ML RSI an AI Classification and Ranking

Descripción general

ML RSI | Clasificación y clasificación mediante IA es un sistema de inteligencia RSI adaptativo que combina el análisis del impulso, el reconocimiento de analogías históricas, la clasificación mediante aprendizaje automático, la puntuación de confianza y la gestión dinámica de tendencias en un único marco.

En lugar de interpretar el RSI únicamente a través de los umbrales tradicionales de sobrecompra y sobreventa, el indicador examina cómo se han comportado históricamente entornos similares del RSI y utiliza esas observaciones para clasificar las condiciones actuales del mercado. El indicador transforma el RSI en un espacio de características multidimensional, almacena el comportamiento histórico del mercado, identifica los análogos históricos más cercanos y permite que dichos análogos «voten» sobre la tendencia futura. A continuación, un motor adaptativo de optimización de características aprende de forma continua qué características del RSI proporcionan el mayor valor predictivo en las condiciones actuales del mercado.

El resultado es un sistema híbrido que combina:

· Análisis multidimensional del RSI

· Correspondencia analógica histórica

· Clasificación mediante aprendizaje automático

· Ponderación adaptativa de características

· Puntuación de rango y confianza

· Gestión de tendencias basada en IA

Por qué este indicador es único

No se trata de un RSI convencional. Es un motor de clasificación totalmente analógico. Convierte el comportamiento del RSI en una «huella digital» del mercado compuesta por ocho características, almacena ejemplos históricos, los clasifica según su resultado futuro, busca las situaciones pasadas más similares, permite que esos casos análogos «voten» y, a continuación, convierte el resultado en un RSI de aprendizaje automático adaptativo, puntuaciones de clasificación y confianza, señales y un Supertrend modulado por aprendizaje automático.

1. Crea 8 características derivadas del RSI

No se limita a utilizar el valor del RSI. Modela: el nivel del RSI, la pendiente, la aceleración, la distancia respecto a 50, el rango percentil, la volatilidad del RSI, el diferencial entre el RSI rápido y el lento, y el régimen suavizado del RSI. Cada barra se convierte en un estado multidimensional del impulso, no solo en «el RSI es 63».

2. Crea un banco de memoria

Cada barra confirmada se almacena con una instantánea de sus características y una etiqueta de resultado futuro. La etiqueta se basa en si el precio subió o bajó tras un horizonte temporal fijo, escalado por el ATR. Este es el conjunto de datos de aprendizaje.

3. Utiliza el método de correspondencia analógica de los K vecinos más cercanos

Para la barra actual, el indicador analiza el historial y encuentra los ejemplos pasados más cercanos utilizando una distancia comprimida de tipo lorentziano. Esto reduce el impacto de los valores atípicos: las grandes discrepancias en las características no dominan por completo el modelo.

4. Permite que los análogos voten

Los vecinos más cercanos votan a la alza o a la baja, ponderados por la distancia. Las coincidencias más cercanas tienen mayor peso. El resultado es: puntuación de los análogos, dirección del sesgo, fracción de concordancia y estrechez de la brecha.

5. Optimiza automáticamente las ponderaciones de las características

Un cálculo al estilo del discriminante de Fisher determina qué características del RSI distinguen mejor, en cada momento, los resultados alcistas de los bajistas. Las ponderaciones se reescalan y se suavizan a lo largo del tiempo, de modo que el modelo puede aprender que la pendiente del RSI es más importante en un instrumento, mientras que el percentil o el régimen del RSI lo son más en otro.

6. Establece una clasificación y un nivel de confianza

Las señales no se activan simplemente porque el modelo cambie a alcista o bajista. Deben superar un sistema de control de calidad:

· La clasificación combina la concordancia, la estrechez de la distancia, la alineación de la tendencia, la salud de la volatilidad, el ajuste al régimen, el ajuste de la pendiente, la suavidad, la persistencia y las penalizaciones por fluctuaciones bruscas o cambios prematuros.

· La confianza se centra en la concordancia analógica, la estrechez, la persistencia y el ajuste de la pendiente.

7. Añade la Supertendencia adaptativa

El ancho de la banda Supertrend varía en función de la convicción del aprendizaje automático. Una convicción alta estrecha el trailing stop. Una convicción baja o un mercado volátil lo ensancha.

