En el artículo anterior, se configuró un entorno para ejecutar modelos de lenguaje grandes sin necesidad de una GPU potente. Esta serie de tutoriales enfoca en reducir los requisitos de hardware para que más personas puedan experimentar con estos modelos. Se aborda cómo entrenar un modelo de lenguaje grande usando solo una CPU, destacando la importancia de entender las limitaciones y capacidades que esto implica.

El proceso incluye la creación y procesamiento de conjuntos de datos mediante tokenizadores. Se ofrecen ejemplos sobre cómo gestionar datos financieros con MetaTrader 5 y cómo estos pueden segmentarse y almacenarse para su uso en entrenamientos posteriores.

Se exploran las variedades de tokenizadores como los modelos de codificador y decodificador, y cómo ajustarlos según las necesidades del modelo. El enfoque está en lograr resultados optimales sin requerir grandes cantida...

Leer más...

Bill Williams, trader, escritor y psicólogo, es reconocido en el ámbito del trading y análisis financiero. Su enfoque destaca por la aplicación de conceptos psicológicos al trading, desarrollando indicadores como el Alligator, Awesome Oscillator (AO), y los Fractales. Estos reflejan el comportamiento del mercado y el factor humano.

El Alligator utiliza tres medias móviles para identificar fases de actividad y descanso del mercado, mientras que el AO mide el impulso diferenciando entre dos SMA. Los fractales, por su parte, ayudan a visualizar puntos donde el mercado podría cambiar de dirección. Estos patrones comprenden aspectos psicológicos como soporte y resistencia.

La combinación de estos elementos con técnicas avanzadas de predicción, como modelos de aprendizaje profundo, ha mostrado resultados prometedores en pruebas. La estrategia analizada resulta rentable con un buen control...

Leer más...

Los árboles de decisión potenciados por gradiente, como XGBoost y LightGBM, son herramientas avanzadas en aprendizaje automático, utilizados principalmente para regresión y clasificación. Estos modelos se destacan por combinar múltiples predicciones de modelos débiles para mejorar la precisión. LightGBM es notable por su eficiencia en memoria y escalabilidad en conjuntos de datos grandes. No requieren normalización de datos de entrada ni escalado de características, y manejan valores faltantes de manera efectiva, a diferencia de algoritmos como K-Nearest Neighbors. LightGBM utiliza histogramas para reducir el uso de memoria y tiene un crecimiento por hojas que permite árboles más profundos y detallados.

Leer más...

Para mejorar los resultados en el trading algorítmico, el enfoque del artículo sugiere predecir valores de indicadores técnicos en lugar de precios de activos. Utilizando Python y MQL5, se demuestra cómo pronosticar cambios en indicadores, como la media móvil, puede aumentar la precisión al 70%. Las técnicas incluyen la obtención de datos desde MetaTrader 5, modelado avanzado y análisis de componentes principales para evitar la correlación en los datos. La precisión en la predicción de indicadores es más fiable debido a la claridad de sus factores influyentes, a diferencia de los precios de cierre, que sufren de regresiones espurias.

Leer más...

En el desarrollo de Asesores Expertos con el Wizard MQL5, integrar noticias del calendario económico puede mejorar la robustez del sistema de trading. Las bases de datos SQLite dentro del IDE MetaEditor permiten almacenar localmente los datos, posibilitando pruebas offline y asegurando la disponibilidad de información en caso de interrupciones en las fuentes de datos.

Aunque existen limitaciones con el acceso a bases de datos en el probador de estrategias, se sugiere exportar los datos a archivos CSV como solución alternativa. Aún con limitaciones en comparación con las bases de datos, los archivos CSV se utilizan temporalmente hasta resolver tales obstáculos técnicos.

La creación de una base de datos SQLite para almacenar datos económicos incluye asegurar la integridad de las tablas y columnas, como ocurre con los datos de inflación. Sin embargo, la exportación a CSV se realiza par...

Leer más...

El artículo aborda problemas de interacción entre indicadores en MetaTrader 5, destacando la importancia del sistema de mensajes entre programas. Presenta los desafíos de usar eventos personalizados sin causar conflictos entre indicadores, especialmente cuando se ejecutan simultáneamente. MQL5 permite la definición de eventos personalizados a través de CHARTEVENT_CUSTOM, usando funciones como EventChartCustom y OnChartEvent para manejar estos eventos. Este enfoque requiere comprensión cuidadosa, ya que un mal manejo puede resultar en comportamientos inesperados. El artículo resalta la necesidad de claridad y pruebas rigurosas al desarrollar módulos interoperativos sin causar disrupciones en el sistema.

Leer más...

Descubre cómo aplicar el método "Latent Variable Sequential Set Transformers" (AutoBots) al trading algorítmico en MetaTrader 5. La innovación se basa en una arquitectura codificador-decodificador, optimizando la predicción de movimientos futuros de los pares de divisas. AutoBots permite gestionar información contextual y temporal con precisión, generando secuencias coherentes de precios. La implementación práctica en MQL5 implica codificación posicional e intercambio de tensores para mejorar la eficiencia. Con sus matrices iniciales entrenables, AutoBots mejora significativamente el tiempo de entrenamiento, ofreciendo una herramienta potente para desarrolladores enfocados en el control seguro de operaciones financieras.

