Redes neuronales en el trading: Agregación del movimiento en el tiempo (TMA)

Redes neuronales en el trading: Agregación del movimiento en el tiempo (TMA)

El framework TMA ofrece una nueva perspectiva sobre la dinámica del mercado, permitiendo que los modelos capten no solo el estado del mercado, sino también el propio paso del tiempo. Su capacidad para extraer patrones de un flujo continuo de datos hace que el análisis sea más profundo y preciso que con los enfoques clásicos. Y la adaptación recurrente convierte este método en una herramienta práctica para trabajar con cotizaciones reales.
Métodos de muestreo MCMC: Algoritmo de muestreo por cortes (Slice sampling)

Métodos de muestreo MCMC: Algoritmo de muestreo por cortes (Slice sampling)

En este artículo analizaremos el método de muestreo por cortes (slice sampling), un algoritmo MCMC adaptativo que ajusta de forma autónoma los parámetros de muestreo. Su eficacia se ha demostrado en modelos bayesianos de regresión lineal y logística, y los resultados se comparan con los métodos frecuentistas clásicos.
Sistema de autoaprendizaje por refuerzo para el trading algorítmico en MQL5

Sistema de autoaprendizaje por refuerzo para el trading algorítmico en MQL5

En este artículo se desarrolla un sistema de aprendizaje automático multiagente para el trading algorítmico en MetaTrader 5 basado en el aprendizaje por refuerzo. El sistema tiene una arquitectura de tres niveles: las neuronas de memoria almacenan la experiencia, los agentes toman decisiones de forma independiente y la inteligencia colectiva los integra mediante una votación ponderada. El sistema se perfecciona continuamente mediante el aprendizaje Q, la poda de neuronas ineficaces y la reducción evolutiva de la exploración.
Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (Final)

Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (Final)

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.
Cópulas bivariantes en MQL5 (Parte 1): Implementación de cópulas gaussianas y t de Student para modelar la dependencia

Cópulas bivariantes en MQL5 (Parte 1): Implementación de cópulas gaussianas y t de Student para modelar la dependencia

Esta es la primera parte de una serie de artículos en los que se presenta la implementación de cópulas bivariantes en MQL5. Este artículo presenta el código que implementa las cópulas gaussianas y t de Student. Además, profundiza en los fundamentos de las cópulas estadísticas y en temas relacionados. El código se basa en el paquete de Python «ArbitrageLab», de Hudson and Thames.
Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (Componentes principales)

Redes neuronales en el trading: Modelos de refinamiento iterativo de previsiones (Componentes principales)

En este artículo desentrañaremos el funcionamiento interno del framework RAFT, uno de los enfoques más precisos y elegantes para el análisis de procesos dinámicos. Paso a paso, adaptamos su idea de refinamiento iterativo a las series temporales financieras, sentando así unas bases sólidas para el futuro modelo. Al lector le espera una inmersión dinámica en la arquitectura, donde cada componente tiene su razón de ser y su función.
Algoritmo de estructura cristalina — Crystal Structure Algorithm (CryStAl)

Algoritmo de estructura cristalina — Crystal Structure Algorithm (CryStAl)

En el artículo se presentan dos versiones del algoritmo de estructura cristalina: la original y la modificada. El algoritmo Crystal Structure Algorithm (CryStAl), publicado en 2021 e inspirado en la física de las estructuras cristalinas, se presentó como una metaheurística sin parámetros para la optimización global. Sin embargo, las pruebas pusieron de manifiesto un problema crítico del algoritmo. También presentamos una versión modificada de CryStAlm, que corrige las deficiencias clave de la versión original.
Redes neuronales en el trading: Percepción adaptativa de la dinámica del mercado (Final)

Redes neuronales en el trading: Percepción adaptativa de la dinámica del mercado (Final)

En este artículo continuamos trabajando en la implementación de los enfoques del framework STE-FlowNet, que combina el procesamiento multihilo con estructuras recurrentes para el análisis preciso de datos complejos. Las pruebas realizadas han confirmado su estabilidad y flexibilidad en distintos escenarios. Esta arquitectura acelera los cálculos y permite modelar con mayor profundidad las dependencias en las series temporales. Este enfoque abre nuevas posibilidades para su aplicación práctica en el trading y el análisis.
Superando las limitaciones del aprendizaje automático (Parte 6): Validación cruzada de memoria efectiva

Superando las limitaciones del aprendizaje automático (Parte 6): Validación cruzada de memoria efectiva

