trading-platform/orchestration/tareas/_archive/2026-01/TASK-2026-01-25-ML-TRAINING-ENHANCEMENT/METADATA.yml
Adrian Flores Cortes df43dd90cb [F0-F2] feat: Coherence analysis baseline + entity types + frontend stores
FASE 0 - Preparación y Purga:
- Archived 21 completed tasks to _archive/2026-01/
- Marked 4 docs as DEPRECATED
- Created 3 baseline coherence reports

FASE 1 - DDL-Backend Coherence:
- audit.types.ts: +4 types (SystemEvent, TradingAudit, ApiRequestLog, DataAccessLog)
- investment.types.ts: +4 types (RiskQuestionnaire, WithdrawalRequest, DailyPerformance, DistributionHistory)
- entity.types.ts: +5 types (Symbol, TradingBot, TradingSignal, TradingMetrics, PaperBalance)

FASE 2 - Backend-Frontend Coherence:
- investmentStore.ts: New Zustand store with 20+ actions
- mlStore.ts: New Zustand store with signal caching
- alerts.service.ts: New service with 15 functions

FASE 3 - Documentation:
- OQI-009: Updated to 100% coverage, added ET-MKT-004-productos.md
- OQI-010: Created full structure (STATUS.md, ROADMAP-MT4.md, ET-MT4-001-gateway.md)

Coherence Baseline Established:
- DDL-Backend: 31% (target 95%)
- Backend-Frontend: 72% (target 85%)
- Global: 39.6% (target 90%)

Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
2026-01-28 22:08:04 -06:00

249 lines
12 KiB
YAML

# ═══════════════════════════════════════════════════════════════════════════════
# METADATA DE TAREA - ML TRAINING ENHANCEMENT
# ═══════════════════════════════════════════════════════════════════════════════
version: "1.1.0"
task_id: "TASK-2026-01-25-ML-TRAINING-ENHANCEMENT"
# ─────────────────────────────────────────────────────────────────────────────────
# IDENTIFICACIÓN
# ─────────────────────────────────────────────────────────────────────────────────
identificacion:
titulo: "Mejora Integral de Modelos ML para Trading - Arquitectura Avanzada"
descripcion: |
Análisis exhaustivo y planificación de mejoras para los modelos de Machine Learning
de trading-platform, incluyendo:
- Migración e integración de conocimiento del proyecto antiguo (WorkspaceOld/trading)
- Diseño de 3-5 estrategias diferentes con features/targets especializados
- Implementación de mecanismos de atención sobre variación de precio
- Modelos especializados por activo
- Integración LLM para decisiones basadas en predicciones ensemble
- Objetivo: 80% de efectividad mínima en operaciones
tipo: "analysis"
prioridad: "P0"
tags:
- "ml"
- "deep-learning"
- "attention-mechanisms"
- "trading"
- "metamodels"
- "llm-integration"
- "strategy-ensemble"
# ─────────────────────────────────────────────────────────────────────────────────
# RESPONSABILIDAD
# ─────────────────────────────────────────────────────────────────────────────────
responsabilidad:
agente_responsable: "ARQUITECTO-ML-AI"
agente_modelo: "claude-opus-4-5"
delegado_de: null
delegado_a:
- "TASK-2026-01-25-ML-STRATEGY-1-PRICE-VARIATION"
- "TASK-2026-01-25-ML-STRATEGY-2-MOMENTUM-REGIME"
- "TASK-2026-01-25-ML-STRATEGY-3-VOLATILITY-BREAKOUT"
- "TASK-2026-01-25-ML-STRATEGY-4-MARKET-STRUCTURE"
- "TASK-2026-01-25-ML-STRATEGY-5-MULTI-TIMEFRAME"
- "TASK-2026-01-25-ML-ATTENTION-ARCHITECTURE"
- "TASK-2026-01-25-ML-LLM-STRATEGY-INTEGRATION"
- "TASK-2026-01-25-ML-DATA-PIPELINE"
- "TASK-2026-01-25-ML-BACKTESTING-VALIDATION"
# ─────────────────────────────────────────────────────────────────────────────────
# ALCANCE
# ─────────────────────────────────────────────────────────────────────────────────
alcance:
nivel: "proyecto"
proyecto: "trading-platform"
modulo: "ml-engine"
capas_afectadas:
- "database"
- "backend"
- "docs"
# ─────────────────────────────────────────────────────────────────────────────────
# TEMPORALIDAD
# ─────────────────────────────────────────────────────────────────────────────────
temporalidad:
fecha_inicio: "2026-01-25 00:00"
fecha_fin: null
duracion_estimada: "40h"
duracion_real: null
# ─────────────────────────────────────────────────────────────────────────────────
# ESTADO
# ─────────────────────────────────────────────────────────────────────────────────
estado:
actual: "completada"
fase_actual: "D"
porcentaje: 100
motivo_bloqueo: null
# ─────────────────────────────────────────────────────────────────────────────────
# FASES CAPVED
# ─────────────────────────────────────────────────────────────────────────────────
fases:
contexto:
estado: "completada"
archivo: "01-CONTEXTO.md"
completado_en: "2026-01-25"
analisis:
estado: "completada"
archivo: "02-ANALISIS.md"
completado_en: "2026-01-25"
plan:
estado: "completada"
archivo: "03-PLANEACION.md"
completado_en: "2026-01-25"
validacion:
estado: "completada"
archivo: "04-VALIDACION.md"
completado_en: "2026-01-25"
ejecucion:
estado: "completada"
archivo: "05-EJECUCION.md"
completado_en: "2026-01-25"
documentacion:
estado: "completada"
archivo: "06-DOCUMENTACION.md"
completado_en: "2026-01-25"
# ─────────────────────────────────────────────────────────────────────────────────
# ARTEFACTOS
# ─────────────────────────────────────────────────────────────────────────────────
artefactos:
archivos_creados:
- ruta: "docs/02-definicion-modulos/OQI-006-ml-signals/ML-TRAINING-ENHANCEMENT-SPEC.md"
tipo: "specification"
lineas: 0
archivos_modificados: []
archivos_eliminados: []
commits: []
# ─────────────────────────────────────────────────────────────────────────────────
# RELACIONES
# ─────────────────────────────────────────────────────────────────────────────────
relaciones:
tarea_padre: null
subtareas:
# Nivel 1 - Estrategias de Modelos
- "TASK-2026-01-25-ML-STRATEGY-1-PRICE-VARIATION"
- "TASK-2026-01-25-ML-STRATEGY-2-MOMENTUM-REGIME"
- "TASK-2026-01-25-ML-STRATEGY-3-VOLATILITY-BREAKOUT"
- "TASK-2026-01-25-ML-STRATEGY-4-MARKET-STRUCTURE"
- "TASK-2026-01-25-ML-STRATEGY-5-MULTI-TIMEFRAME"
# Nivel 1 - Infraestructura
- "TASK-2026-01-25-ML-ATTENTION-ARCHITECTURE"
- "TASK-2026-01-25-ML-LLM-STRATEGY-INTEGRATION"
- "TASK-2026-01-25-ML-DATA-PIPELINE"
- "TASK-2026-01-25-ML-BACKTESTING-VALIDATION"
tareas_relacionadas:
- "TASK-2026-01-25-ML-DATA-MIGRATION"
bloquea: []
bloqueada_por: []
# ─────────────────────────────────────────────────────────────────────────────────
# VALIDACIONES
# ─────────────────────────────────────────────────────────────────────────────────
validaciones:
build:
estado: "na"
output: null
lint:
estado: "na"
errores: 0
warnings: 0
tests:
estado: "na"
passed: 0
failed: 0
typecheck:
estado: "na"
errores: 0
documentacion_completa: false
# ─────────────────────────────────────────────────────────────────────────────────
# REFERENCIAS
# ─────────────────────────────────────────────────────────────────────────────────
referencias:
documentos_consultados:
- "@CAPVED"
- "C:\\Empresas\\WorkspaceOld\\Projects\\trading"
- "projects/trading-platform/apps/ml-engine/"
- "docs/02-definicion-modulos/OQI-006-ml-signals/"
directivas_aplicadas:
- "@ANALYSIS"
- "@SIMCO-TAREA"
epica: "OQI-006"
user_story: null
# ─────────────────────────────────────────────────────────────────────────────────
# TRACKING DE CONTEXTO/TOKENS
# ─────────────────────────────────────────────────────────────────────────────────
context_tracking:
estimated_tokens:
initial_context: 50000
files_loaded: 25000
total_conversation: 150000
context_cleanups: 0
checkpoints_created: 1
subagents:
- id: "explore-trading-old"
profile: "Explore"
estimated_tokens: 30000
files_loaded: 50
task_description: "Exploración exhaustiva del proyecto antiguo trading"
- id: "explore-trading-platform"
profile: "Explore"
estimated_tokens: 35000
files_loaded: 95
task_description: "Exploración del proyecto trading-platform actual"
- id: "explore-docs"
profile: "Explore"
estimated_tokens: 15000
files_loaded: 40
task_description: "Revisión de documentación ML y trading"
efficiency_metrics:
tokens_per_file_modified: 0
tasks_completed_per_cleanup: 0
context_utilization_peak: "45%"
# ─────────────────────────────────────────────────────────────────────────────────
# NOTAS Y LECCIONES APRENDIDAS
# ─────────────────────────────────────────────────────────────────────────────────
notas: |
Esta tarea es una iniciativa estratégica para mejorar significativamente la precisión
de los modelos de ML de trading-platform. Se identificaron múltiples oportunidades
de mejora basadas en:
1. Conocimiento del proyecto antiguo (XGBoost + GRU + Metamodelos)
2. Arquitectura actual (15 modelos con atención Level 0)
3. Literatura de ML financiero (Attention, Transformers, Regime Detection)
Objetivo clave: 80% de efectividad en operaciones ejecutadas por LLM.
lecciones_aprendidas: []
# ═══════════════════════════════════════════════════════════════════════════════
# FIN DE METADATA
# ═══════════════════════════════════════════════════════════════════════════════