---
id: "PLAN-DESARROLLO-ML-FIRST-2026-01"
title: "Plan de Desarrollo ML-First - Trading Platform"
type: "Plan"
project: "trading-platform"
version: "1.0.0"
created_date: "2026-01-04"
author: "Orquestador - Tech Leader"
status: "Aprobado"
approved_date: "2026-01-04"
approved_by: "Usuario"
---

# Plan de Desarrollo ML-First - Trading Platform

**Version:** 1.0.0
**Fecha:** 2026-01-04
**Autor:** Agente Orquestador / Tech Leader
**Estado:** APROBADO - En Ejecucion

---

## Resumen Ejecutivo

Este plan reordena el desarrollo de la plataforma Trading Platform segun las siguientes prioridades:

| Prioridad | Componente | Objetivo |
|-----------|------------|----------|
| **P0** | Modelos ML | Prediccion de maximos/minimos con 80%+ efectividad |
| **P1** | LLM Local + Fine-tuning | Agente que analice predicciones y ejecute operaciones |
| **P2** | MCP Server + MT4/Binance | Conector para ejecucion automatizada |
| **P3** | Visualizacion Web | Graficos tipo TradingView con predicciones ML |
| **P4** | SaaS Features | Stripe, wallet, cursos, membresias (posterior) |

### Objetivos de Rendimiento

| Metrica | Target |
|---------|--------|
| Efectividad operaciones ganadas | **80%** |
| Rendimiento semanal | **30-100%** |
| Prediccion de maximos/minimos | Multiple temporalidades |
| Integraciones | MT4 (Forex) + Binance (BTC) |

---

## 1. Analisis del Estado Actual vs Prioridades

### 1.1 Estado Actual del Proyecto

| Componente | Estado | Completitud | Prioridad Actual |
|------------|--------|-------------|------------------|
| Auth/Users (OQI-001) | Completado | 100% | Alta |
| Education (OQI-002) | En desarrollo | 40% | Media |
| Trading Charts (OQI-003) | En desarrollo | 85% | Alta |
| Investment Accounts (OQI-004) | Planificado | 30% | Media |
| Payments Stripe (OQI-005) | En desarrollo | 30% | Media |
| **ML Signals (OQI-006)** | En desarrollo | **70%** | **Critica** |
| LLM Agent (OQI-007) | Planificado | 20% | Alta |
| Portfolio Manager (OQI-008) | Planificado | 10% | Baja |
| Marketplace (OQI-009) | Backlog | 0% | Baja |

### 1.2 Gaps Identificados para Nuevas Prioridades

#### Gap 1: Validacion Temporal de Modelos ML
- **Problema**: No hay estrategia definida para excluir ultimo ano de datos
- **Solucion**: Implementar walk-forward validation con holdout del ultimo ano
- **Impacto**: Critico para validar efectividad real de predicciones

#### Gap 2: Prediccion de Maximos/Minimos Multi-Temporalidad
- **Problema**: RangePredictor actual solo tiene 15m y 1h
- **Solucion**: Extender a 4h, 1D, 1W para diferentes estilos de trading
- **Impacto**: Alto - necesario para objetivo de 30-100% semanal

#### Gap 3: Fine-tuning LLM con Estrategias
- **Problema**: LLM Agent actual usa prompts estaticos, no fine-tuning
- **Solucion**: Crear dataset de estrategias + entrenamiento con LoRA
- **Impacto**: Critico para decision-making autonomo

#### Gap 4: MCP Server para MT4
- **Problema**: No existe MCP server para integracion
- **Solucion**: Crear MCP server que exponga tools para MT4 y Binance
- **Impacto**: Critico para ejecucion automatizada

#### Gap 5: Integracion Binance para Bitcoin
- **Problema**: Trading agents tiene Binance parcial, no optimizado para BTC
- **Solucion**: Implementar estrategias especificas para Bitcoin
- **Impacto**: Alto - diversificacion de mercados

---

## 2. Plan de Desarrollo Reordenado

### FASE 0: Preparacion de Datos (Semana 1)

**Objetivo**: Preparar datasets con exclusion del ultimo ano para validacion

```
Datos Historicos (10 anos)
         |
         v
+---------------------+
|  Anos 1-9           | --> Training + Validation (Walk-forward)
+---------------------+
         |
         v
+---------------------+
|  Ano 10 (ultimo)    | --> Out-of-Sample Testing (NUNCA visto en training)
+---------------------+
```

