Discusión sobre el artículo "Filtrado de estacionalidad y período de tiempo para modelos de Deep Learning ONNX con Python para EA"
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Artículo publicado Filtrado de estacionalidad y período de tiempo para modelos de Deep Learning ONNX con Python para EA:
¿Podemos beneficiarnos de la estacionalidad al crear modelos para Deep Learning con Python? ¿Ayuda el filtrado de datos para los modelos ONNX a obtener mejores resultados? ¿Qué periodo de tiempo debemos utilizar? Trataremos todo esto a lo largo de este artículo.
Después de leer el artículo Benefiting from Forex Market Seasonality (Beneficiarse de la estacionalidad del mercado Forex), decidí escribir otro documento para comparar el rendimiento de un EA (Asesor Experto) con y sin la incorporación de estacionalidad, para ver si puede proporcionar alguna ventaja.
Ya sabía que los mercados estaban influidos por factores estacionales. Esto quedó claro cuando supe que Mark Zuckerberg financió Facebook con dinero de un inversor. Este inversor había invertido previamente el dinero de su Bar Mitzvah en acciones petroleras, prediciendo una subida debido a los huracanes que se esperaban en el Caribe. Había analizado las previsiones meteorológicas que indicaban que se avecinaban condiciones meteorológicas adversas durante ese periodo.
Estoy muy orgulloso e interesado en escribir este artículo, que pretende explotar la idea de que el mercado y la estacionalidad son buenos compañeros. Una buena aproximación para hacer esto realidad sería fusionar ambos EAs en uno solo, pero ya tenemos un artículo al respecto, aquí tienes el enlace: Ejemplo de un conjunto de modelos ONNX en MQL5.
En primer lugar, compararemos modelos con y sin filtrado utilizando un EA, para ver cómo afecta o no el filtrado de datos, y, después de esto, discutiremos la estacionalidad con un gráfico, para finalizar con un caso de estudio real para febrero de 2024, con y sin estacionalidad. En la última parte del artículo (que me parece muy interesante), hablaremos de otras aproximaciones al EA que ya tenemos del artículo: Uso de modelos ONNX en MQL5, y veremos si podemos beneficiarnos de afinar esos EAs y modelos ONNX. Le diré ahora mismo que la respuesta es sí, podemos.
Autor: Javier Santiago Gaston De Iriarte Cabrera