En este análisis, comparamos el enfoque clásico de la validación cruzada de series temporales con alternativas modernas que cuestionan sus supuestos fundamentales. Así, pondremos de manifiesto los principales puntos ciegos del método tradicional, especialmente su incapacidad para tener en cuenta la evolución de las condiciones del mercado. Para subsanar estas carencias, presentamos la «validación cruzada de memoria efectiva» (EMCV), un enfoque que tiene en cuenta el ámbito de aplicación y que pone en tela de juicio la creencia arraigada de que disponer de más datos históricos siempre mejora el rendimiento.
Métodos de muestreo MCMC: el algoritmo de Metropolis-Hastings

Métodos de muestreo MCMC: el algoritmo de Metropolis-Hastings

El algoritmo de Metropolis-Hastings es un método fundamental de Monte Carlo basado en cadenas de Markov (MCMC), ampliamente usado para aproximar distribuciones a posteriori en la inferencia bayesiana. El artículo describe los fundamentos teóricos del algoritmo, la implementación de la clase MHSampler en MQL5 y ejemplos de aplicación con un análisis de las muestras obtenidas.
Redes neuronales en el trading: Un enfoque semántico de impulsos para la identificación espaciotemporal (Final)

Redes neuronales en el trading: Un enfoque semántico de impulsos para la identificación espaciotemporal (Final)

En nuestra interpretación, S3CE-Net traduce hábilmente el mercado al lenguaje de los eventos y capta los primeros impulsos que los indicadores tradicionales simplemente promedian. El STFS garantiza la estabilidad del entrenamiento: el modelo ve los datos desde diferentes perspectivas y no se sobreajusta a las anomalías locales. Los bloques SSAM y la implementación en OpenCL aportan velocidad y precisión en la práctica, mientras que la separación entre los modos de entrenamiento y de explotación permite ahorrar recursos en producción.
Mapas autoorganizados de Kohonen en un asesor experto de MQL5

Mapas autoorganizados de Kohonen en un asesor experto de MQL5

Los mapas autoorganizados de Kohonen transforman el caos de los datos de mercado en un mapa bidimensional ordenado, en el que los patrones similares se agrupan entre sí. Este artículo muestra una implementación completa de SOM en un asesor experto de trading en MQL5 con cuatrocientas neuronas y aprendizaje continuo. Así, analizaremos el algoritmo de búsqueda de la Best Matching Unit, la actualización de los pesos mediante la función de vecindad gaussiana, la integración con efectos cuánticos y la generación de señales de trading. El código es abierto, las matemáticas son claras y los resultados se pueden verificar.
Redes neuronales en el trading: Un enfoque semántico de impulsos para la identificación espaciotemporal (Componentes principales)

Redes neuronales en el trading: Un enfoque semántico de impulsos para la identificación espaciotemporal (Componentes principales)

En este artículo hemos analizado en detalle la integración del módulo SSAM en el bloque SEW-ResNeXt, mostrando cómo el framework S3CE-Net permite combinar eficazmente la atención de impulsos con los bloques residuales. Esta arquitectura garantiza un procesamiento preciso de los flujos de datos temporales y espaciales, así como una gran estabilidad en el aprendizaje. La modularidad y la flexibilidad de los componentes facilitan la ampliación del modelo y la reutilización de métodos probados.
Algoritmo de circulación coronaria artificial — Artificial Coronary Circulation System (ACCS)

Algoritmo de circulación coronaria artificial — Artificial Coronary Circulation System (ACCS)

Algoritmo metaheurístico que imita el crecimiento de las arterias coronarias del corazón humano para tareas de optimización. Utiliza los principios de la angiogénesis (crecimiento de nuevos vasos sanguíneos), la bifurcación (ramificación) y la poda de ramas débiles para buscar soluciones óptimas en un espacio multidimensional. La comprobación de su eficacia en una amplia gama de tareas arrojó resultados inesperados.
Análisis de la influencia de los ciclos solares y lunares en los tipos de cambio

Análisis de la influencia de los ciclos solares y lunares en los tipos de cambio

¿Y si los ciclos lunares y los patrones estacionales influyesen en los mercados de divisas? Este artículo muestra cómo traducir los conceptos astrológicos al lenguaje de las matemáticas y el aprendizaje automático. Hemos creado un sistema en Python con 88 características basadas en ciclos astronómicos, he entrenado CatBoost con 15 años de datos del EUR/USD y he obtenido unos resultados interesantes. El código es abierto, los métodos se pueden comprobar, las conclusiones son inesperadas: la sabiduría ancestral se une al «gradient boosting».
Guía de aprendizaje automático para MetaTrader 5 (Parte 3): Método de etiquetado mediante exploración de tendencias