Leer más...

Las redes generativas adversarias condicionales (RGAs) permiten la personalización de datos de entrada en la red generativa. Involucran un generador y un discriminador, ambos entrenándose mutuamente. Usualmente, se aplican en análisis de imágenes. El generador crea imágenes, y el discriminador las clasifica como reales o generadas. En RGAs condicionales, los datos de entrada son específicos, en lugar de aleatorios. Esto es útil en situaciones donde los datos se presentan emparejados, ayudando al discriminador a validar datos emparejados. Aunque su uso principal es en imágenes, es posible aplicar RGAs condicionales en previsiones financieras, explorando su uso para pronósticos de series de tiempo.

Leer más...

Hemos lanzado una nueva versión de la plataforma MetaTrader 5 build 4620, en la que hemos solucionado una serie de errores sutiles, además de añadir nuevos métodos a MQL5:

- En el terminal hemos corregido los errores sucedidos al solicitar la historia de ticks, pues en algunos casos se podían obtener datos históricos incompletos.
- La función de autocompletar en la búsqueda ahora funciona correctamente y no distingue entre mayúsculas y minúsculas en todos los idiomas.
- Asimismo, hemos publicado en MQL5 documentación sobre los nuevos métodos para los cálculos de alto rendimiento OpenBLAS.

Lea más sobre todos los cambios...

Comprender las series temporales financieras requiere identificar su memoria. En el análisis de estas series, la memoria se basa en cómo los valores pasados afectan los presentes y futuros. Un enfoque avanzado es el uso de los Modelos Ocultos de Márkov (HMM), útiles para modelar datos con estados no observables. Estos modelos permiten filtrar ruido y entender mejor las tendencias subyacentes en las series temporales.

La implementación de un HMM puede realizarse con el módulo 'hmmlearn' en Python. Este incluye clases como GaussianHMM para datos normales multivariantes. Los HMM son eficientes, aunque pueden enfrentar problemas de optimización. Integrar estos modelos con aplicaciones como MetaTrader 5 es beneficioso para el análisis financiero avanzado.

Leer más...

Explora la Ruptura de Estructura (BoS) en análisis técnico, un método esencial para identificar cambios de tendencia en trading algorítmico en MetaTrader 5. Aprende cómo los desarrolladores pueden aprovechar el lenguaje MQL5 para programar Asesores Expertos que realicen operaciones basadas en patrones de ruptura validados. Descubre el enfoque estratégico para definir puntos de entrada y salida, aprovechando marcos temporales superiores y técnicas de confirmación. Automatiza tu trading y mejora tu gestión de riesgo al implementar algoritmos que detectan dinámicas de mercado con precisión y eficacia. Esta guía es un recurso valioso tanto para programadores como para traders que buscan optimizar sus estrategias.

Leer más...

Explorar la personalización de estilos de dibujo en MQL5 mejora la visualización y comprensión de gráficos en MetaTrader 5. Implementar estilos como DRAW_LINE permite a los operadores marcar tendencias con claridad al adaptar indicadores visuales que cambian dinámicamente. Este enfoque agiliza el análisis de mercado y apoya decisiones informadas, beneficiando tanto a operadores novatos como a desarrolladores experimentados. Al profundizar en funciones avanzadas, los operadores pueden crear herramientas analíticas únicas, reforzando su estrategia de negociación. MQL5 ofrece estas capacidades ampliando el potencial de las plataformas con integración de señales auditivas y visuales para una experiencia de trading robusta y adaptativa.

Leer más...

El artículo destaca la creación de bibliotecas MQL5 para agilizar el desarrollo de estrategias de trading en MetaTrader 5. Estas bibliotecas actúan como herramientas eficientes, proporcionando funciones preescritas que manejan tareas comunes, desde gestionar posiciones hasta integrar DLLs C++ para funcionalidades avanzadas. Se explica cómo utilizar propiedades de archivos y la encapsulación para mantener el código seguro y fácil de mantener. Crear bibliotecas permite modularidad y fácil reutilización, ahorrando tiempo en futuros proyectos. Asimismo, se resalta la facilidad de actualización de funciones, garantizando longevidad en desarrollos de gran envergadura. Ideal para optimizar el desarrollo algorítmico.

Leer más...

El equilibrio de riesgos en operaciones intradía es esencial en la programación de estrategias financieras. Este análisis se centra en dos criterios principales: el valor del tick y la volatilidad media diaria de instrumentos. El valor del tick representa la mínima variación de precio para un lote estándar, mientras que la volatilidad refleja cambios de precios en un día. Estas medidas permiten equilibrar riesgos y normalizar beneficios en operaciones simultáneas. Se analiza la selección de contenedores de datos, prefiriendo arrays y vectores por su rendimiento y memoria. Se exploran métodos de entrada de datos en MetaTrader 5 utilizando distintos enfoques, como archivos CSV y bases de datos.

