Discusión sobre el artículo "Redes neuronales en el trading: Percepción adaptativa de la dinámica del mercado (Final)"
Utilizando el mismo código, se ha ejecutado STFS. Los datos de Critic son claramente erróneos.
Archivos adjuntos:
Artículo publicado Redes neuronales en el trading: Percepción adaptativa de la dinámica del mercado (Final):
Primera fase: entrenamiento offline con 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 de tiempo se convirtió en un auténtico campo de entrenamiento. El modelo aprendió a reconocer patrones históricos, analizar la dinámica de los precios y los volúmenes de las operaciones, e identificar las relaciones entre las características clave. STE-FlowNet desarrolló su propia intuición de operador, combinándola con una evaluación estratégica precisa, y adquirió gradualmente la capacidad de predecir el comportamiento del mercado y evaluar el riesgo de cada operación potencial.
La siguiente etapa —el ajuste fino en línea en el probador de estrategias de MetaTrader 5— traslada el entrenamiento a unas condiciones más realistas. El modelo procesa los flujos de datos, una vela tras otra. En este contexto, STE-FlowNet asimila la dinámica del mercado, aprende a mantener la estabilidad ante las fluctuaciones de ruido, a ajustar sus acciones en situaciones de baja liquidez y a reaccionar al instante ante los bruscos picos de precio. La estructura básica, formada a partir de datos históricos, permanece inalterada, pero el modelo aprende a reaccionar con flexibilidad ante la situación actual del mercado, minimizando el riesgo de sobreajuste y aumentando la precisión de las previsiones incluso en un entorno inestable.
La verificación final se realizó con datos totalmente nuevos correspondientes al periodo comprendido entre julio y septiembre de 2025. Todos los parámetros obtenidos en las etapas anteriores se cargaron sin modificaciones, lo que garantizó una evaluación imparcial de la capacidad de generalización de STE-FlowNet.
Autor: Dmitriy Gizlyk