Guía de aprendizaje automático para MetaTrader 5 (Parte 3): Método de etiquetado mediante exploración de tendencias

Hemos creado un sólido proceso de ingeniería de características utilizando barras de ticks adecuadas para eliminar la fuga de datos y hemos resuelto el problema crítico del etiquetado mediante señales de triple barrera metaetiquetadas. En esta entrega se aborda la exploración de tendencias, una técnica avanzada de etiquetado para horizontes adaptativos. Tras explicar la teoría, se muestra un ejemplo de cómo se pueden utilizar las etiquetas de exploración de tendencias junto con el metaetiquetado para mejorar la estrategia clásica del cruce de medias móviles.
Características del Wizard MQL5 que debe conocer (Parte 85): Uso de patrones del oscilador estocástico y el FrAMA con aprendizaje por inferencia mediante beta-VAE

Características del Wizard MQL5 que debe conocer (Parte 85): Uso de patrones del oscilador estocástico y el FrAMA con aprendizaje por inferencia mediante beta-VAE

Este artículo es la continuación de la «Parte 84», en la que presentamos la combinación del indicador estocástico y la media móvil adaptativa fractal. Ahora centraremos nuestra atención en el aprendizaje por inferencia para analizar si es posible mejorar los resultados de los patrones de bajo rendimiento del artículo anterior. El indicador estocástico y el FrAMA forman un binomio complementario de impulso y tendencia. Para nuestro aprendizaje por inferencia, volvemos a examinar el algoritmo beta de un autoencoder variacional. Además, como siempre, nos encargamos de la implementación de una clase de señal personalizada diseñada para integrarse con el Asistente de MQL5.
Redes neuronales en el trading: Entrenamiento de modelos de impulsos profundos (Final)

Redes neuronales en el trading: Entrenamiento de modelos de impulsos profundos (Final)

En este artículo se muestra la implementación práctica del framework SEW ResNet mediante MQL5, haciendo hincapié en su aplicación práctica en el ámbito del trading. El «doble Bottleneck» permite analizar simultáneamente los flujos univariantes y las dependencias entre canales, sin perder los gradientes durante el entrenamiento. Las activaciones por impulsos con umbrales adaptativos y las compuertas mejoran la resistencia al ruido y la sensibilidad a las novedades del mercado. En el texto se detallan los aspectos de la implementación y los resultados de las pruebas.
Redes neuronales en el trading: De los modelos Transformer a las neuronas de impulsos (componentes clave)

Redes neuronales en el trading: De los modelos Transformer a las neuronas de impulsos (componentes clave)

Presentamos al lector una implementación de los enfoques del marco de trabajo SpikingBrain basados en la atención lineal recurrente con compuertas, que se analizan en detalle en este artículo. Los algoritmos de propagación hacia delante, de propagación de gradientes y de actualización de pesos garantizan un procesamiento eficiente de las series temporales financieras y permiten la aplicación práctica de los conceptos clave del marco de trabajo.
Redes neuronales en el trading: Entrenamiento de modelos de impulsos profundos (Integración de impulsos)

Redes neuronales en el trading: Entrenamiento de modelos de impulsos profundos (Integración de impulsos)

En este artículo se presenta la implementación práctica de los componentes clave del framework SEW-ResNet usando MQL5. El uso de arrays dinámicos y mecanismos de impulsos permite diseñar con flexibilidad la arquitectura del modelo y procesar de forma eficaz las series temporales financieras. Las soluciones propuestas muestran cómo SEW-ResNet puede optimizar los cálculos y mejorar la extracción de características relevantes.
Algoritmo de monos azules — Algoritmo Blue Monkey (BM)

Algoritmo de monos azules — Algoritmo Blue Monkey (BM)

En este artículo se presenta la implementación del algoritmo metaheurístico Blue Monkey, basado en la simulación del comportamiento social de los monos azules. En este, se examinan los mecanismos clave del algoritmo —la estructura grupal de la población, el seguimiento de líderes locales y la renovación generacional mediante la sustitución de los individuos adultos con peor rendimiento por las crías con mejor rendimiento— y se analizan los resultados de las pruebas.
Características del Wizard MQL5 que debe conocer (Parte 82): Uso de patrones del TRIX y del WPR con aprendizaje por refuerzo mediante una red Q profunda (DQN)

