Micro gravity regression AIselfregulation system

Indicador de sistema holográfico de mercado adaptativo AI basado en la teoría de la microestructura y el campo

Resumen:

El objetivo de este artículo es explorar los principios de construcción y el mecanismo de aplicación de una novedosa herramienta de análisis de los mercados financieros: el sistema de autorregulación de IA por regresión de microgravedad. Este sistema fusiona la teoría de la microestructura del mercado, la mecánica clásica (modelos de elasticidad y gravedad), la teoría de la entropía de la información y algoritmos adaptativos de IA. Mediante la agregación de datos a nivel de Tick en tiempo real, la modelización física de la densidad de absorción y la utilización de un mecanismo de decaimiento dinámico basado en la entropía, el sistema intenta construir un campo físico dinámico capaz de cuantificar la "Masa", la "Tensión" y el "Estado" del mercado, proporcionando un apoyo visualizado a la toma de decisiones para la negociación de alta frecuencia y swing trading.

1. Introducción

Los indicadores técnicos tradicionales (como MA, RSI) se basan principalmente en el procesamiento lineal de los precios de cierre, lo que a menudo provoca retrasos y dificultades para captar los detalles del juego interno de los precios. Con el desarrollo de la negociación de alta frecuencia, los datos basados en el flujo de órdenes y la microestructura se han vuelto cruciales. El sistema MicroStructure HUD propuesto en este estudio ya no considera el precio como una mera secuencia numérica, sino como una entidad física con "Masa" y "Energía". Al simular el Centro de Masa (CdM) en un campo físico y la tensión elástica según la Ley de Hooke, revela las fuerzas motrices intrínsecas del movimiento de los precios.

2. Lógica y proceso de implementación

La implementación del código central de este sistema puede descomponerse en cuatro módulos acoplados: la Capa de Agregación de Datos, la Capa de Cálculo Físico, la Capa Adaptativa Ponderada por la Entropía y la Capa de Aprendizaje de Inteligencia Artificial.

2.1 Capa de agregación de datos: Agregación de huellas

• Lógica: El sistema intercepta primero cada Tick (cambio de precio) en el mercado en tiempo real a través de la función UpdateFootprintData.

• Proceso:

  • Binning: El espacio de precios se divide en varios niveles de precios discretos (Bins) según un GlobalStep (por ejemplo, 0,5 o 1,0 puntos).

  • Identificación de la dirección del flujo: Comparando el cambio de precio entre el Tick actual y el Tick anterior, determina si es una Compra activa o una Venta activa.

  • Acumulación: Dentro de la estructura BarFP de cada vela, el sistema acumula dinámicamente el volumen (Ticks), el volumen de compra y el volumen de venta para cada nivel de precios.

• Propósito: Transformar datos de series temporales en datos de distribución espacial, construyendo la "base material" del mercado.

2.2 Capa de cálculo físico: Masa y Densidad de Absorción (Physics Engine & Absorption)

• Lógica: Partiendo de la hipótesis de que "Volumen es igual a Masa", el sistema calcula el Centro de Masa (CdM) del mercado. La versión 16.0 introduce el concepto de "Densidad de Absorción".

• Proceso:

  • Ponderación de la Densidad: En CalculatePhysics, la masa ya no es sólo volumen. El sistema calcula el desequilibrio de compra/venta:

    $$Desbalance = \frac{|Compra - Venta|}{Total}$$
    $$FactorDensidad = 1.0 + Desequilibrio \times (Ganancia - 1.0)$$

  • Base científica: Cuanto más intensa es la lucha entre toros y osos (desequilibrio alto), mayor es la "densidad" en ese nodo de precio, formando un soporte/resistencia más sólido.

  • Decaimiento temporal: Se introduce un factor de decaimiento ( decay_factor ); los datos más alejados del tiempo actual aportan menos masa($Peso = Decaimiento^{Distancia}$).

  • Cálculo del centro de masa (CoM):

    $$CoM = \frac{\suma (Precio_i \veces Masa_i)}{\suma Masa_i}$$

  • Cálculo de la tensión: Basándose en la Ley de Hooke, el sistema calcula la fuerza restauradora (Tensión) generada por la desviación del precio actual respecto al CdM.

    $$Tensión = (Precio - CoM) \times K_{elasticidad}$$

2.3 Capa adaptativa ponderada por la entropía: Memoria dinámica (entropía y decaimiento dinámico)

• Lógica: Los estados del mercado cambian entre ordenados (tendencia) y desordenados (oscilación). El sistema utiliza CalculateEfficiency para calcular el Coeficiente de Eficiencia (ER) como indicador indirecto de la "Entropía negativa".

• Implementación:

  • Si ER es alto (tendencia obvia), el sistema aumenta el coeficiente de decaimiento (por ejemplo, 0,99), pasando de la memoria a corto plazo a la memoria a largo plazo, porque las tendencias tienen inercia.

  • Si la ER es baja (caos en el mercado), el sistema disminuye el coeficiente de decaimiento (por ejemplo, 0,80), acelerando el olvido de los datos históricos para adaptarse a los cambios rápidos.

