trading-platform/orchestration/_archive/planes/PLAN-LLM-TRADING-INTEGRATION-2026.md

id	title	type	project	version	created_date	updated_date	author	status
PLAN-LLM-TRADING-INTEGRATION-2026	Plan de Desarrollo - LLM Trading Integration 2026	Development Plan	trading-platform	1.0.0	2026-01-04	2026-01-04	Orquestador Agent - Trading Platform	Active

Plan de Desarrollo: LLM Trading Integration 2026

Fecha: 2026-01-04 Epica: OQI-010 - LLM Trading Integration Estado: Planificacion Activa Story Points Total: 89 SP

---

Resumen Ejecutivo

Este plan detalla la implementacion de la integracion avanzada del LLM para trading autonomo, incluyendo fine-tuning, MCP servers, gestion de riesgo y API de predicciones.

Hardware Disponible

Recurso	Especificacion
GPU	NVIDIA 16GB VRAM
Modelo Base	chatgpt-oss / Llama 3 8B
Quantizacion	Q5_K_M (balance calidad/VRAM)
Fine-tuning	LoRA (r=16, alpha=32)

Entregables Principales

1. MCP Binance Connector - Puerto 3606
2. LLM Fine-tuned con estrategias AMD/ICT/SMC
3. Risk Management Service integrado
4. API de Predicciones para frontend
5. Sistema de Tracking de predicciones

---

Fase 1: Infraestructura (Semanas 1-2)

Objetivo

Establecer la infraestructura base para los nuevos componentes.

Tareas

1.1 MCP Binance Connector

• Crear estructura del proyecto apps/mcp-binance-connector/
• Implementar tools de market data (get_ticker, get_klines, get_orderbook)
• Implementar tools de account (get_account, get_positions)
• Implementar tools de orders (create_order, cancel_order)
• Implementar tools de futures (positions, leverage)
• Configurar Docker y puerto 3606
• Tests unitarios y de integracion

Responsable: Backend Developer Story Points: 8

1.2 DDL PostgreSQL

• Crear tabla ml.llm_predictions
• Crear tabla ml.prediction_outcomes
• Crear tabla ml.llm_decisions
• Crear tabla ml.risk_events
• Crear funcion ml.calculate_prediction_accuracy()
• Crear indices de performance

Responsable: Database Developer Story Points: 5

1.3 Pipeline de Fine-Tuning

• Configurar ambiente de entrenamiento
• Crear script de generacion de dataset
• Implementar dataset de estrategias AMD
• Implementar dataset de conceptos ICT/SMC
• Implementar dataset de risk management
• Crear script de entrenamiento LoRA
• Crear script de merge y conversion a GGUF

Responsable: ML Specialist Story Points: 8

Entregables Fase 1

• MCP Binance Connector funcionando en testnet
• Tablas de PostgreSQL creadas
• Pipeline de fine-tuning configurado

---

Fase 2: Core LLM Features (Semanas 3-5)

Objetivo

Implementar las funcionalidades core del LLM trading agent.

Tareas

2.1 Fine-Tuning del Modelo

• Generar dataset completo (>20,000 ejemplos)
• Ejecutar entrenamiento LoRA (3 epochs)
• Evaluar modelo con dataset de validacion
• Optimizar hiperparametros si es necesario
• Convertir a GGUF y cargar en Ollama
• Validar respuestas del modelo fine-tuned

Responsable: ML Specialist Story Points: 8

2.2 Risk Management Service

• Implementar RiskManager class
• Implementar position sizing calculator
• Implementar drawdown monitor
• Implementar circuit breaker
• Implementar exposure tracker
• Integrar con LLM decision flow
• Tests unitarios

Responsable: Backend Developer Story Points: 8

2.3 ML Analyzer Service

• Implementar MLAnalyzer class
• Integracion con ML Engine (AMD, Range, ICT)
• Calculo de confluence score
• Generacion de explicaciones en lenguaje natural
• Cache de predicciones en Redis

Responsable: ML Specialist Story Points: 5

2.4 Risk Validation Pre-Trade

• Implementar validacion antes de execute_trade
• Verificar position size limits
• Verificar daily drawdown
• Verificar exposure total
• Verificar trades diarios
• Responder con razon si rechazado

Responsable: Backend Developer Story Points: 5

Entregables Fase 2

• Modelo LLM fine-tuned funcionando
• Risk Manager integrado
• ML Analyzer con confluence score

---

Fase 3: API e Integracion (Semanas 6-7)

Objetivo

Exponer APIs para frontend y completar integracion entre servicios.

