Inferencia con VAE Wasserstein para MA y patrones de trading estocástico

Resumen

El artículo presenta un flujo de aprendizaje por inferencia para patrones construidos con medias móviles y el oscilador estocástico. Define la inferencia como la estimación de estructuras latentes a partir de datos observados y describe un autocodificador variacional de Wasserstein que codifica datos de características, estados, acciones y recompensas en una representación latente. Se utiliza un objetivo de discrepancia de media máxima para alinear las distribuciones codificadas con una distribución previa; un modelo de regresión lineal independiente estima los valores faltantes del conjunto de datos combinado. Los modelos se entrenan en Python y se integran en un flujo de trabajo de MetaTrader.

La evaluación descrita utiliza datos desde 2023 hasta 2024, con un periodo reservado que abarca los últimos seis meses de 2024. El autor afirma que solo los patrones 1 y 5 parecen beneficiarse en esta evaluación breve, mientras que el patrón 2 no. El texto proporcionado no ofrece cifras de rendimiento y advierte que las pruebas proceden de un periodo limitado de entrenamiento y evaluación; no se ha demostrado una solidez más amplia ni la transferencia entre mercados.

Ideas clave

• La inferencia se presenta como una forma de estimar estructuras ocultas a partir de datos de trading observados.
• Un autocodificador variacional de Wasserstein VAE comprime la información de características, estados, acciones y recompensas en representaciones latentes.
• Se utiliza la discrepancia de media máxima para comparar distribuciones codificadas con una distribución previa.
• Se aplica regresión lineal para inferir los valores faltantes del conjunto de datos combinado.
• En la breve evaluación descrita, solo se indicó que la inferencia beneficiaba a los patrones 1 y 5.

Etiquetas

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.