#### Tareas:

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F0-01 | Configurar pipeline de ingesta de datos | ML-SPECIALIST | - | 2 dias |
| F0-02 | Implementar split temporal (excluir ultimo ano) | ML-SPECIALIST | F0-01 | 1 dia |
| F0-03 | Crear datasets por temporalidad (5m, 15m, 1H, 4H, D, W) | ML-SPECIALIST | F0-02 | 2 dias |
| F0-04 | Validar integridad de datos | DATABASE | F0-03 | 1 dia |

**Entregable**: Datasets listos para entrenamiento con split temporal correcto

---

### FASE 1: Modelos ML - Entrenamiento y Optimizacion (Semanas 2-4)

**Objetivo**: Modelos ML funcionando con metricas de produccion

#### Track 1.1: RangePredictor Multi-Temporalidad

```python
# Horizontes a implementar
HORIZONS = {
    'scalping':   {'5m': 6,   '15m': 4},    # 30min - 1h
    'intraday':   {'1H': 4,   '4H': 2},     # 4h - 8h
    'swing':      {'4H': 6,   '1D': 2},     # 1-2 dias
    'position':   {'1D': 5,   '1W': 1}      # 1 semana
}

# Targets
TARGETS = {
    'delta_high': (max_high - entry_price) / entry_price,
    'delta_low':  (entry_price - min_low) / entry_price,
    'range_size': (max_high - min_low) / entry_price
}
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F1-01 | Extender RangePredictor a todas las temporalidades | ML-SPECIALIST | F0-03 | 3 dias |
| F1-02 | Implementar feature engineering multi-TF | ML-SPECIALIST | F1-01 | 2 dias |
| F1-03 | Entrenar modelos con walk-forward validation | ML-SPECIALIST | F1-02 | 3 dias |
| F1-04 | Optimizar hiperparametros con Optuna | ML-SPECIALIST | F1-03 | 2 dias |
| F1-05 | Evaluar en datos out-of-sample (ultimo ano) | ML-SPECIALIST | F1-04 | 1 dia |

**Metricas Target**:
- MAE < 0.5% para prediccion de maximos/minimos
- Directional Accuracy > 70%
- R² > 0.3

#### Track 1.2: AMD Detector (Fases de Mercado)

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F1-06 | Completar implementacion AMDDetector | ML-SPECIALIST | F0-03 | 3 dias |
| F1-07 | Crear labels automaticos para fases AMD | ML-SPECIALIST | F1-06 | 2 dias |
| F1-08 | Entrenar y validar detector de fases | ML-SPECIALIST | F1-07 | 2 dias |

**Metricas Target**:
- Overall Accuracy > 70%
- Macro F1 > 0.65

#### Track 1.3: TPSL Classifier (Optimizado para 80% Win Rate)

```python
# Configuracion para objetivo de 80% win rate
RR_CONFIGS = [
    {'name': 'conservative', 'sl_atr': 0.5, 'tp_atr': 0.5, 'target_wr': 0.80},
    {'name': 'moderate',     'sl_atr': 0.5, 'tp_atr': 0.75, 'target_wr': 0.75},
    {'name': 'aggressive',   'sl_atr': 0.3, 'tp_atr': 0.9, 'target_wr': 0.70}
]
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F1-09 | Ajustar TPSL para target 80% win rate | ML-SPECIALIST | F1-05 | 2 dias |
| F1-10 | Calibrar probabilidades con isotonic | ML-SPECIALIST | F1-09 | 1 dia |
| F1-11 | Backtesting de estrategias con TPSL | ML-SPECIALIST | F1-10 | 2 dias |

**Metricas Target**:
- Win Rate > 80% (en configuracion conservadora)
- ROC-AUC > 0.90
- Profit Factor > 2.0

#### Track 1.4: StrategyOrchestrator (Meta-Modelo)

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F1-12 | Implementar orquestador de senales | ML-SPECIALIST | F1-08, F1-11 | 3 dias |
| F1-13 | Definir matriz de decision | BACKEND | F1-12 | 1 dia |
| F1-14 | Backtesting completo del sistema | ML-SPECIALIST | F1-13 | 2 dias |

