Discusión sobre el artículo "Mapas autoorganizados de Kohonen en un asesor experto de MQL5"
MetaQuotes:
Yevgeniy, buenos díasSe ha publicado el artículo «Mapas autoorganizados de Kohonen» en la guía de MQL5:
Autor: Yevgeniy Koshtenko
¿Dónde puedo consultar y compilar el código fuente completo?
Es un enfoque interesante, me apetece experimentar un poco.
Artículo publicado Mapas autoorganizados de Kohonen en un asesor experto de MQL5:
Empecemos con una analogía sencilla. Imagine que es geógrafo y que tiene que elaborar un mapa de una zona desconocida. Dispone de las coordenadas de miles de puntos, mediciones de altitud, temperatura y humedad: una gran cantidad de parámetros para cada punto. ¿Cómo convertir este montón de números en un mapa bidimensional claro, en el que los lugares similares estén cerca unos de otros y los diferentes, lejos entre sí?
El mapa autoorganizado de Kohonen hace precisamente eso, pero con datos de mercado. Disponemos de un espacio multidimensional de características: precios, volúmenes, volatilidad, variaciones en distintos periodos e indicadores técnicos. Cada vela del gráfico es un punto en este espacio multidimensional. El SOM toma todos estos puntos y los proyecta en una rejilla bidimensional de neuronas, conservando al mismo tiempo la topología: las situaciones de mercado similares se sitúan en neuronas adyacentes del mapa.
La magia comienza durante el proceso de aprendizaje. La red está formada por una rejilla bidimensional de neuronas, por ejemplo, de veinte por veinte, es decir, cuatrocientas neuronas. Cada neurona tiene un vector de pesos de la misma dimensión que los datos de entrada. Cuando le mostramos a la red un nuevo patrón del mercado, esta encuentra la neurona con los pesos más similares; esta neurona se denomina «Best Matching Unit» o BMU. Entonces ocurre la magia: no solo la BMU actualiza sus pesos para parecerse aún más al patrón de entrada, sino que sus vecinas en el mapa también se desplazan en la misma dirección. Cuanto más lejos se está de la BMU, menor es su influencia.
Tras aprender de miles de situaciones de mercado, el mapa se autoorganiza. Las neuronas de una esquina del mapa pueden ser responsables de fuertes tendencias alcistas; en otra esquina, de caídas bajistas; y en el centro, de movimientos laterales e incertidumbre. El mapa crea una especie de geografía de los estados del mercado, en la que la distancia entre las neuronas refleja el grado de diferencia entre los patrones.
Autor: Yevgeniy Koshtenko