Características del Wizard MQL5 que debe conocer (Parte 82): Uso de patrones del TRIX y del WPR con aprendizaje por refuerzo mediante una red Q profunda (DQN)

En el último artículo, analizamos la combinación de Ichimoku y ADX en el framework del aprendizaje por inferencia. En este artículo retomamos el tema del aprendizaje por refuerzo cuando se utiliza junto con un par de indicadores que ya analizamos en la «Parte 68». El indicador TRIX y el rango porcentual de Williams. El algoritmo que usaremos en este análisis será la red Q profunda (DQN) con regresión por cuantiles. Como es habitual, presentamos este enfoque como una clase de señal personalizada diseñada para su implementación con el Asistente de MQL5.
Características del Wizard MQL5 que debe conocer (Parte 81): Uso de patrones de Ichimoku y ADX-Wilder con aprendizaje por inferencia mediante β-VAE

Características del Wizard MQL5 que debe conocer (Parte 81): Uso de patrones de Ichimoku y ADX-Wilder con aprendizaje por inferencia mediante β-VAE

Este artículo da continuidad a la «Parte 80», en la que examinamos la combinación de Ichimoku y ADX en un framework de aprendizaje por refuerzo. Ahora centraremos nuestra atención en el aprendizaje por inferencia. Como ya hemos comentado, Ichimoku y ADX son complementarios; sin embargo, vamos a repasar las conclusiones del último artículo en relación con el uso de la cadena de procesamiento. Para nuestro aprendizaje por inferencia, utilizaremos el algoritmo beta de un autocodificador variacional (VAE). Además, seguiremos utilizando una implementación de una clase de señal personalizada diseñada para integrarse con el Asistente de MQL5.
Algoritmo de búsqueda basado en cuervos — Crow Search Algorithm (CSA)

Algoritmo de búsqueda basado en cuervos — Crow Search Algorithm (CSA)

El algoritmo de búsqueda del cuervo (CSA) es una elegante metaheurística, inspirada en la capacidad de los cuervos para esconder comida y encontrar los escondites ajenos, que resuelve problemas de optimización mediante el equilibrio entre el seguimiento de soluciones exitosas y la exploración aleatoria del espacio de búsqueda. Vamos a averiguar qué rendimiento tiene el algoritmo.
Predicción de una distribución condicional mediante un perceptrón multicapa (MLP)

Predicción de una distribución condicional mediante un perceptrón multicapa (MLP)

En este artículo, analizaremos un modelo de regresión basado en un perceptrón multicapa (MLP) que predice no solo la esperanza condicional, sino también la varianza condicional. En otras palabras, entrenaremos nuestra red para que prediga la distribución completa de los precios futuros basándose en el vector de características de entrada. Pero para ello tendremos que implementar nuestra propia función de pérdida.
Reimaginando las estrategias clásicas (parte 16): Rupturas de las bandas de Bollinger dobles

Reimaginando las estrategias clásicas (parte 16): Rupturas de las bandas de Bollinger dobles

Este artículo guía al lector a través de una versión renovada de la clásica estrategia de ruptura de las bandas de Bollinger. En él se señalan las principales deficiencias del enfoque original, como su conocida propensión a las falsas rupturas. El artículo tiene como objetivo presentar una posible solución: la estrategia de trading de las bandas de Bollinger dobles. Este enfoque, relativamente menos conocido, soluciona las deficiencias de la versión clásica y ofrece una perspectiva más dinámica de los mercados financieros. Además, nos ayuda a superar las antiguas limitaciones impuestas por las normas originales, proporcionando a los traders un marco más sólido y adaptable.
Redes neuronales en el trading: De los Transformer a las neuronas de impulsos (SpikingBrain)

Redes neuronales en el trading: De los Transformer a las neuronas de impulsos (SpikingBrain)

El framework SpikingBrain presenta un enfoque único para el procesamiento de datos: las neuronas solo responden a eventos significativos, lo que permite filtrar eficazmente el ruido. Su arquitectura basada en eventos reduce los costes computacionales al tiempo que conserva la información clave sobre la evolución de los precios. Los umbrales adaptativos y la posibilidad de utilizar módulos preentrenados garantizan la flexibilidad y la escalabilidad del modelo.
Características del Wizard MQL5 que debe conocer (Parte 80): Uso de patrones Ichimoku y ADX-Wilder con aprendizaje por refuerzo TD3

Características del Wizard MQL5 que debe conocer (Parte 80): Uso de patrones Ichimoku y ADX-Wilder con aprendizaje por refuerzo TD3

