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.comT1
Red neuronal artificial