**Entregable Fase 1**: Modelos ML entrenados y validados con metricas de produccion

---

### FASE 2: LLM Local con Fine-Tuning (Semanas 5-7)

**Objetivo**: Agente LLM que analice predicciones ML y tome decisiones de trading

#### Track 2.1: Setup LLM Local

```yaml
# Configuracion Ollama
llm:
  provider: "ollama"
  base_model: "llama3:8b"  # ~10GB VRAM
  fine_tuned_model: "trading-trader:v1"
  context_window: 8192
  temperature: 0.3  # Mas deterministico para trading
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F2-01 | Configurar Ollama en GPU | DEVOPS | - | 1 dia |
| F2-02 | Desplegar modelo base Llama 3 8B | DEVOPS | F2-01 | 1 dia |
| F2-03 | Crear API FastAPI para LLM local | BACKEND | F2-02 | 2 dias |

#### Track 2.2: Creacion de Dataset para Fine-Tuning

```python
# Estructura del dataset de entrenamiento
TRAINING_DATA = {
    'estrategias': [
        # AMD Strategy
        {
            'context': 'Fase de mercado: Accumulation, RSI: 35, Volumen: bajo',
            'analysis': 'El mercado esta en fase de acumulacion...',
            'decision': 'WAIT - Esperar confirmacion de ruptura',
            'reasoning': 'Smart money acumulando, esperar manipulacion'
        },
        # ICT Strategy
        {
            'context': 'OTE Zone: 0.705, Killzone: NY Open, FVG detectado',
            'analysis': 'Precio en zona OTE optima durante NY Open...',
            'decision': 'BUY - Entry en FVG con SL bajo swing low',
            'reasoning': 'Confluence de OTE + Killzone + FVG'
        },
        # + 1000+ ejemplos de decisiones de trading
    ],
    'analisis_predicciones': [
        {
            'ml_signal': {'delta_high': 0.8%, 'delta_low': 0.3%, 'phase': 'accumulation'},
            'analysis': 'Prediccion ML indica movimiento alcista...',
            'action': 'LONG con TP en delta_high, SL ajustado'
        }
    ],
    'gestion_riesgo': [
        # Ejemplos de position sizing, stop management, etc.
    ]
}
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F2-04 | Definir estructura del dataset de fine-tuning | ML-SPECIALIST | - | 1 dia |
| F2-05 | Recopilar/crear ejemplos de estrategias AMD | TRADING-STRATEGIST | F2-04 | 3 dias |
| F2-06 | Recopilar/crear ejemplos de estrategias ICT | TRADING-STRATEGIST | F2-04 | 3 dias |
| F2-07 | Crear ejemplos de analisis de predicciones ML | ML-SPECIALIST | F2-04 | 2 dias |
| F2-08 | Formatear dataset para fine-tuning (JSONL) | ML-SPECIALIST | F2-05, F2-06, F2-07 | 1 dia |

#### Track 2.3: Fine-Tuning del Modelo

```python
# Fine-tuning con LoRA (Low-Rank Adaptation)
LORA_CONFIG = {
    'r': 16,           # Rank
    'alpha': 32,       # Scaling factor
    'dropout': 0.05,
    'target_modules': ['q_proj', 'v_proj', 'k_proj', 'o_proj'],
    'epochs': 3,
    'learning_rate': 2e-4,
    'batch_size': 4
}
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F2-09 | Setup entorno de fine-tuning (unsloth/axolotl) | ML-SPECIALIST | F2-02 | 1 dia |
| F2-10 | Ejecutar fine-tuning con LoRA | ML-SPECIALIST | F2-08, F2-09 | 2 dias |
| F2-11 | Evaluar modelo fine-tuned | ML-SPECIALIST | F2-10 | 1 dia |
| F2-12 | Convertir a formato Ollama/GGUF | ML-SPECIALIST | F2-11 | 1 dia |
| F2-13 | Desplegar modelo fine-tuned | DEVOPS | F2-12 | 1 dia |

#### Track 2.4: Integracion LLM con ML Engine

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F2-14 | Crear tools de integracion con ML Engine | BACKEND | F1-14, F2-13 | 2 dias |
| F2-15 | Implementar flujo de analisis de predicciones | BACKEND | F2-14 | 2 dias |
| F2-16 | Crear sistema de decision automatizada | BACKEND | F2-15 | 2 dias |
| F2-17 | Tests de integracion LLM + ML | TESTING | F2-16 | 2 dias |

**Entregable Fase 2**: LLM local fine-tuned capaz de analizar predicciones ML

---

### FASE 3: MCP Server + Integraciones de Ejecucion (Semanas 8-10)

**Objetivo**: MCP Server que conecte el agente LLM con MT4 y Binance

#### Track 3.1: MCP Server Core

