Pruebas walk-forward en 2 años para la combinación Awesome Oscillator + Envelope Channels: 7–8 de 10 patrones superaron el filtro. Se evalúa el impacto de aprendizaje supervisado como capa adicional para los patrones 4, 8 y 9.
El filtro propuesto usa una CNN con dimensionamiento dinámico de kernels y canales guiado por atención temporal de producto escalar y capas MultiheadAttention alternadas. El objetivo es ajustar el campo receptivo y la capacidad por secuencia, manteniendo alineación temporal con padding y estabilización con BatchNorm, ReLU y Dropout.
Riesgos: coste O(N²) en secuencias largas, mayor demanda de datos, menor interpretabilidad y sobreajuste por adaptabilidad. Alternativas: convoluciones dilatadas, dinámicas, separables, bloques SE y TCN. En Python se reimplementa Awesome Oscillator por ausencia de funciones MQL5 en el módulo MT5.
👉 Léelo | Señales | @mql5es
2
1
1September 4, 2026 765 1