2.4 Capa de aprendizaje de IA: Reparación automática de parámetros (aprendizaje activo de IA)

• Lógica: A través de la función TrainModel, el sistema posee capacidades de autorreflexión.

• Proceso:

  • Predicción: Registra estados históricos de alta tensión ( Alerta de Tensión ).

  • Validación: Después de $N$ periodos, comprueba si el precio se ha invertido como se esperaba (vuelto al Centro de Masa).

  • Recompensa/Castigo:

    • Si la predicción tiene éxito (la alta tensión lleva a la inversión), se refuerzan los parámetros actuales.

    • Si la predicción falla (el precio sigue rompiendo después de la alta tensión), el coeficiente de elasticidad $K$ se reduce (indicando que el mercado ha roto sus restricciones originales y ha entrado en un nuevo equilibrio), o los parámetros se penalizan.

  • Olvido: Las correcciones de los parámetros retroceden de forma natural a los valores de referencia con el paso del tiempo para evitar el sobreajuste.

3. Bases científicas

3.1 Teoría de la microestructura del mercado

La estructura Bin del código se corresponde directamente con el Limit Order Book (LOB) y el Trade Flow de la teoría de la microestructura.

• Absorción: La práctica de aumentar el peso de la masa a través del Desequilibrio en el código simula científicamente el fenómeno de "absorción". Cuando un gran número de Órdenes de Mercado atacan un nivel de precios específico pero el precio no se mueve, implica que las Órdenes Límite han absorbido toda la liquidez. En el modelo físico, esto se manifiesta como una "densidad" extrema en ese lugar, lo que dificulta su penetración (una masa elevada se traduce en una fuerte tracción del CdM).

3.2 Mecánica estadística y reversión a la media

• Centro de Masa (CdM): Representa el "Valor Justo" o "Zona de Consenso" del mercado. Según la mecánica estadística, las partículas (precios) siempre tienden a distribuirse en el estado de menor energía (cerca del centro de masa).

• Tensión: Cuantifica el grado de desviación de los precios con respecto al consenso. Una desviación excesiva provoca un aumento de la energía potencial del sistema, lo que a su vez genera una fuerza restauradora inversa. Cuando Tensión > Umbral de Alerta , implica que el mercado se encuentra en un estado inestable, y la probabilidad de Reversión a la Media o de una Transición de Fase (Breakout) es extremadamente alta.

3.3 Entropía de la información y sistemas adaptativos

La lógica InpDynamicDecay a la que se hace referencia en el código se basa en la cibernética.

• Estado de baja entropía (Tendencia): Alta eficiencia en la transmisión de información; los precios históricos tienen un fuerte significado orientativo para el futuro, por lo que el sistema amplía la memoria (Alto Decaimiento).

• Estado de alta entropía (Oscilación): El mercado está lleno de ruido; la información histórica pierde validez rápidamente, por lo que el sistema acorta la memoria (Decaimiento bajo). Este diseño resuelve el problema de adaptabilidad de los indicadores tradicionales con "parámetros fijos" a través de diferentes condiciones de mercado.

4. Análisis y conclusiones

4.1 Análisis visual: Núcleo Naranja y Alerta Roja

• Bloques naranjas (soporte del núcleo): En la visualización, las zonas naranjas identificadas por la lógica de código phy_grid[i].state == "Core" representan zonas de alta densidad y gran masa. Se trata de líneas defensivas construidas por el compromiso real de capital tanto de toros como de osos, que sirven como fuertes niveles de soporte/resistencia en la negociación.

• Líneas de conexión rojas (Alerta de tensión): Cuando la línea de tensión se vuelve roja ( Tensión > 8,0 ), indica que el precio es como una goma elástica estirada hasta su límite. En este punto, uno no debe perseguir la tendencia sino buscar señales de reversión.

4.2 Limitaciones y ventajas del modelo

• Ventajas: Este modelo se desliga completamente de los algoritmos MA retardados, modelando directamente en base a las propiedades físicas de las transacciones. La identificación de soportes y resistencias tiene precisión física. La introducción del módulo de IA le confiere capacidades "evolutivas" rudimentarias.

• Limitaciones: Impulsado por eventos noticiosos de alta volatilidad, las leyes físicas pueden fallar temporalmente (por ejemplo, brechas de precios que escapan al campo gravitacional). Por ello, se introduce en el código InpTensionAlert como aviso de transición de fase.

4.3 Conclusión

El "Sistema de autorregulación de IA por regresión microgravitatoria" no es sólo un indicador; es un sistema de simulación física basado en el espacio cuatridimensional de Precio-Volumen-Tiempo-Entropía. A través del análisis por capas de la lógica del código, vemos que utiliza la "densidad" de microdatos para construir un campo gravitatorio, utiliza la "entropía" para regular la percepción del tiempo y utiliza la "IA" para corregir las constantes físicas. Esta fusión interdisciplinar ofrece una perspectiva analítica totalmente nueva para el comercio cuantitativo basado en los primeros principios.

Palabras clave: Microestructura del mercado, centro de masa, negociación algorítmica, sistema adaptativo, MQL5