```typescript
// Estructura del MCP Server
const MCP_TOOLS = {
  // Trading Tools
  'execute_trade': {
    description: 'Ejecuta una operacion en el broker',
    parameters: {
      broker: 'mt4 | binance',
      symbol: 'string',
      action: 'buy | sell',
      lots: 'number',
      sl: 'number',
      tp: 'number'
    }
  },
  'get_positions': {
    description: 'Obtiene posiciones abiertas'
  },
  'close_position': {
    description: 'Cierra una posicion especifica'
  },
  'modify_position': {
    description: 'Modifica SL/TP de una posicion'
  },

  // Analysis Tools
  'get_ml_signal': {
    description: 'Obtiene senal ML actual para un simbolo'
  },
  'get_market_data': {
    description: 'Obtiene datos OHLCV actuales'
  },
  'get_amd_phase': {
    description: 'Obtiene fase AMD actual'
  },

  // Account Tools
  'get_account_info': {
    description: 'Obtiene info de la cuenta (balance, equity)'
  },
  'calculate_position_size': {
    description: 'Calcula tamano de posicion segun riesgo'
  }
};
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F3-01 | Disenar arquitectura MCP Server | MCP-ARCHITECT | - | 1 dia |
| F3-02 | Implementar core del MCP Server | MCP-DEVELOPER | F3-01 | 3 dias |
| F3-03 | Implementar tools de trading | MCP-DEVELOPER | F3-02 | 2 dias |
| F3-04 | Implementar tools de analisis | MCP-DEVELOPER | F3-02 | 2 dias |
| F3-05 | Implementar tools de cuenta | MCP-DEVELOPER | F3-02 | 1 dia |

#### Track 3.2: Integracion MT4 via MetaAPI

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F3-06 | Completar cliente MetaAPI | BACKEND | F3-03 | 3 dias |
| F3-07 | Implementar risk manager para MT4 | BACKEND | F3-06 | 2 dias |
| F3-08 | Implementar position sizer | BACKEND | F3-07 | 1 dia |
| F3-09 | Tests con cuenta demo MT4 | TESTING | F3-08 | 2 dias |

#### Track 3.3: Integracion Binance para Bitcoin

```python
# Configuracion especifica para BTC
BINANCE_BTC_CONFIG = {
    'symbol': 'BTCUSDT',
    'testnet': True,  # Iniciar en testnet
    'leverage': 1,     # Sin apalancamiento inicial
    'position_mode': 'one-way',
    'risk_per_trade': 0.02,  # 2%
    'strategies': ['trend_following', 'mean_reversion', 'breakout']
}
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F3-10 | Configurar cliente Binance para BTC | BACKEND | F3-03 | 2 dias |
| F3-11 | Adaptar modelos ML para BTC | ML-SPECIALIST | F1-14 | 2 dias |
| F3-12 | Implementar estrategias BTC | BACKEND | F3-10, F3-11 | 3 dias |
| F3-13 | Tests en Binance Testnet | TESTING | F3-12 | 2 dias |

#### Track 3.4: Conexion MCP Server con LLM Agent

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F3-14 | Integrar MCP Server con LLM Agent | BACKEND | F2-17, F3-05 | 2 dias |
| F3-15 | Implementar flujo de ejecucion automatizada | BACKEND | F3-14 | 2 dias |
| F3-16 | Crear modos de operacion (passive/advisory/auto) | BACKEND | F3-15 | 1 dia |
| F3-17 | Tests end-to-end del sistema | TESTING | F3-16 | 3 dias |

**Entregable Fase 3**: Sistema completo de ejecucion automatizada via MCP Server

---

### FASE 4: Visualizacion Web (Semanas 11-13)

**Objetivo**: Dashboard con graficos tipo TradingView mostrando predicciones ML

#### Track 4.1: Componente de Charts