Leer más...

La auto-optimización en MetaTrader 5 permite a los asesores comerciales ajustar sus estrategias basándose en datos históricos y las condiciones actuales del mercado, mejorando así su rendimiento. Este enfoque utiliza algoritmos de optimización para encontrar los parámetros más efectivos, maximizando beneficios y minimizando riesgos. Uno de los métodos destacados es la virtualización de indicadores y estrategias, que posibilita simular ambientes de trading real sin sobrecargar recursos. La arquitectura del sistema se organiza en torno a un esquema donde el algoritmo de optimización actúa como una "caja negra" que ajusta los parámetros indispensables para cumplir con los criterios de calidad definidos por los usuarios. Este enfoque, que integra machine learning y AI, es crucial para traders y desarrolladores que buscan una ventaja estratégica en mercados volátiles.

Leer más...

Explora cómo crear un Asesor Experto de trading en MQL5 para MetaTrader 5, basado en la estrategia martingala de recuperación de zona. Aprende a contrarrestar operaciones perdedoras con posiciones opuestas y mayor volumen, permitiéndote cerrar posiciones en equilibrio o con ganancias. Descubre cómo definir niveles de recuperación en MQL5, integrando variables estáticas y control de señales con RSI para gestionar posiciones efectivamente. Este enfoque, ideal para mercados volátiles, potencia tu capacidad de transformación de pérdidas en beneficios, enfatizando la importancia de una sólida gestión de riesgos al implementar estrategias automatizadas.

Leer más...

A partir del 1 de diciembre de 2024, las versiones mínimas de las plataformas comerciales serán:

• MetaTrader 4 — build 1420 del 24 de mayo
• MetaTrader 5 — build 4410 del 21 de junio

Después de esta fecha, las versiones anteriores de los terminales de escritorio no podrán conectarse a los servidores de los brókeres.

En los últimos seis meses se han publicado cuatro actualizaciones para MetaTrader 5:

✓ Build 4410 — solucionados los fallos en la versión de escritorio, así como la comprobación de la compatibilidad del navegador y la apertura de cuentas demo en la versión web.
✓ Build 4570 — modo retícula, gráfico de líneas y configuración de la Observación de Mercado en la versión web, biblioteca de cálculo matricial OpenBLAS y soporte mejorado de ONNX en MQL5.
✓ Build 4585 — corregidos fallos durante la creación de perfiles y la prueba de programas MQL5, así como las fugas de memoria durante la compilación.
✓ Build 4620 - ampliación de la compatibilidad con OpenBLAS y corrección de las consultas de la historia de ticks.

En cada versión de MetaTrader 4 mejoramos el rendimiento de la plataforma y corregimos errores.

Descargue la última versión de la plataforma y disfrute de las nuevas funciones

Descubre cómo una arquitectura LSTM puede revolucionar el análisis de series temporales para el trading algorítmico en MetaTrader 5. Este enfoque innovador permite predecir la acción del precio basándose en patrones anteriores, empleando la capacidad de las LSTM para recordar información a largo plazo. Aprende sobre el proceso de tokenización del tiempo y normalización de precios que optimiza los datos de entrada diarios para aumentar la efectividad del modelo. La integración de estas técnicas con ONNX y MQL5 permite implementar previsiones sin replicar el código, mejorando el proceso de toma de decisiones en el mercado de divisas.

Leer más...

La predicción de series temporales analiza datos pasados para prever datos futuros dispuestos secuencialmente en el tiempo. Necesita dos variables clave: tiempo y la variable objetivo. Se aplica a valores futuros, análisis de comportamientos pasados y planificación futura.

En comparación, los modelos de series temporales, como ARIMA y LSTM, incorporan dependencias y patrones temporales, a diferencia de los modelos ML clásicos como LightGBM que consideran los datos como independientes. La ingeniería de características es vital en la predicción mediante ML, permitiendo captar tendencias y estacionalidades. El modelo LightGBM es útil para predecir series temporales si se integra adecuadamente, pero necesitaría ajustes en algunas situaciones para mejorar su rendimiento.

Leer más...

Las redes neuronales convolucionales (CNN) son herramientas poderosas en el procesamiento de datos multidimensionales. Utilizan núcleos, matrices con pesos, para procesar estos datos de manera iterativa, capturando características esenciales en mapas de características a través de relleno, realimentación, activación, agrupamiento y retropropagación.

El proceso comienza con el relleno, que es opcional, seguido por la realimentación hacia adelante, donde se multiplican los pesos del núcleo con los datos de entrada. La activación introduce la capacidad de capturar relaciones complejas, utilizando funciones como ReLU. La agrupación reduce las dimensiones, disminuyendo la carga computacional y evitando el sobreajuste.

Finalmente, la retropropagación ajusta los pesos y sesgos durante el entrenamiento, adaptándose a cambios de mercado o nuevas informaciones. Este ajuste es esencial para ma...

Leer más...