SSCNN se consolida como arquitectura para series temporales financieras al combinar dependencias espaciales y secuenciales, con Attention-based Normalization para priorizar señales relevantes y estabilizar el entrenamiento. La modularidad permite ajustar el modelo a horizontes cortos o ciclos largos, con ejecución integrada en MQL5 y OpenCL.
La fase actual conecta los bloques en un codificador unificado (CNeuronSSCNNEncoder). El grafo se construye en Init: reserva de buffers, tensores y contexto, sin activación en la salida.
El encoder organiza cuatro ramas (largo plazo, estacional, corto plazo y espacial), extrapola residuos y medias, controla gradientes de varianzas mediante inicialización a cero y replica medias con producto exterior. La salida concatena 8 flujos y pasa a una fusión por regresión polinómica, con validación estricta por paso en feedForward.
👉 Léelo | Señales | @mql5es
3
1
1August 26, 2026 2.2K 1