```typescript
// Usando Lightweight Charts de TradingView
const ChartConfig = {
  library: '@tradingview/lightweight-charts',
  features: {
    candlesticks: true,
    volume: true,
    drawings: true,
    indicators: ['SMA', 'RSI', 'AMD_Phase']
  },
  overlays: {
    ml_predictions: {
      predicted_high: 'green_line',
      predicted_low: 'red_line',
      confidence_band: 'shaded_area'
    },
    amd_phase: {
      accumulation: 'blue_bg',
      manipulation: 'orange_bg',
      distribution: 'red_bg'
    }
  }
};
```

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F4-01 | Implementar componente Chart base | FRONTEND | - | 3 dias |
| F4-02 | Agregar overlay de predicciones ML | FRONTEND | F4-01 | 2 dias |
| F4-03 | Agregar indicador de fase AMD | FRONTEND | F4-01 | 1 dia |
| F4-04 | Implementar panel de senales | FRONTEND | F4-02 | 2 dias |

#### Track 4.2: Dashboard de Admin

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F4-05 | Crear layout de dashboard | FRONTEND | - | 2 dias |
| F4-06 | Implementar panel de performance | FRONTEND | F4-05 | 2 dias |
| F4-07 | Implementar historial de trades | FRONTEND | F4-05 | 1 dia |
| F4-08 | Implementar estado de cuenta | FRONTEND | F4-05 | 1 dia |
| F4-09 | Integracion WebSocket tiempo real | FRONTEND | F4-06 | 2 dias |

#### Track 4.3: Integracion con Backend

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F4-10 | Crear API endpoints para dashboard | BACKEND | F3-17 | 2 dias |
| F4-11 | Implementar WebSocket server | BACKEND | F4-10 | 2 dias |
| F4-12 | Conectar frontend con APIs | FRONTEND | F4-09, F4-11 | 2 dias |
| F4-13 | Tests de integracion UI | TESTING | F4-12 | 2 dias |

**Entregable Fase 4**: Dashboard funcional con visualizacion de predicciones ML

---

### FASE 5: SaaS Features (Post-MVP - Semanas 14+)

**Nota**: Esta fase se desarrolla DESPUES de tener el MVP operativo validado

#### Componentes a Desarrollar (En Orden)

1. **Definicion completa de Auth/Portales/Usuarios** (aunque ya existe, refinar)
2. **Integracion Stripe** (pagos y suscripciones)
3. **Wallet interno** (fondeo de cuentas)
4. **Agentes con diferentes perfiles de riesgo** (Atlas, Orion, Nova)
5. **Contenido educativo** (cursos, quizzes)
6. **Membresias y tienda**

| ID | Tarea | Perfil | Dependencia | Estimacion |
|----|-------|--------|-------------|------------|
| F5-01 | Completar integracion Stripe | BACKEND | F4-13 | 5 dias |
| F5-02 | Implementar sistema de wallet | BACKEND | F5-01 | 5 dias |
| F5-03 | Crear portal de inversion (agentes) | FRONTEND | F5-02 | 5 dias |
| F5-04 | Modulo de educacion | FULL-STACK | F5-03 | 10 dias |
| F5-05 | Sistema de membresias | BACKEND | F5-01 | 5 dias |
| F5-06 | Tienda in-app | FULL-STACK | F5-05 | 7 dias |

---

## 3. Estrategia de Paralelizacion

### Diagrama de Dependencias

```
Semana 1       Semana 2-4      Semana 5-7     Semana 8-10    Semana 11-13
---------      ----------      ----------     -----------    ------------

