33
TRADERS´ 04.2019
PORTADA
Dividiremos los datos de las varia-
bles de entrada y salida para crear
la prueba y entrenar los datos. Para
ello, se crea la variable “división” a la
que se otorga el valor de “0.8” veces
la longitud del conjunto de datos. Eso
quiere decir que en el restante equiva-
lente al 20% se comprobará la estra-
tegia “pilotada” por la red neuronal.
Se divide la variable X en cuatro
marcos separados: x_train, X_test,
Y_train, Y,_test, parte esencial de
cualquier algoritmo machine lear-
ning, los datos de entrenamientos
serán utilizados por el modelo para
llegar a otorgar los pesos.
Y luego importamos la librería Keras
y definiremos su funcionamiento
usando 128 neuronas en la capa
central haciendo 100 pasadas por el
conjunto total de datos.
Con esta última parte del código se
realizará la predicción del precio de
mañana, los valores se almacenarán
en variables y serán mostrados en un
gráfico a través de la función “plot”.
El resultado que se obtiene tras las 100
pasadas es el de un aprendizaje que
supera el 60% de las veces que acierta
y la estrategia con red neuronal (color
azul) gana al a la estrategia sin red
neuronal (color verde):
Aunque la estrategia es muy simple y
en realidad no es una buena como para
ser usada en el mercado a tiempo real y
con dinero, nos ayudará a comprender
que si se dota de inteligencia artificial
a un sistema automático de forma
correcta y conveniente podría ayudarla a mejorar su fiabi-
lidad y resultados en un plazo de tiempo sin tener que realizar
continuos ajustes (parámetros optimizables).
La dificultad estriba en saber hacer justo eso, en coger
algo bueno que gana más que lo que pierde, que no nece-
sita ayuda de optimizaciones constantes y que seleccione
los momentos de mercado que le puedan ser favorables
descartando los que son menos y que minimizando las
situaciones negativas.
Aunque en el ejemplo anterior la estrategia intenta predecir
el precio del día siguiente para tomar una posición no es
lo más adecuado. Todo sistema tiene sus virtudes y su
Después observamos que al llegar a las 100 épocas termina con un nivel de aciertos del 67%
Fuente: Ejecución en Python con Keras por
tradingalgoritmico.comG2
Finalización de la fase de aprendizaje
La imagen muestra el resultado de la estrategia con machine learning frente a la misma antes de usarlo.
Fuente: Ejecución en Python con librería Keras y datos del futuro del mini DAX (1996/2019) por
tradingalgoritmico.comG3
Gráfico comparativo de retornos
ineficiencia. Saber cuáles son sus puntos débiles ayudará a
mejorarlos si hacemos uso de esta tecnología. No se podrá
obtener un sistema que gane 100% de las veces al mercado
operando con frecuencia ni ese debe ser el objetivo. Hay
que aceptar las pérdidas como vienen pero siempre que
estén perfectamente evaluadas y esperadas por la fiabi-
lidad que arroja el conjunto. Conocer las herramientas de
trading y hacer un uso correcto definen al trader.
Sistema Genius con red neuronal
La implementación de un sistema de trading algorítmico
que es consistente en el tiempo donde se muestra muy