ï»¿ ML para Trading | Redes Neuronales .objectives { background: rgba(255,100,220,0.1); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px solid rgba(255,100,220,0.3); } .objectives h3 { color: #ff64dc; font-size: 1.1rem; margin-bottom: 0.7rem; } .objectives li { color: #b9ccee; font-size: 0.9rem; margin: 0.4rem 0; list-style: none; } .objectives li::before { content: "🎯 "; } .module-recap { background: rgba(255,100,220,0.08); border-radius: 1.5rem; padding: 1rem 1.5rem; margin: 1.5rem 2rem; border: 1px dashed rgba(255,100,220,0.4); } .module-recap h3 { color: #ff64dc; font-size: 1rem; margin-bottom: 0.5rem; } .module-recap li { color: #8899bb; font-size: 0.85rem; margin: 0.3rem 0; }

ð§ Redes Neuronales

MLP con PyTorch para predicciÃ³n de series financieras

MLP PyTorch

ð§ PiÃ©nsalo asÃ: Una red neuronal es como un equipo de especialistas. Cada neurona es un experto que reconoce un patrÃ³n simple. Juntas, capa tras capa, construyen entendimiento complejo. Como un cerebro artificial que aprende de los datos.

🎯 ¿Qué aprenderás?

Comprender los conceptos fundamentales de trading algorítmico
Aplicar las técnicas con ejemplos prácticos en Python
Interpretar resultados y diagnosticar problemas comunes
Desarrollar intuición para diseñar estrategias rentables

Capas ocultas: 2 Neuronas/capa: 16 Learning rate: 0.010 Epochs: 50

Curva de pÃ©rdida

ð¡ Configura la arquitectura y entrena. Observa cÃ³mo bajan las pÃ©rdidas.

💻 Código anotado

      df = pd.DataFrame(datos_ohlc)  # DataFrame: tabla etiquetada bidimensional
      df['fecha'] = pd.to_datetime(df['fecha'])  # Columna convertida a tipo datetime
      df['SMA_20'] = df['close'].rolling(20).mean()  # rolling().mean(): media móvil simple
      df_semanal = df.resample('W', on='fecha').agg(...)  # resample: agrupa por semana
  

💡 Lee los comentarios: cada línea tiene una razón de ser. El código no se escribe, se diseña.

✏️ Mini-ejercicio

¿Qué método de Pandas calcula una media móvil sobre una ventana?

// Responde y presiona Verificar

🔍 Sabías que... Curiosidades de trading

Renaissance Technologies, el hedge fund más exitoso, usa Pandas extensivamente. Su fondo Medallion generó ~66% anual promedio desde 1988.

Dato práctico: df.isna().sum() revela al instante cuántos valores faltan en cada columna.

📋 Checklist de aprendizaje

Marca lo que ya dominas. Tu progreso se guarda automáticamente.

Creo DataFrames desde diccionarios Aplico rolling().mean() para medias móviles Filtro filas con condiciones booleanas Uso resample para cambiar frecuencias temporales

0/4 dominados

📌 Resumen del módulo

Concepto clave: domina la idea central presentada en el módulo
Aplicación práctica: los ejemplos te preparan para el mercado real
Errores comunes: identifica y evita las trampas típicas
Próximos pasos: esta base te prepara para el siguiente módulo

Anterior Siguiente

ð§ Redes Neuronales