Table of Contents Table of Contents
Previous Page  30 / 84 Next Page
Information
Show Menu
Previous Page 30 / 84 Next Page
Page Background

30

TRADERS´ 04.2019

PORTADA

neurona está conectada con otra a través de un enlace.

El valor de salida de una neurona es multiplicada por un

peso al llegar a la siguiente. El estado de ese peso pueda

inhibir o activar a las siguientes neuronas (sopesa la

decisión). Existe una función de activación que impone

un límite que debe ser sobrepasado antes de llegar a las

siguiente neuronas. Por eso estos sistemas se pueden

entrenar, en esa fase aprenden por sí mismos en vez de

ser algoritmos con reglas programadas que se ejecutan

sin fase de pensamiento. El objetivo es que resuelvan

problemas, tomen decisiones acertadas sin la interven-

ción humana.

Dicho de otra manera, se consigue mediante un soft-

ware dar entrada a unos datos, que serán procesados

y el resultado será un dato de salida que permita tomar

una decisión. Este software debe ser entrenado primera-

mente para que “aprenda” (machine learning).

Por ejemplo, un coche tele-dirigido, eliminando el mando

a distancia, instalando sensores, un pequeño orde-

nador con un sistema algorítmico y una red neuronal. En

el algoritmo se establece que según reciba señal de un

sensor que avisa de la presencia de un obstáculo tendrá

que cambiar de dirección. A continuación se entrenará a

la red enfrentándola de forma real en recorridos donde

irá tomando decisiones hasta que el número de errores

que comete sea igual a cero consiguiendo a partir de ese

instante el 100% de efectividad. Ya no necesitará de más

aprendizaje ni de optimizaciones futuras (en este ejemplo

no valoraremos el desgaste de los mecanismos, neumá-

ticos, etc. que volverá más imprecisa la conducción).

Otro ejemplo es el mítico juego de “Piedra, papel, tijeras”

donde se entrena una red que aprende al cabo de un

número de jugadas donde de forma aleatoria el jugador

número 1 dice una cifra (o=piedra, 1=papel, 2=tijeras) y la

red tiene que ir diciendo un número y al obtener el resul-

tado sopesará si con la respuesta gana, pierde o empata.

Aproximadamente, entre las jugadas 100 y 170 habrá

aprendido a obtener el 100% de aciertos .

Aplicado al trading no es lo mimo

Su aplicación al trading no conseguirá un 100% de efecti-

vidad debido a diversas cuestiones como que el compor-

tamiento de los mercados no obedece a unas leyes o

reglas exactas como en los ejemplos anteriores. En el

ejemplo del coche autónomo un sensor siempre que dé

una señal de obstáculo será porque lo habrá, excepto en

caso de avería o que alguien lo tape intencionadamente.

Pero en los mercados, las noticias macro económicas o

geopolíticas, los resultados empresariales, las correla-

ciones directas o inversas entre subyacentes entre otros

hechos hará que a pesar de un buen análisis técnico que

ofrezca un escenario muy favorable de gran probabilidad,

podrá ocurrir que el precio se gire y mueva de forma dife-

rente a la esperada.

La buena noticia es que si el sistema es bueno, la estra-

tegia es buena y el procedimiento por el que se dota de

“inteligencia” a nuestro robot está bien hecho, la eficacia

rozará cotas altas de eficacia.

Cerebro: Análisis y decisión sustituyendo al trader

El uso de una red neuronal artificial con machine lear-

ning se convierte en necesidad cuando se detectan y

conocen aquellos momentos de mercados que podrían

dar un escenario muy probable o probable que ocasionen

pérdidas.

El concepto de un sistema infalible en la práctica no es

posible. Porque aunque se den las condiciones mate-

máticas adecuadas si ignoramos el momento en que un

activo se encuentra hará que tengamos pérdidas con

mucha probabilidad.

Tomemos como ejemplo a un corredor. Se ha preparado

para un determinado tipo de carreras de ciudad. Sabe

dosificarse, cuándo debe acelerar atacando a los otros

corredores y cuándo no. Se levanta un día y se prepara para

ir a disputar una carrera . Llega a la pista y no encuentra

sino a unos pocos atletas que están entrenado porque no

Red neuronal artificial formada por un grupo interconectado de nodos de

forma parecida a cómo lo están en el cerebro humano . Cada círculo re-

presentación una neurona artificial, color verde capa de entrada, color rojo

capa/s intermedia/s, color azul capa de salida. En la zona de neuronas

ocultas es donde se produce el aprendizaje.

Fuente:

tradingalgoritmico.com

T1

Red neuronal artificial