Cómo funciona

Motor de características de aprendizaje automático

La mayoría de los indicadores RSI analizan un único valor. El RSI basado en aprendizaje automático transforma el RSI en una huella completa del impulso: ocho características independientes que describen cómo se comporta el impulso bajo la superficie:

· Valor del RSI : nivel actual del RSI

· Pendiente del RSI : tasa de variación

· Aceleración del RSI : variación de la variación

· Distancia desde el punto neutro — Distancia desde el punto medio 50

· Rango percentil del RSI : posición actual del RSI respecto al historial reciente

· Volatilidad del RSI — Desviación estándar del RSI

· Diferencial entre el RSI rápido y el lento: diferencia entre el RSI a corto plazo y el RSI a largo plazo

· Régimen del RSI — Tendencia direccional suavizada del RSI

En conjunto, estos elementos ofrecen una visión mucho más completa que una simple lectura del RSI. En lugar de preguntarse «¿En qué nivel se encuentra el RSI?», el modelo se pregunta «¿Qué tipo de comportamiento del impulso se está produciendo actualmente?».

Memoria analógica histórica

El indicador va creando continuamente un banco de datos con el comportamiento histórico del mercado. Cada barra confirmada se almacena junto con su «huella digital» del RSI y el resultado futuro que se produjo a continuación. Con el tiempo, el modelo acumula cientos o miles de ejemplos reales del mercado a los que puede recurrir.

Motor de clasificación basado en IA

El indicador busca situaciones históricas que se asemejen mucho al mercado actual en las ocho características del RSI simultáneamente. La similitud se mide utilizando una función de distancia lorentziana ponderada. A diferencia de la distancia euclidiana tradicional, la compresión logarítmica reduce la influencia de los valores atípicos extremos y evita que una sola característica domine la comparación. El objetivo no es encontrar gráficos idénticos, sino encontrar entornos históricos de impulso que se comportaran de manera similar.

Votación de análogos históricos

Tras localizar las coincidencias históricas más cercanas, el sistema permite que estas voten sobre la dirección actual del mercado. Los análogos más cercanos tienen mayor influencia. Los votos ponderados dan como resultado:

· Sesgo direccional

· Concordancia entre análogos

· Capacidad de clasificación

· Calidad de la similitud

· Convicción de mercado

En lugar de predecir el futuro directamente, el modelo se pregunta: «¿Cómo se comportaron los entornos de impulso más similares cuando se dieron anteriormente?».

Optimizador adaptativo de características

Los mercados cambian constantemente. Las características que tienen un alto poder predictivo en un régimen pueden resultar menos útiles en otro. El modelo evalúa continuamente qué características del RSI distinguen mejor los resultados alcistas de los bajistas utilizando el análisis discriminante de Fisher. Las características que distinguen de forma consistente las condiciones ganadoras de las perdedoras reciben mayor ponderación; aquellas que pierden poder predictivo ven reducida su influencia con el tiempo.

Motor de clasificación y confianza

Cada configuración recibe dos evaluaciones independientes.

La clasificación mide la calidad de la configuración:

· Coincidencia histórica , calidad analógica, alineación de tendencias

· Condiciones de volatilidad , estructura del régimen

· Consistencia del impulso , estabilidad del mercado

Las medidas de confianza reflejan la convicción del modelo:

· Consenso histórico , agrupamiento por analogía

· Consistencia direccional , persistencia de la señal

· Confirmación estructural

Las señales solo se generan una vez que se han cumplido los umbrales de calidad y de confianza.

Sistema ML Supertrend

A diferencia de los Supertrends tradicionales, que se basan en un multiplicador fijo del ATR, el ML Supertrend ajusta dinámicamente la sensibilidad en función de la solidez de la clasificación:

· Alta convicción: las bandas se estrechan, los cambios de tendencia se producen más rápidamente y los stops responden con mayor rapidez

· Baja convicción: las bandas se ensanchan, aumenta la tolerancia al ruido y se reducen las oscilaciones bruscas

Cómo utilizarlo

Cómo interpretar el RSI de ML

El RSI de ML oscila entre 0 y 100.

· Por encima de 50: predominan las condiciones de impulso alcista

· Por debajo de 50: predominan las condiciones de impulso bajista

· Por encima de 70: fuerte presión alcista

· Por debajo de 30: fuerte presión bajista

Cómo interpretar las señales

Las señales de posición larga y corta solo aparecen cuando el modelo detecta un cambio significativo en las condiciones del mercado y dicho cambio cumple los requisitos tanto de calidad como de confianza.

· Señal de compra : el motor de clasificación ha identificado un entorno alcista respaldado por la concordancia con casos históricos similares, la estructura de la tendencia y las condiciones del mercado.

· Señal de venta : el motor de clasificación ha identificado un entorno bajista respaldado por la concordancia con casos históricos similares, la estructura de la tendencia y las condiciones del mercado.

Cómo utilizar el ML Supertrend

· El Supertrend cambia a alcista: el modelo considera que el mercado se encuentra en un régimen de tendencia alcista

· El Supertrend cambia a tendencia bajista: el modelo considera que el mercado se encuentra en un régimen de tendencia bajista

Utiliza el ML Supertrend tanto como filtro de tendencia como stop dinámico.

Configuración