Velas japonesas

Detección de patrones con IA: 10 prompts de IA para tareas financieras

Usa los prompts de Detección de patrones con IA para convertir una tarea financiera poco definida en un flujo claro y listo para copiar.

Edita los campos destacados Prompt listo para copiar

Prompts financieros sobre Detección de patrones con IA listos para copiar

Flujo universal de IA para detectar patrones de velas

Plantilla universal Intermedio

Diseña un sistema completo para definir, detectar, evaluar y supervisar patrones de velas mediante reglas, aprendizaje automático o un enfoque híbrido.

ID 201

Actúa como ingeniero cuantitativo y de IA. Quiero detectar patrones de velas en el mercado de criptomonedas y marcos temporales mediante TradingView/Python/ambos. Pregunta por los datos que falten y después define taxonomía y exclusiones, datos y etiquetado, detección mediante reglas, aprendizaje automático o un sistema híbrido, salidas e incertidumbre calibrada, evaluación con precisión y exhaustividad por régimen, divisiones temporales, despliegue, seguimiento y reentrenamiento. Incluye controles contra filtraciones, desequilibrio de clases y falta de reproducibilidad.

Especificación de un detector de patrones en Pine Script

Pro

Convierte definiciones de velas en una especificación de Pine Script con reglas numéricas, casos límite, alertas y pruebas antes de programar.

ID 202

Actúa como arquitecto de Pine Script para TradingView. Quiero detectar lista en datos de 15 minutos. Escribe una especificación de implementación, no código, que abarque proporciones de cuerpo y mechas, relaciones entre apertura y cierre, secuencias de varias velas, huecos, disponibilidad de datos, casos límite estrictos, filtros de contexto opcionales, momento de las alertas, periodo de espera y deduplicación, y visualización en el gráfico. Termina con casos de prueba positivos, negativos y de frontera.

Búsqueda de secuencias históricas de velas similares

Intermedio

Diseña una búsqueda por similitud que encuentre episodios comparables y evalúe lo ocurrido después sin introducir sesgo de anticipación.

ID 203

Actúa como asistente de investigación de patrones. Proporcionaré las últimas N velas como OHLC o rendimientos. Define cómo buscar secuencias históricas similares en universo de símbolos durante años: normalización, métrica de distancia, separación temporal, prevención de filtraciones, control de coincidencias solapadas y ordenación. Resume la distribución de resultados posteriores, el drawdown y los casos extremos y aporta un plan de implementación para Python/Sheets/TradingView.

Detector de velas con visión artificial

Pro

Diseña un sistema de visión por computador para detectar velas en imágenes y explica sus limitaciones frente a utilizar datos OHLC originales.

ID 204

Actúa como ingeniero de visión por computador. Quiero detectar patrones de velas en capturas de el mercado de criptomonedas. Define datos, anotaciones, división de entrenamiento y prueba, aumentos, modelo y métricas; cómo recuperar tiempo, precio y confianza; y cómo evitar que el modelo aprenda el tema visual del gráfico. Compara este enfoque con reglas sobre datos OHLC y explica cuándo no conviene usar imágenes.

Detector híbrido con reglas y una capa de confianza de IA

Intermedio

Combina reglas deterministas con una capa de IA que estima en qué contextos históricos funcionaron mejor, sin sobrescribir controles de seguridad.

ID 205

Actúa como arquitecto de sistemas híbridos. La primera capa detecta patrones mediante reglas deterministas; la segunda estima la calidad histórica de los resultados a partir de volatilidad, tendencia, huecos, sesión, liquidez y otros elementos de contexto. Define variables, objetivo, división temporal, controles contra filtraciones, calibración, evaluación por régimen, incertidumbre y abstención. Explica cómo interactúan las capas y qué reglas de validez y seguridad nunca puede anular el modelo.

Autoetiquetado y creación de conjuntos de datos de velas

Pro

Diseña un proceso reproducible de etiquetado automático y revisión humana para construir datos de entrenamiento coherentes.

ID 206

Actúa como ingeniero de datos para aprendizaje automático aplicado al trading. Quiero crear un conjunto etiquetado en el mercado de criptomonedas, con instrumentos y marcos temporales. Define preetiquetado por reglas, revisión humana, esquema, ambigüedad, solapamientos, balance de clases, controles de calidad, acuerdo entre revisores y versionado. Mantén separados entrenamiento, validación y prueba temporal.

Auditoría de calidad de un detector de patrones

Intermedio

Audita un detector existente para medir falsos positivos, ambigüedad, duplicados, solapamiento y sensibilidad a parámetros.

ID 207

Actúa como auditor de calidad de señales. Mi detector funciona así: reglas o comportamiento del modelo. Diseña una auditoría con matriz de confusión, precisión y exhaustividad, falsos positivos y negativos, etiquetas ambiguas, detecciones duplicadas, solapamiento de patrones, calibración, rendimiento por régimen y sensibilidad a los umbrales. Prioriza cinco correcciones y define una prueba fuera de muestra para cada una.

Explicar por qué la IA marcó un patrón

Principiante

Convierte una detección en mediciones y criterios legibles para que una persona pueda revisar la decisión del sistema.

ID 208

Actúa como capa de explicabilidad. Para patrón detectado en instrumento y marco temporal, muestra mediciones vela por vela, criterios cumplidos, valores cercanos a los umbrales, contexto, datos faltantes, nivel de confianza calibrado e invalidación. Añade modos de fallo conocidos y clasificaciones alternativas y deja claro que explicar la detección no demuestra que sea una señal de trading rentable.

Prueba de robustez y cambio de régimen para un detector de velas

Intermedio

Comprueba la estabilidad del modelo entre volatilidades, tendencias, instrumentos, marcos temporales y periodos históricos.

ID 209

Actúa como especialista en robustez de modelos de aprendizaje automático. Tengo un detector de velas para el mercado de criptomonedas. Diseña pruebas en volatilidad alta y baja, tendencias y rangos, periodos de crisis, distintos instrumentos, marcos temporales, proveedores de datos y convenciones gráficas cuando proceda. Mide degradación, calibración, deriva e incertidumbre; define reglas de seguimiento, reentrenamiento, abstención y desactivación; y evita adaptar el modelo a una sola época histórica.

Convertir una definición en reglas de detección

Pro

Transforma una definición escrita de un patrón en condiciones numéricas, exclusiones y casos de prueba.

ID 210

Convierte definición del patrón en reglas numéricas de detección de velas con momento de evaluación, casos límite y exclusiones explícitos. Entrega una versión mínima y otra estricta de alta precisión, tres falsos positivos que deben bloquearse y casos de prueba positivos, negativos y fronterizos. Señala cualquier redacción que no pueda implementarse objetivamente sin aclaración.

Copiar la subcategoría completa

Incluye información de la subcategoría, IDs de prompts, descripciones, dificultad y texto del prompt.

Cómo usar prompts para la detección de patrones asistida por IA

La detección con IA necesita una taxonomía de etiquetas y una política de errores antes de evaluar el modelo. Un proceso útil mide incertidumbre y falsos positivos en lugar de convertir cada figura detectada en señal de trading.

Define clases, reglas de anotación, casos ambiguos, resolución, muestreo y separación de periodos de entrenamiento, validación y prueba.
Exige confianza, precisión y exhaustividad por clase, análisis de confusión y ejemplos de detecciones omitidas y falsas.
Prueba activos y regímenes no vistos, vigila la deriva y conserva revisión humana para decisiones de baja confianza o alto impacto.