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

2.9 KiB

Raw Blame History

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

Migración de datos históricos (5.6GB de WorkspaceOld)
GPU 16GB VRAM (disponible)
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

Aprobar plan con usuario
Iniciar FASE 1 (Data Pipeline + Attention Architecture)
Asignar agentes para ejecución paralela en FASE 2
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)

2.9 KiB Raw Blame History