Lanzamiento de un modelo mejorado para señales

Considero personalmente que las señales generadas por nuestro modelo de inteligencia artificial constituyen el pilar fundamental de nuestro software. Si bien es posible encontrar señales de materias primas en otros lugares, todas ellas se basan exclusivamente en la estacionalidad. Como hemos explicado en numerosas ocasiones, utilizar únicamente la estacionalidad es comparable a conducir mirando solamente por el espejo retrovisor. No es una idea aconsejable.

Decidí mejorar esta situación. No porque fuera fácil, sino porque era difícil, como dijo John F. Kennedy. Desarrollé un modelo complejo de aprendizaje automático capaz de generar señales a partir de diversos tipos de datos, no solo de la estacionalidad.

Esto ocurrió en 2019. Aparte de algunas correcciones de errores, no he modificado el modelo desde entonces. Es notable que haya sido capaz de funcionar y producir señales coherentes a través de regímenes de mercado totalmente diferentes durante los últimos cuatro años sin necesidad de reentrenamiento.

A lo largo de estos años, he concebido una serie de mejoras que he ido anotando. Finalmente, comencé a trabajar en el modelo mejorado a principios de este año.

Tenía cinco objetivos principales:

1. Mejorar la eficiencia computacional (hacerlo funcionar más rápido) y simplificar la estructura del código.
2. Implementar ingeniosas relacionadas con los datos de entrada :algunas=»»> que he ideado a lo largo de los años.
3. Explorar si se pueden mejorar los resultados para mercados «difíciles de predecir», como el energético.
4. Permitir que el modelo encuentre más señales de futuros directos.
5. Desarrollar herramientas para analizar el flujo de datos y la contribución de características individuales.

Ahora que he finalizado, puedo declarar que el primer objetivo está 100% completado. Terminé escribiendo un código completamente nuevo desde cero. Cada operación se realiza ahora de manera ligeramente diferente, desde el preprocesamiento y el entrenamiento del modelo hasta la inferencia. Y es una magnitud más rápido. Lo que solía tomar semanas para calcular, ahora toma días.

El segundo objetivo también se ha completado. El modelo toma estos tipos de datos como entrada:

• Acción de precios
• Volatilidad
• Datos de sentimiento y posicionamiento
• Estacionalidad
• Métricas de valoración
• Dinámica de la estructura a plazo

Las principales adiciones y mejoras se realizaron en las áreas de datos de acción de precios, volatilidad y especialmente dinámica de la estructura a plazo. No profundizaré en detalles, ya que esta es información sensible que no deseo compartir abiertamente.

Desafortunadamente, el tercer objetivo fue un fracaso. En el artículo introductorio original de hace cuatro años, advertí que el modelo tenía dificultades con ciertos mercados, siendo un buen ejemplo los mercados energéticos. Quería averiguar si estos mercados son realmente tan difíciles de predecir (como expliqué en el artículo original), o si el modelo podría hacerlo mejor. Resultó que no puede. Sí, hay algunas mejoras marginales en ciertos mercados gracias al objetivo número cinco, pero en general, algunos mercados son realmente difíciles. Además, a pesar de los grandes cambios en el modelo, el patrón original parece mantenerse: los mercados que eran difíciles de predecir siguen siéndolo, y aquellos más fáciles de descifrar continúan siéndolo. No es aleatorio.

El éxito con el objetivo número cuatro es de lo que estoy más orgulloso. Es posible que hayan notado que, a diferencia de las señales entre entregas, usualmente no había más de tres señales para futuros directos. Me preguntaba si naturalmente había más oportunidades buenas en los diferenciales, o si el rendimiento del modelo estaba de alguna manera obstaculizado en los futuros directos. La causa más obvia sería el tamaño inherentemente mucho menor del conjunto de datos de entrenamiento para futuros directos. Se me ocurrió una manera ingeniosa de superar este obstáculo, y parece ayudar realmente. Ahora hay más señales de futuros, al menos por el momento.

Y finalmente, el objetivo número cinco no fue menos importante. El modelo original era principalmente una caja negra, y aparte de comparar las pérdidas de las pruebas, podía hacer muy poco para averiguar cómo estaba funcionando el modelo y, más crucialmente, cómo las características individuales contribuían a las predicciones exitosas. Ahora, tengo mi propio conjunto de herramientas para depurar el modelo, lo que sin duda contribuyó a un mejor rendimiento en algunas materias primas y un mayor éxito en la búsqueda de más señales de futuros directos.

Ahora bien, no afirmo que habrá mejoras revolucionarias en las señales. Cualquiera con experiencia en aprendizaje automático atestiguará que dedicar 10 veces más tiempo y desarrollar un modelo 3 veces más capaz generalmente resulta en una mejora del 10% – 20% en la calidad de las predicciones. Lo mismo se aplica aquí. El nuevo modelo indudablemente aporta muchas mejoras, pero no esperen milagros. Predecir los mercados es difícil, y no es una coincidencia que no haya visto señales similares en ningún otro lugar.

Asimismo, recuerde que el modelo de señales no es un sistema de negociación, lo que significa que no hay entradas/salidas, ni ganancias/pérdidas. Su único propósito es alertarle sobre oportunidades de mercado potencialmente interesantes, de modo que no tenga que dedicar horas cada semana a examinar los mercados. Ha tenido mucho éxito en este papel, ya que nos ha alertado sobre numerosas excelentes oportunidades a lo largo de los años que, de otro modo, podríamos haber pasado por alto. No obstante, usted debe realizar su propio análisis exhaustivo de estas oportunidades. Algunas de ellas pueden no convertirse en configuraciones accionables, la situación puede cambiar repentinamente debido a alguna noticia fundamental, o el modelo puede simplemente estar equivocado.

Las señales de negociación son generadas por un modelo complejo de aprendizaje automático y no están destinadas a la negociación real. Las señales de negociación deben utilizarse únicamente con fines educativos. SpreadCharts s.r.o. (la compañía) o sus representantes no asumen ninguna responsabilidad por las acciones tomadas bajo la influencia de las señales de negociación o cualquier otra información publicada en este sitio web o sus subdominios. Existe un riesgo de pérdida sustancial en la negociación de futuros.

Regla 4.41 de la CFTC: Los resultados de rendimiento hipotéticos o simulados tienen ciertas limitaciones. A diferencia de un registro de rendimiento real, los resultados simulados no representan operaciones reales. Además, dado que las operaciones no se han ejecutado, los resultados pueden haber sub o sobrecompensado el impacto, si lo hubiere, de ciertos factores del mercado, como la falta de liquidez. Los programas de negociación simulados, en general, también están sujetos al hecho de que están diseñados con el beneficio de la retrospectiva. No se está representando que ninguna cuenta obtendrá o es probable que logre beneficios o pérdidas similares a los mostrados. Toda la información en este sitio web es únicamente para fines educativos y no pretende proporcionar asesoramiento financiero. Cualquier declaración sobre beneficios o ingresos, expresados o implícitos, no representa una garantía. Su negociación real puede resultar en pérdidas, ya que ningún sistema de negociación está garantizado. Usted acepta la plena responsabilidad por sus acciones, operaciones, ganancias o pérdidas, y acepta eximir de toda responsabilidad a SpreadCharts s.r.o. (la compañía) y a cualquier distribuidor autorizado de esta información en cualquier forma y en todos los aspectos.