Este artículo da continuidad a la "Parte 74", en la que examinamos la combinación de Ichimoku y el ADX en un marco de aprendizaje supervisado, y centra ahora la atención en el aprendizaje por refuerzo. Ichimoku y ADX forman una combinación complementaria para identificar los niveles de soporte y resistencia y determinar la fuerza de la tendencia. En esta entrega, analizamos cómo se puede utilizar el algoritmo Twin Delayed Deep Deterministic Policy Gradient (TD3) con este conjunto de indicadores. Al igual que en las partes anteriores de la serie, la implementación se realiza en una clase de señales personalizada diseñada para integrarse con el Asistente de MQL5, lo que facilita la creación de asesores expertos sin complicaciones.
Algoritmo del Bisonte: Bison Algorithm (BIA)

Algoritmo del Bisonte: Bison Algorithm (BIA)

Un nuevo método de optimización, el Algoritmo del Bisonte: Bison Algorithm (BIA), utiliza dos estrategias inspiradas en el comportamiento del bisonte para resolver problemas de optimización continua con una única función objetivo. Las características clave del BIA son dos principios fundamentales inspirados en el comportamiento del bisonte: la capacidad de moverse de forma dinámica y una estrategia defensiva.
Superando las limitaciones del aprendizaje automático (Parte 4): Cómo superar el error irreducible mediante múltiples horizontes de previsión

Superando las limitaciones del aprendizaje automático (Parte 4): Cómo superar el error irreducible mediante múltiples horizontes de previsión

El aprendizaje automático suele abordarse desde el punto de vista de la estadística o del álgebra lineal, pero, en este artículo, haremos hincapié en una perspectiva geométrica de las predicciones de los modelos. Así, demostraremos que los modelos no se aproximan realmente a la variable objetivo, sino que la representan en un nuevo sistema de coordenadas, lo que genera una desalineación inherente que da lugar a un error irreducible. El artículo sostiene que las predicciones a varios pasos, en las que se comparan las previsiones del modelo en distintos horizontes temporales, constituyen un enfoque más eficaz que las comparaciones directas con la variable objetivo. Aplicando este método a un modelo de negociación, el artículo demuestra que se consiguen mejoras significativas en la rentabilidad y la precisión sin modificar el modelo subyacente.
Redes neuronales en el trading: señales de trading estables en cualquier régimen de mercado (Módulos de atención)

Redes neuronales en el trading: señales de trading estables en cualquier régimen de mercado (Módulos de atención)

En este artículo continuaremos con la implementación de los enfoques del framework ST-Expert, centrándonos en los aspectos prácticos de su uso mediante MQL5. En artículos anteriores, hemos analizado los fundamentos teóricos y los componentes clave del modelo; ahora pasaremos a trabajar directamente con los algoritmos de atención de grafos y de distribución de atención local y global. El objetivo principal de este artículo es mostrar cómo las ideas conceptuales de ST-Expert se convierten en soluciones funcionales para el análisis y la previsión de series financieras.
Redes neuronales en el trading: Señales de trading robustas en cualquier régimen de mercado (Conclusión)

Redes neuronales en el trading: Señales de trading robustas en cualquier régimen de mercado (Conclusión)

El artículo ofrece un análisis detallado de la integración de los enfoques del framework ST-Expert en la arquitectura Extralonger, lo que permite analizar simultáneamente las representaciones vectoriales temporales y espaciales de los datos. Se presentan los resultados de las pruebas realizadas con datos históricos reales, que demuestran la eficacia del modelo y su robustez frente a las anomalías del mercado. El artículo describe la estructura modular del framework, que garantiza la reproducibilidad, la flexibilidad para la investigación y la capacidad de optimizar los componentes por etapas.
Ecuación simbólica de previsión del precio con SymPy

Ecuación simbólica de previsión del precio con SymPy

El artículo describe un enfoque interesante del trading algorítmico basado en ecuaciones matemáticas simbólicas, en lugar de las tradicionales «cajas negras» del aprendizaje automático. El autor muestra cómo transformar redes neuronales opacas en ecuaciones matemáticas legibles utilizando la biblioteca SymPy y la regresión polinómica, lo que permite comprender plenamente la lógica que subyace a las decisiones de trading. Este enfoque combina la potencia computacional del aprendizaje automático con la transparencia de los métodos clásicos, lo que permite a los traders analizar, ajustar y adaptar los modelos en tiempo real.