INVESTIGACIÓN Y PRÁCTICA
Validación progresiva de criptomonedas cuando se solapan los horizontes de previsión
Usa evaluación cronológica con etiquetas resueltas, eliminación de solapamientos y calibración separada para que las previsiones repetidas no filtren resultados futuros.
Ordenar observaciones por su hora de emisión es necesario para probar una previsión de forma realista, pero puede no ser suficiente. Una previsión puede emitirse antes del periodo de prueba y tener un resultado que se extienda dentro de ese periodo. Las predicciones repetidas también pueden describir casi el mismo movimiento de mercado. Por ello, un diseño útil de validación progresiva sigue tanto la cronología de decisiones como la de resultados y explica exactamente cuándo puede la información influir en el siguiente modelo.
Escribe una cronología de información para cada observación
Conserva como mínimo la hora de emisión, la última hora de disponibilidad de los datos de entrada, el inicio de evaluación, el final de evaluación y el momento en que la etiqueta se resolvió realmente. Un modelo ajustado en un punto de corte concreto solo puede usar etiquetas conocidas para entonces. La misma condición se aplica a la selección de umbrales, la polaridad de las puntuaciones, la calibración y cualquier regla que decida si un modelo de investigación es elegible. Una hora de emisión antigua no convierte un resultado posterior en conocimiento histórico. Esta distinción importa especialmente cuando conviven predicciones de horizonte corto y largo en una tabla.
Separa el ajuste, la calibración y la prueba final
Usa un intervalo anterior para ajustar el predictor, uno posterior permitido para elegir calibración o ajustes de decisión y otro aún posterior para evaluar. Mantén el intervalo final intacto frente a decisiones de selección. Repite el proceso a lo largo del tiempo según un calendario predeclarado, conservando el modelo y los ajustes exactos usados para cada previsión. La interfaz TimeSeriesSplit de scikit-learn ofrece divisiones cronológicas y un espacio de separación medido en muestras. No entiende automáticamente resultados de mercado de duración variable ni convierte ese número de muestras en minutos; esos requisitos pertenecen al contrato de datos del propio experimento.
Un solapamiento hipotético a través del límite de división
Una previsión emitida a las 10:00 tiene un resultado de 90 minutos que termina a las 11:30. No puede aportar una etiqueta de entrenamiento conocida a un modelo desplegado a las 10:30, aunque su emisión preceda a la nueva observación de prueba. Una previsión de 240 minutos emitida al mismo tiempo sigue sin resolverse hasta las 14:00 bajo una convención de horizonte equivalente. Elimina o pospón registros de entrenamiento cuya información de resultado necesaria no estuviera disponible al ajustar el modelo. Si la evaluación empieza en una entrada posterior de barra completa, usa esa hora final real. Un identificador de intervalo redondeado no sustituye al intervalo de información de la etiqueta.
Elimina solapamientos sin fingir que las muestras son independientes
Cerca del límite de una división, examina los intervalos utilizados para construir las etiquetas y elimina las intersecciones prohibidas conforme al protocolo escrito. Cuando se use un embargo, define su dirección y propósito; una separación no es una cura universal para toda vía de filtración. Dentro del conjunto de prueba, varias previsiones de un mismo movimiento en evolución pueden seguir siendo observaciones legítimas en directo, pero muy dependientes. Informa tanto del número de previsiones como de una agrupación significativa, por ejemplo días o eventos de mercado. De lo contrario, remuestrear la incertidumbre por filas aparentemente independientes puede hacer que un flujo muy solapado parezca más seguro de lo que es.
Audita también las transformaciones y la selección del modelo
El escalado de características, el tratamiento de valores ausentes y la selección de características deben ajustarse solo con el historial permitido en cada división. Una transformación aprendida con todo el conjunto puede filtrar información incluso cuando el modelo predictivo se entrena cronológicamente. Conserva un registro de las alternativas probadas y de la regla utilizada para seleccionarlas. El trabajo de Bailey y colaboradores sobre sobreajuste retrospectivo aborda el peligro de elegir entre muchos experimentos históricos; una cronología final limpia no borra los ajustes repetidos sobre el mismo supuesto conjunto reservado. Reserva evidencia que aún pueda cuestionar la configuración preferida.
Reproduce la secuencia que habría visto un usuario
Para cada emisión de prueba, carga el estado del modelo que existía entonces, calcula la previsión con los datos disponibles y congela el resultado emitido. Resuélvelo solo cuando estén completos los datos futuros necesarios. Revisa el rendimiento por horizonte y condición de mercado junto con la cobertura de datos ausentes y una referencia sencilla. Si una calibración posterior cambia la interpretación de una puntuación anterior, guárdalo como análisis retrospectivo en lugar de sobrescribir la salida original. La pregunta central es si el procedimiento funciona como proceso cronológico de decisión, no si una transformación a posteriori puede hacer atractivo su historial.
Fuentes y alcance de los ejemplos
Las fuentes respaldan las definiciones y los mecanismos. Los escenarios numéricos son ejemplos educativos hipotéticos, no precios actuales, previsiones ni resultados comunicados por HOSTuvo. Las imágenes son ilustraciones editoriales.