Validar Estrategias de Deep Learning
¿Alguna vez has visto una estrategia de deep learning mostrar una curva de capital perfecta en el backtest, solo para perder dinero real en los primeros...
¿Alguna vez has visto una estrategia de deep learning mostrar una curva de capital perfecta en el backtest, solo para perder dinero real en los primeros días de ejecución en futuros ES? Este fenómeno no es mala suerte; es casi siempre el resultado de una fuga de datos que contamina tu entrenamiento con información del futuro. Imagina entrenar a un modelo con el precio de cierre de la vela actual para predecir si esa misma vela será alcista. El modelo obtendrá un 100% de precisión en el pasado, pero en tiempo real, ese dato no existe hasta que la vela se cierra. Esta es la trampa silenciosa que destruye la validez de los sistemas algorítmicos modernos. Fuga de datos es la situación en la que información del futuro se filtra inadvertidamente al conjunto de entrenamiento de un modelo, creando resultados optimistas que no se replicarán en la vida real. En el contexto de series temporales financieras, esto ocurre cuando el modelo "ve" datos que no estarían disponibles en el momento de la toma de decisiones. Según la investigación de Datapred, la secuencialidad define las series temporales y separa estrictamente el pasado del futuro.