Presentamos el framework RAFT, una potente herramienta para el análisis y la previsión de series temporales financieras. Su arquitectura flexible y optimizada garantiza la precisión de las previsiones, la estabilidad del funcionamiento y agiliza el procesamiento de datos. RAFT reduce el riesgo de cometer errores y facilita la creación de estrategias de trading eficaces.
La primera fase del entrenamiento del modelo puede compararse con el ensayo de un principiante en el escenario histórico del mercado. Utilizamos los datos del par de divisas EURUSD en el marco temporal H1 para el periodo comprendido entre enero de 2024 y junio de 2025. Durante este intervalo de tiempo, el modelo obtiene un historial del mercado y aprende a reconocer patrones: la dinámica de los precios, los volúmenes de las operaciones y las relaciones ocultas entre las características clave. RAFT actúa aquí como un mentor experimentado: crea un estado informativo para el Actor y el Crítico, ayuda al modelo a desarrollar su propia intuición como operador y a acumular gradualmente experiencia estratégica, lo que le permite predecir el comportamiento del mercado y evaluar el riesgo de cada operación potencial.
La siguiente etapa es el ajuste en línea en el probador de estrategias de MetaTrader 5. Trasladamos el entrenamiento a un entorno dinámico, casi real. El modelo procesa los datos vela a vela, reaccionando a cada movimiento del precio. RAFT le permite mantener la estabilidad ante las fluctuaciones debidas al ruido, adaptarse a los movimientos bruscos y ajustar su comportamiento en situaciones de baja liquidez. La estructura básica, basada en datos históricos, sigue siendo el pilar fundamental, pero el modelo aprende a reaccionar con flexibilidad ante la situación actual del mercado, evitando el sobreajuste y mejorando la precisión de las previsiones incluso en un entorno inestable.
La fase final, la de pruebas, se lleva a cabo con datos totalmente nuevos correspondientes al periodo comprendido entre julio y septiembre de 2025. Todos los parámetros obtenidos en las etapas anteriores se cargan sin modificaciones, lo que garantiza una evaluación imparcial de la capacidad de generalización del modelo. A continuación se presentan los resultados de las pruebas.
Para iniciar sesión y usar el sitio web MQL5.com es necesario permitir el uso de Сookies.
Por favor, active este ajuste en su navegador, de lo contrario, no podrá iniciar sesión.
Ha iniciado sesión. La autenticación de dos factores se ha desactivado. Vuelva a configurarla y escanee un nuevo código QR, o continúe con la autenticación de dos factores desactivada.
Artículo publicado Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (Final):
La primera fase del entrenamiento del modelo puede compararse con el ensayo de un principiante en el escenario histórico del mercado. Utilizamos los datos del par de divisas EURUSD en el marco temporal H1 para el periodo comprendido entre enero de 2024 y junio de 2025. Durante este intervalo de tiempo, el modelo obtiene un historial del mercado y aprende a reconocer patrones: la dinámica de los precios, los volúmenes de las operaciones y las relaciones ocultas entre las características clave. RAFT actúa aquí como un mentor experimentado: crea un estado informativo para el Actor y el Crítico, ayuda al modelo a desarrollar su propia intuición como operador y a acumular gradualmente experiencia estratégica, lo que le permite predecir el comportamiento del mercado y evaluar el riesgo de cada operación potencial.
La siguiente etapa es el ajuste en línea en el probador de estrategias de MetaTrader 5. Trasladamos el entrenamiento a un entorno dinámico, casi real. El modelo procesa los datos vela a vela, reaccionando a cada movimiento del precio. RAFT le permite mantener la estabilidad ante las fluctuaciones debidas al ruido, adaptarse a los movimientos bruscos y ajustar su comportamiento en situaciones de baja liquidez. La estructura básica, basada en datos históricos, sigue siendo el pilar fundamental, pero el modelo aprende a reaccionar con flexibilidad ante la situación actual del mercado, evitando el sobreajuste y mejorando la precisión de las previsiones incluso en un entorno inestable.
La fase final, la de pruebas, se lleva a cabo con datos totalmente nuevos correspondientes al periodo comprendido entre julio y septiembre de 2025. Todos los parámetros obtenidos en las etapas anteriores se cargan sin modificaciones, lo que garantiza una evaluación imparcial de la capacidad de generalización del modelo. A continuación se presentan los resultados de las pruebas.
Autor: Dmitriy Gizlyk