Inteligencia artificial inauguró nuevo periodo dentro del trading cuantitativo, mas error frecuente radica en creer que únicamente recopilar datos y entrenar algoritmo produce ganancias. Realidad resulta muy diferente: modelo de aprendizaje automático es tan bueno como calidad de datos con los cuales aprende y metodología usada durante su entrenamiento.
La calidad de los datos es la base.
Lo primero implica conseguir registros pasados veraces. Solo con valores de inicio, cima, fondo y final no es suficiente. Si el sistema posee más datos útiles, mejorará su habilidad para hallar tendencias.
Entre las variables más utilizadas destacan:
- Medias móviles exponencialmente suaves (EMA).
- Indicador RSI y MACD.
- Bollinger bandas.
- ATR sirve para medir volatilidad.
- Flujo Dinero Chaikin CMF punto final.
- Volumen y patrones VSA.
- Cambio en porcentaje de las ultimas velas.
- Esperando a la tendencia.
Cada indicador ofrece una visión diferente sobre el mercado actual.
Ingeniería de características
Valor real no está usualmente en indicadores únicos, sino en combinación entre ellos mismos.
Por ejemplo, un modelo puede aprender que una ruptura de resistencia tiene una probabilidad significativamente mayor de éxito cuando coincide con:
- Subida del coeficiente de fricción cinética.
- Inestabilidad que aumenta constantemente en magnitud.
- Se observa tendencia a subir en periodos largos.
- Verificación a través del volumen.
Dichos vínculos resultan complejos de hallar usando normas clásicas, aunque forman la fortaleza principal de la Aprendizaje Automático.
Entrenamiento y validación
Un problema habitual consiste en instruir al sistema empleando todo el registro accesible.
Lo adecuado implica separar los datos en dos grupos distintos.
- Entrenamiento de datos.
- Conjunto de datos para pruebas (Test Set).
Así se puede verificar si el método ha aprendido verdaderamente patrones del mercado o solo ha recordado el ayer (ajuste excesivo).
Un modelo que alcanza noventa y ocho por ciento de precisión en fase de aprendizaje puede actuar significativamente mal al enfrentarse con datos novedosos.
Reentrenamiento continuo
Los mercados cambian constantemente.
Una estrategia rentable hace seis meses puede dejar de serlo debido a cambios en la volatilidad, en la política monetaria o en el comportamiento institucional.
De ahí es aconsejable volver a entrenar al sistema frecuentemente usando las velas mas actuales, facilitando que la inteligencia artificial se acomode a los nuevos estados del mercado.
La importancia de la gestión del riesgo
Un modelo predictivo bueno no da beneficios si la gestión del dinero es mala.
La inteligencia artificial ha de integrarse en un conjunto sistémico que contenga:
- Tamaño de posición adaptable.
- Pérdida parada según volatilidad.
- Propósitos de ganancia factibles.
- Gestión del peligro por cada acción.
El vivir en el futuro requiere tanto buena calidad de pronósticos como gestión correcta del dinero disponible.
Conclusión
Formar un sistema de Aprendizaje Automático para operaciones financieras requiere un ciclo constante de estudio, medición y refinamiento. No hay ningún procedimiento perfecto que pueda predecir constantemente el comportamiento del mercado; sin embargo, una arquitectura adecuada, nutrida con información fiable y renovada regularmente se transforma en un recurso sumamente útil para apoyar la elección estratégica.
En ArousaFX continuaremos investigando formas de unir Python, inteligencia artificial y análisis cuantitativo para crear sistemas de negociación más sólidos, flexibles y eficaces en su funcionamiento operativo diario constante.
No hay comentarios:
Publicar un comentario