Velas japonesas

Detección de IA: 10 prompts de IA para flujos financieros

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

Editar campos destacados Prompt listo para copiar

Prompts financieros sobre Detección de IA listos para copiar

Constructor universal de flujo de trabajo de IA para detección de velas

Plantilla universal Intermedio

Diseña un flujo de trabajo de extremo a extremo para detectar, interpretar y validar patrones de velas usando IA + checks basados en reglas.

ID 201

Actúa como ingeniero quant + IA para trading. Quiero un flujo de trabajo asistido por IA para detectar patrones de velas para mercado en 15-minute data usando TradingView / Python / both. Diseña un sistema end-to-end: taxonomía de patrones (qué patrones, definiciones, exclusiones), entradas de datos (OHLCV, sesiones, gaps) y método de etiquetado, enfoque de detección (basado en reglas vs ML vs híbrido), resultados (señales, confianza, notas de contexto), plan de evaluación (precision/recall, falsos positivos, estabilidad entre regímenes) y plan de despliegue (alertas, paneles, seguimiento, triggers de reentrenamiento). Haz preguntas aclaratorias si es necesario.

Especificación de detector de patrones en Pine Script (plan maestro de IA a Pine)

Pro

Convierte tus definiciones de patrones en una especificación limpia de diseño Pine Script (antes de programar), incluidas alertas y filtros.

ID 202

Actúa como arquitecto de TradingView Pine Script. Quiero detectar estos patrones de velas: list en marco temporal. Escribe una especificación detallada de implementación (no código) que incluya: reglas exactas de velas (proporciones cuerpo/mecha, cierres/aperturas relativas, relaciones multi-vela), casos borde estrictos para evitar falsos positivos, filtros de contexto opcionales (proxy de tendencia, umbral de volatilidad, filtro de sesión), lógica de alertas (cuándo disparar, enfriamiento, deduplicación), visualización en gráfico (labels, heatmap, tabla). Termina con una lista de verificación de pruebas para validar visualmente el script en gráficos.

Prompt de pattern matching “encontrar velas similares en la historia”

Principiante

Construye un flujo de trabajo de búsqueda por similitud (lo que encanta a los traders: “muéstrame situaciones pasadas parecidas a esta”).

ID 203

Actúa como asistente de investigación de pattern matching. Voy a pegar las últimas N velas como OHLC (o retornos). Crea un método para encontrar las secuencias históricas más similares en universo de símbolos durante years. Define: método de normalización, métrica de similitud, cómo evitar lookahead bias, cómo rankear coincidencias y qué reportar (distribución del siguiente movimiento, drawdown, mejores/peores casos). Entrega un plan simple paso a paso que pueda implementar con Python/Sheets/TradingView.

Diseño de detector de velas con computer vision (imágenes de gráficos)

Pro

Diseña un enfoque de visión por computador (YOLO/modelo de visión) para detectar patrones de velas en capturas de gráficos.

ID 204

Actúa como ingeniero de computer vision. Quiero detectar patrones de velas desde imágenes de gráficos (capturas) para mercado. Diseña una solución de CV: requisitos del dataset, formato de etiquetado (bounding boxes vs etiquetas de secuencia), elección de modelo (detección vs clasificación), estrategia de división train/test, augmentations y métricas de evaluación. Propón también cómo mapear los patrones detectados a información operable (timestamp, niveles de precio, confianza) y cómo reducir el sobreajuste a estilos/temas de gráficos.

Detector híbrido: patrones basados en reglas + capa de confianza IA

Pro

Combina reglas deterministas de velas con una capa de IA que aprende cuándo las reglas son fiables.

ID 205

Actúa como diseñador de sistemas híbridos. Quiero un detector de dos capas: Capa 1 = detección estricta de patrones de velas basada en reglas para patterns. Capa 2 = modelo de IA que predice si el patrón detectado es de “alta calidad” dado el contexto (volatilidad, estado de tendencia, comportamiento de gaps, sesión). Define features, método de etiquetado, variable objetivo y cómo entrenar/evaluar sin filtrar información futura. Entrega un plan de cómo interactúan las dos capas y cuándo sobrescribir señales.

Autoetiquetado y creación de datasets para patrones de velas

Pro

Construye un flujo de trabajo práctico de etiquetado (la parte más difícil) para entrenar modelos sin caos.

ID 206

Actúa como ingeniero de datasets para trading ML. Quiero construir un dataset etiquetado de patrones de velas en mercado a través de symbols y 15-minute data. Diseña un flujo de trabajo de autoetiquetado usando definiciones de reglas como primera pasada, más un loop de revisión humana. Especifica: esquema de etiquetado, plan de balance de clases, reglas de ambigüedad (qué hacer cuando se solapan patrones), controles de calidad y cómo versionar datasets y mantener etiquetas consistentes con el tiempo.

Auditoría de calidad de detección (falsos positivos, ambigüedad, solapamiento)

Intermedio

Audita un detector de patrones existente (Pine o ML) y explica qué está haciendo mal y por qué.

ID 207

Actúa como auditor de calidad de señales. Así define patrones mi detector: paste rules or model behavior. Diseña un proceso de auditoría para medir: tasa de falsos positivos, detecciones ambiguas, detecciones duplicadas, confusión por solapamiento de patrones y sensibilidad a cambios de parámetros. Luego propone 5 correcciones específicas (refinamientos de reglas, umbrales, cooldowns, filtros de contexto, fusiones de clases) priorizadas por impacto.

Prompt de explicabilidad: “¿por qué la IA marcó este patrón?”

Intermedio

Fuerza la interpretabilidad: convierte un “patrón detectado” de caja negra en razones y checks legibles para humanos.

ID 208

Actúa como capa de explicabilidad para detección de velas. Dado un patrón detectado nombre del patrón en símbolo/marco temporal, produce una explicación legible: mediciones vela por vela, qué criterios se cumplieron, qué quedó en el límite y qué lo invalidaría. Añade una sección de “racional de confianza” y una sección de “modos de fallo comunes” para este patrón exacto.

Test de robustez y cambio de régimen para IA de velas

Intermedio

Prueba si tu IA es estable en distintos regímenes de volatilidad y condiciones de mercado.

ID 209

Actúa como tester de robustez ML. Tengo un modelo/detector de patrones de velas para mercado. Diseña una suite de pruebas de robustez: dividir datos por regímenes (alta vol/baja vol, tendencia/rango, periodos de crisis), testear entre símbolos, probar distintos marcos temporales y medir deriva de rendimiento. Entrega reglas para cuándo reentrenar, cuándo desactivar señales y cómo evitar sobreajuste a una sola “era”.

Directo al grano: “crear un detector de patrones a partir de esta definición”

Pro

Prompt rápido para convertir una definición escrita de patrón en reglas estrictas de detección + casos borde.

ID 210

Convierte esta definición de patrón de velas en reglas estrictas de detección con casos borde y exclusiones: Paste definition. Entrega: condiciones numéricas exactas, una versión mínima (simple) y una versión estricta (alta precisión), más 3 ejemplos de falsos positivos que bloquear.

Copiar la subcategoría completa

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