[FASE 0] ──────┬──> [FASE 1: ML] ─────────────────────────────────────────>
               │           │                       │
               │           └──> [FASE 2: LLM] ────>│
               │                       │           │
               │                       └──> [FASE 3: MCP] ───>│
               │                                   │           │
               │                                   │    [FASE 4: UI] ──>
               │                                   │           │
               └───────────────────────────────────────────────┴──> MVP
```

### Equipos Paralelos Sugeridos

| Equipo | Perfiles | Fases | Foco |
|--------|----------|-------|------|
| **ML Team** | ML-SPECIALIST x2 | F0, F1, F2 (parcial) | Modelos y entrenamiento |
| **LLM Team** | ML-SPECIALIST, BACKEND | F2 | Fine-tuning y agente |
| **Integration Team** | BACKEND x2, MCP-DEVELOPER | F3 | MCP Server e integraciones |
| **Frontend Team** | FRONTEND x2 | F4 | Dashboard y visualizacion |
| **DevOps** | DEVOPS | Transversal | Infraestructura |
| **QA** | TESTING | Transversal | Testing continuo |

### Sincronizacion

- **Daily standup**: 15min por equipo
- **Weekly sync**: Viernes, todos los equipos (30min)
- **Sprint review**: Cada 2 semanas
- **Checkpoints criticos**:
  - Fin F1: Modelos ML validados
  - Fin F2: LLM fine-tuned funcionando
  - Fin F3: Ejecucion automatizada lista
  - Fin F4: MVP completo

---

## 4. Metricas de Exito por Fase

### FASE 1: Modelos ML

| Metrica | Target | Critico |
|---------|--------|---------|
| RangePredictor MAE | < 0.5% | Si |
| Directional Accuracy | > 70% | Si |
| AMD Detector Accuracy | > 70% | Si |
| TPSL Win Rate (conservative) | > 80% | Si |
| TPSL ROC-AUC | > 0.90 | Si |
| Backtest Profit Factor | > 2.0 | Si |
| Out-of-Sample Performance | > 60% del in-sample | Si |

### FASE 2: LLM Agent

| Metrica | Target | Critico |
|---------|--------|---------|
| Decision Accuracy | > 75% | Si |
| Response Latency | < 2s | Si |
| Strategy Adherence | > 90% | Si |
| Risk Rule Compliance | 100% | Si |

### FASE 3: Ejecucion

| Metrica | Target | Critico |
|---------|--------|---------|
| Order Execution Success | > 99% | Si |
| Latency MT4 | < 500ms | Si |
| Latency Binance | < 200ms | Si |
| Slippage | < 3 pips | Si |

### FASE 4: Visualizacion

| Metrica | Target | Critico |
|---------|--------|---------|
| Chart Load Time | < 1s | Si |
| Real-time Update | < 100ms | Si |
| UI Responsiveness | 60fps | No |

---

## 5. Riesgos y Mitigaciones

| Riesgo | Probabilidad | Impacto | Mitigacion |
|--------|--------------|---------|------------|
| Modelos ML no alcanzan 80% win rate | Media | Alto | Ajustar RR ratios, filtros de confianza |
| Fine-tuning LLM insuficiente | Media | Alto | Aumentar dataset, iterar |
| Latencia de ejecucion alta | Baja | Alto | MetaAPI cloud, optimizar network |
| Diferencias de precio entre brokers | Alta | Medio | Price adjuster, validacion pre-trade |
| GPU insuficiente para LLM | Baja | Alto | Usar modelo mas pequeno (Mistral 7B) |
| Overfitting en modelos ML | Media | Alto | Walk-forward validation, regularizacion |

---

## 6. Proximos Pasos Inmediatos

### Dia 1-2: Preparacion

1. **Verificar disponibilidad de datos historicos**
   - 10 anos de XAUUSD, EURUSD, GBPUSD, USDJPY
   - Datos de BTC/USDT

2. **Configurar entorno de entrenamiento**
   - GPU disponible (RTX 5060 Ti 16GB)
   - Ollama instalado
   - Dependencias Python

3. **Crear rama de desarrollo**
   - `feature/ml-first-development`

### Dia 3-7: Fase 0

1. **Implementar pipeline de datos**
2. **Crear splits temporales**
3. **Validar datasets**

### Semana 2+: Fase 1

1. **Comenzar entrenamiento de modelos**
2. **Documentar resultados**
3. **Iterar hasta alcanzar metricas**

---

## 7. Referencias

- [MODELOS-ML-DEFINICION.md](../docs/02-definicion-modulos/OQI-006-ml-signals/estrategias/MODELOS-ML-DEFINICION.md)
- [FEATURES-TARGETS-ML.md](../docs/02-definicion-modulos/OQI-006-ml-signals/estrategias/FEATURES-TARGETS-ML.md)
- [ESTRATEGIA-AMD-COMPLETA.md](../docs/02-definicion-modulos/OQI-006-ml-signals/estrategias/ESTRATEGIA-AMD-COMPLETA.md)
- [INTEGRACION-METATRADER4.md](../docs/01-arquitectura/INTEGRACION-METATRADER4.md)
- [AUTO_TRADING.md](../apps/llm-agent/AUTO_TRADING.md)
- [PLAN-ML-LLM-TRADING.md](./PLAN-ML-LLM-TRADING.md)

---

**Documento Generado:** 2026-01-04
**Proxima Revision:** Despues de aprobacion
**Sistema:** NEXUS + SIMCO v2.2.0