos específicos, a menudo debidos a la forma en que los validamos y probamos. Un paso fundamental es la validación cruzada de series temporales, un método para evaluar el rendimiento del modelo con datos no vistos y ordenados cronológicamente.

A diferencia de lo que ocurre en la validación cruzada estándar, los datos de series temporales no pueden barajarse, ya que eso provocaría que se filtrara información futura hacia el pasado. Esto hace que el remuestreo resulte más complejo y obliga a buscar equilibrios específicos entre el sesgo, la varianza y la robustez.

En este artículo, presentamos la validación cruzada para series temporales, explicamos su función a la hora de evitar el sobreajuste y mostramos cómo puede ayudar a entrenar modelos fiables incluso con datos limitados. A partir de un pequeño conjunto de datos de dos años, demostramos cómo una validación cruzada adecuada mejoró el rendimiento de una red neuronal profunda en comparación con un modelo lineal sencillo.

Autor: Gamuchirai Zororo Ndawana