Adrian Flores Cortes 8293938cbe [ESTANDAR-ORCHESTRATION] refactor: Consolidate to standard structure

- Move 7 non-standard folders to _archive/
- Create 5 missing obligatory files
- Update _MAP.md with standardized structure

Standard: SIMCO-ESTANDAR-ORCHESTRATION v1.0.0
Level: CONSUMER (L2)

Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>

2026-01-24 14:38:26 -06:00

22 KiB

Raw Blame History

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

# 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)

# 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

# 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

# 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

# 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

// 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

# 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

// 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)

Definicion completa de Auth/Portales/Usuarios (aunque ya existe, refinar)
Integracion Stripe (pagos y suscripciones)
Wallet interno (fondeo de cuentas)
Agentes con diferentes perfiles de riesgo (Atlas, Orion, Nova)
Contenido educativo (cursos, quizzes)
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

Verificar disponibilidad de datos historicos
- 10 anos de XAUUSD, EURUSD, GBPUSD, USDJPY
- Datos de BTC/USDT
Configurar entorno de entrenamiento
- GPU disponible (RTX 5060 Ti 16GB)
- Ollama instalado
- Dependencias Python
Crear rama de desarrollo
- feature/ml-first-development

Dia 3-7: Fase 0

Implementar pipeline de datos
Crear splits temporales
Validar datasets

Semana 2+: Fase 1

Comenzar entrenamiento de modelos
Documentar resultados
Iterar hasta alcanzar metricas

7. Referencias

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

22 KiB Raw Blame History

Plan de Desarrollo ML-First - Trading Platform

Resumen Ejecutivo

Objetivos de Rendimiento

1. Analisis del Estado Actual vs Prioridades

1.1 Estado Actual del Proyecto

1.2 Gaps Identificados para Nuevas Prioridades

Gap 1: Validacion Temporal de Modelos ML

Gap 2: Prediccion de Maximos/Minimos Multi-Temporalidad

Gap 3: Fine-tuning LLM con Estrategias

Gap 4: MCP Server para MT4

Gap 5: Integracion Binance para Bitcoin

2. Plan de Desarrollo Reordenado

FASE 0: Preparacion de Datos (Semana 1)

Tareas:

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

Track 1.1: RangePredictor Multi-Temporalidad

Track 1.2: AMD Detector (Fases de Mercado)

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

Track 1.4: StrategyOrchestrator (Meta-Modelo)

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

Track 2.1: Setup LLM Local

Track 2.2: Creacion de Dataset para Fine-Tuning

Track 2.3: Fine-Tuning del Modelo

Track 2.4: Integracion LLM con ML Engine

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

Track 3.1: MCP Server Core

Track 3.2: Integracion MT4 via MetaAPI

Track 3.3: Integracion Binance para Bitcoin

Track 3.4: Conexion MCP Server con LLM Agent

FASE 4: Visualizacion Web (Semanas 11-13)

Track 4.1: Componente de Charts

Track 4.2: Dashboard de Admin

Track 4.3: Integracion con Backend

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

Componentes a Desarrollar (En Orden)

3. Estrategia de Paralelizacion

Diagrama de Dependencias

Equipos Paralelos Sugeridos

Sincronizacion

4. Metricas de Exito por Fase

FASE 1: Modelos ML

FASE 2: LLM Agent

FASE 3: Ejecucion

FASE 4: Visualizacion

5. Riesgos y Mitigaciones

6. Proximos Pasos Inmediatos

Dia 1-2: Preparacion

Dia 3-7: Fase 0

Semana 2+: Fase 1

7. Referencias

22 KiB

Raw Blame History