Tareas

3.1 API de Predicciones REST

• Endpoint POST /api/v1/predictions/analyze
• Endpoint GET /api/v1/predictions/history/{symbol}
• Endpoint GET /api/v1/predictions/accuracy/{symbol}
• Endpoint GET /api/v1/predictions/active-signals
• Documentacion OpenAPI

Responsable: Backend Developer Story Points: 5

3.2 WebSocket Predicciones

• Implementar PredictionWebSocketManager
• Endpoint WS /ws/predictions/{symbol}
• Broadcast de predicciones cada 5s
• Manejo de conexiones/desconexiones
• Rate limiting

Responsable: Backend Developer Story Points: 5

3.3 MCP Orchestrator

• Implementar MCPOrchestrator class
• Metodo call_tool(server, tool, params)
• Metodo get_combined_portfolio()
• Metodo execute_trade_on_best_venue()
• Integracion con LLM decision flow

Responsable: Backend Developer Story Points: 5

3.4 Ejecucion de Trades MT4/Binance

• Integracion completa con MCP MT4
• Integracion completa con MCP Binance
• Seleccion automatica de venue
• Logging de trades ejecutados
• Persistencia de decisiones

Responsable: Backend Developer Story Points: 8

Entregables Fase 3

• API REST de predicciones funcionando
• WebSocket real-time
• Ejecucion de trades via MCP

---

Fase 4: Tracking y Optimizacion (Semanas 8-9)

Objetivo

Implementar tracking de outcomes y optimizar el sistema.

Tareas

4.1 Tracking de Outcomes

• Servicio de monitoreo de predicciones
• Deteccion automatica de outcomes
• Calculo de accuracy por simbolo
• Calculo de profit factor
• Persistencia en prediction_outcomes

Responsable: Backend Developer Story Points: 5

4.2 Metricas de Accuracy

• Dashboard de accuracy por modelo
• Grafico de accuracy temporal
• Filtros por simbolo/timeframe
• Export de datos

Responsable: Frontend Developer Story Points: 5

4.3 Circuit Breaker Automatico

• Deteccion de daily drawdown limit
• Deteccion de perdidas consecutivas
• Pausa automatica de trading
• Alertas a usuario
• Resume manual requerido

Responsable: Backend Developer Story Points: 3

4.4 Fine-Tuning con Datos de Produccion

• Recolectar decisiones correctas
• Generar nuevos ejemplos de training
• Re-entrenar modelo
• A/B testing de versiones
• Rollout gradual

Responsable: ML Specialist Story Points: 8

Entregables Fase 4

• Sistema de tracking funcionando
• Dashboard de accuracy
• Circuit breaker automatico

---

Fase 5: Testing y Deployment (Semana 10)

Objetivo

Validar el sistema completo y desplegar a produccion.

Tareas

5.1 Tests de Integracion

• Tests E2E del flujo completo
• Tests de MCP Binance con testnet
• Tests de risk management
• Tests de persistence
• Coverage > 70%

Responsable: Testing Story Points: 3

5.2 Backtesting de Decisiones

• Ejecutar backtesting con datos historicos
• Validar que risk limits se respetan
• Comparar accuracy real vs backtesting
• Documentar resultados

Responsable: ML Specialist Story Points: 5

5.3 Documentacion Final

• Actualizar README de cada componente
• Documentar APIs con OpenAPI
• Crear guia de operaciones
• Actualizar AGENTS.md

Responsable: Tech Writer Story Points: 3

5.4 Deployment

• Build de imagenes Docker
• Configurar docker-compose.llm-advanced.yaml
• Deploy a staging
• Smoke tests
• Deploy a produccion
• Monitoreo inicial

Responsable: DevOps Story Points: 5

Entregables Fase 5

• Sistema completo testeado
• Documentacion actualizada
• Deploy a produccion

---

Resumen de Story Points por Fase

Fase	Descripcion	SP	Duracion
Fase 1	Infraestructura	21	2 semanas
Fase 2	Core LLM	26	2-3 semanas
Fase 3	API e Integracion	23	2 semanas
Fase 4	Tracking y Optimizacion	21	2 semanas
Fase 5	Testing y Deployment	16	1 semana
Total		107	9-10 semanas

---

Riesgos y Mitigaciones

Riesgo	Probabilidad	Impacto	Mitigacion
VRAM insuficiente	Media	Alto	LoRA + quantizacion Q5_K_M
Latencia alta	Media	Alto	Cache, batch processing
Errores del LLM	Alta	Critico	Risk limits, paper trading
Rate limits Binance	Media	Medio	Rate limiter, caching
Fine-tuning overfitting	Media	Alto	Validacion, early stopping

---

Metricas de Exito

Metrica	Target	Medicion
Direction Accuracy	>65%	Semanal
Response Time	<5s	Continuo
Risk Adherence	100%	Continuo
System Uptime	>99%	Continuo
Fine-tuning Perplexity	<3.0	Post-training

---

Siguiente Paso Inmediato

1. Crear MCP Binance Connector - Estructura base del proyecto
2. Ejecutar DDL - Crear nuevas tablas en PostgreSQL
3. Preparar Dataset - Iniciar recoleccion de ejemplos de training

---

Referencias

• Epica OQI-010
• Integracion LLM Fine-Tuning
• MCP Binance Spec
• Plan ML-LLM-Trading Original

---

Documento Generado: 2026-01-04 Autor: Orquestador Agent - Trading Platform Version: 1.0.0