# SUMMARY: Mejora Integral de Modelos ML para Trading

**Task ID:** TASK-2026-01-25-ML-TRAINING-ENHANCEMENT
**Tipo:** analysis + feature
**Prioridad:** P0
**Epic:** OQI-006-ml-signals

---

## RESUMEN EJECUTIVO

Esta tarea define un plan integral para mejorar los modelos de Machine Learning de trading-platform con el objetivo de alcanzar **80% de efectividad mínima** en las operaciones de trading ejecutadas por el LLM.

### Alcance

- **5 estrategias de modelos** con arquitecturas diversificadas
- **Neural Gating Metamodel** para ensemble ponderado dinámico
- **Integración LLM** para decisiones basadas en predicciones
- **Modelos especializados por activo** (6 símbolos)
- **Mecanismos de atención** sobre variación de precio

### Estrategias Diseñadas

| # | Código | Nombre | Arquitectura |
|---|--------|--------|--------------|
| 1 | PVA | Price Variation Attention | Transformer + XGBoost |
| 2 | MRD | Momentum Regime Detection | HMM + LSTM + XGBoost |
| 3 | VBP | Volatility Breakout Predictor | CNN 1D + Attention + XGBoost |
| 4 | MSA | Market Structure Analysis | XGBoost (GNN opcional) |
| 5 | MTS | Multi-Timeframe Synthesis | Hierarchical Attention Network |

### Fases de Ejecución

```
FASE 1: Infraestructura (Data Pipeline + Attention Architecture)
        ↓
FASE 2: 5 Estrategias (Paralelo)
        ↓
FASE 3: Integración (Metamodel + LLM)
        ↓
FASE 4: Validación (Backtesting)
```

### Métricas Objetivo

| Métrica | Objetivo |
|---------|----------|
| Efectividad operaciones | ≥80% |
| Direction accuracy | ≥70% |
| Sharpe Ratio | ≥1.5 |
| Max Drawdown | ≤15% |

### Estimación

- **Subtareas totales:** 54
- **Story Points:** 90 SP
- **GPU Hours:** ~410h
- **Storage adicional:** ~26GB

### Dependencias Principales

1. Migración de datos históricos (5.6GB de WorkspaceOld)
2. GPU 16GB VRAM (disponible)
3. PyTorch ≥2.0, XGBoost, hmmlearn

### Estado Actual

| Fase | Estado |
|------|--------|
| C - Contexto | ✅ Completada |
| A - Análisis | ✅ Completada |
| P - Planeación | ✅ Completada |
| V - Validación | ✅ Aprobada |
| E - Ejecución | ⏳ Pendiente |
| D - Documentación | 🔄 En progreso |

---

## PRÓXIMOS PASOS

1. **Aprobar plan** con usuario
2. **Iniciar FASE 1** (Data Pipeline + Attention Architecture)
3. **Asignar agentes** para ejecución paralela en FASE 2
4. **Monitorear progreso** con métricas definidas

---

## ARCHIVOS DE LA TAREA

```
orchestration/tareas/TASK-2026-01-25-ML-TRAINING-ENHANCEMENT/
├── METADATA.yml         # Metadata completa
├── 01-CONTEXTO.md       # Fase C
├── 02-ANALISIS.md       # Fase A (extenso)
├── 03-PLANEACION.md     # Fase P (extenso)
├── 04-VALIDACION.md     # Fase V
├── 05-EJECUCION.md      # Fase E (template)
├── 06-DOCUMENTACION.md  # Fase D
└── SUMMARY.md           # Este archivo
```

---

**Creado:** 2026-01-25
**Agente:** ARQUITECTO-ML-AI (Claude Opus 4.5)