🧬 FEATURE ENGINEERING: La Alquimia del Machine Learning

Transforma precios crudos en señales que un modelo ML puede entender. El 80% del trabajo de un quant.

Semanas 9-10: Machine Learning para Trading
Lag features Rolling statistics Ratio features Feature importance
🧬 Piénsalo así: Un modelo ML no puede "ver" un gráfico de velas ” solo entiende números. El feature engineering es el proceso de convertir el gráfico en una tabla de señales numéricas. En lugar de darle el precio de hoy, le das: el retorno de los últimos 5 días, si el RSI está por debajo de 30, la relación entre volumen hoy vs promedio de 20 días, si el precio está sobre la MA20. Ese conjunto de señales es lo que el modelo aprende a combinar para predecir la dirección del mercado.
📚 Fuentes: López de Prado, M. (2018) ” "Advances in Financial Machine Learning". Wiley (capítulos 3-5 sobre feature engineering). / Guyon & Elisseeff (2003) ” "An Introduction to Feature Selection".

Seleccionar Features

Feature Matrix

Feature Importance (Random Forest)

Correlation Matrix entre Features

Verde = correlación positiva · Rojo = negativa · Blanco = sin correlación

Python ” pandas-ta + Feature Engineering


   

  

 


 

  🧬 Selecciona las features que quieres incluir y construye la matriz. Analiza la Feature Importance para eliminar las que no aportan señal al modelo.
 


 

 

   Anterior
   Menú