trading-platform/docs/95-guias-desarrollo/ml-engine/SETUP-PYTHON.md

---
id: "SETUP-PYTHON"
title: "Configuración del Entorno Python - Trading Platform"
type: "Documentation"
project: "trading-platform"
version: "1.0.0"
updated_date: "2026-01-04"
---

# Configuración del Entorno Python - Trading Platform

Este documento describe cómo configurar y gestionar los entornos Python para todos los servicios de ML/AI en el proyecto Trading Platform.

## Índice

1. [Requisitos Previos](#requisitos-previos)
2. [Arquitectura de Servicios Python](#arquitectura-de-servicios-python)
3. [Instalación Rápida](#instalación-rápida)
4. [Instalación Manual por Servicio](#instalación-manual-por-servicio)
5. [Estructura de Directorios](#estructura-de-directorios)
6. [Principios SOLID Aplicados](#principios-solid-aplicados)
7. [Gestión de Dependencias](#gestión-de-dependencias)
8. [Troubleshooting](#troubleshooting)

## Requisitos Previos

### Software Requerido

- **Python**: 3.11 o superior
- **Miniconda**: Instalado en `~/miniconda3/`
- **Git**: Para clonar el repositorio
- **PostgreSQL**: 14 o superior (para servicios con DB)
- **Redis**: 7 o superior (para caching)

### Verificar Instalación de Miniconda

```bash
~/miniconda3/bin/conda --version
# Debe mostrar: conda 25.9.1 o superior
```

Si Miniconda no está instalado:

```bash
# Descargar Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# Instalar
bash Miniconda3-latest-Linux-x86_64.sh -b -p ~/miniconda3

# Inicializar (opcional)
~/miniconda3/bin/conda init bash
```

## Arquitectura de Servicios Python

El proyecto Trading Platform incluye tres servicios principales en Python:

### 1. Data Service (`apps/data-service/`)

**Propósito**: Sincronización de datos de mercado desde múltiples fuentes

**Stack tecnológico**:
- FastAPI (opcional, para API endpoints)
- asyncpg (PostgreSQL asíncrono)
- aiohttp (HTTP client asíncrono)
- APScheduler (jobs programados)
- websockets (datos en tiempo real)

**Puerto**: 8001

### 2. ML Engine (`apps/ml-engine/`)

**Propósito**: Modelos de predicción y análisis de trading

**Stack tecnológico**:
- PyTorch (deep learning)
- scikit-learn (ML tradicional)
- XGBoost (gradient boosting)
- FastAPI (API REST)
- ta (análisis técnico)

**Puerto**: 8002

### 3. LLM Agent (`apps/llm-agent/`)

**Propósito**: Agente de trading inteligente con Claude AI

**Stack tecnológico**:
- Anthropic SDK (Claude API)
- LangChain (framework LLM)
- ChromaDB (vector database para RAG)
- FastAPI (API REST)
- asyncpg (PostgreSQL asíncrono)

**Puerto**: 8003

## Instalación Rápida

### Opción 1: Configurar Todos los Servicios

```bash
cd /home/isem/workspace/projects/trading-platform

# Ejecutar script de setup
./scripts/setup-python-envs.sh all
```

### Opción 2: Configurar un Servicio Específico

```bash
# Solo data-service
./scripts/setup-python-envs.sh data-service

# Solo ml-engine
./scripts/setup-python-envs.sh ml-engine

# Solo llm-agent
./scripts/setup-python-envs.sh llm-agent
```

### Verificar Instalación

```bash
# Listar entornos creados
~/miniconda3/bin/conda env list | grep trading

# Debería mostrar:
# trading-data-service
# trading-ml-engine
# trading-llm-agent
```

## Instalación Manual por Servicio

### Data Service

```bash
cd /home/isem/workspace/projects/trading-platform/apps/data-service

# Crear entorno con conda
~/miniconda3/bin/conda env create -f environment.yml

# Activar entorno
conda activate trading-data-service

# Verificar instalación
python -c "import aiohttp, asyncpg; print('OK')"

# Configurar variables de entorno
cp .env.example .env
# Editar .env con tus configuraciones

# Ejecutar (modo desarrollo)
python -m src.main
```

### ML Engine

```bash
cd /home/isem/workspace/projects/trading-platform/apps/ml-engine

# Crear entorno con conda
~/miniconda3/bin/conda env create -f environment.yml

# Activar entorno
conda activate trading-ml-engine

# Verificar instalación de PyTorch
python -c "import torch; print(f'PyTorch: {torch.__version__}')"

# Verificar CUDA (si disponible)
python -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}')"

# Configurar variables de entorno
cp .env.example .env
# Editar .env con tus configuraciones

# Ejecutar API
uvicorn src.main:app --reload --host 0.0.0.0 --port 8002
```

### LLM Agent

```bash
cd /home/isem/workspace/projects/trading-platform/apps/llm-agent

# Crear entorno con conda
~/miniconda3/bin/conda env create -f environment.yml

# Activar entorno
conda activate trading-llm-agent

# Verificar instalación
python -c "import anthropic, langchain; print('OK')"

# Configurar variables de entorno
cp .env.example .env
# IMPORTANTE: Configurar ANTHROPIC_API_KEY en .env

# Ejecutar API
uvicorn src.main:app --reload --host 0.0.0.0 --port 8003
```

## Estructura de Directorios

Cada servicio Python sigue esta estructura basada en principios SOLID:

```
apps/{service}/
├── src/
│   ├── __init__.py           # Package initialization
│   ├── main.py               # Entry point (FastAPI app)
│   ├── config.py             # Configuration (Pydantic Settings)
│   │
│   ├── models/               # Data models (Pydantic)
│   │   ├── __init__.py
│   │   ├── requests.py       # Request models
│   │   ├── responses.py      # Response models
│   │   └── domain.py         # Domain models
│   │
│   ├── services/             # Business logic (SOLID)
│   │   ├── __init__.py
│   │   ├── interfaces.py     # Abstract interfaces
│   │   └── implementations.py # Concrete implementations
│   │
│   ├── repositories/         # Data access layer
│   │   ├── __init__.py
│   │   ├── base.py           # Base repository
│   │   └── {entity}_repo.py  # Entity repositories
│   │
│   └── api/                  # API routes
│       ├── __init__.py
│       ├── routes/           # Route handlers
│       └── dependencies.py   # FastAPI dependencies
│
├── tests/                    # Unit and integration tests
│   ├── __init__.py
│   ├── unit/
│   ├── integration/
│   └── conftest.py
│
├── config/                   # Configuration files
│   └── settings.yml
│
├── environment.yml           # Conda environment
├── requirements.txt          # Pip requirements (backup)
├── pyproject.toml           # Project metadata (optional)
└── .env.example             # Environment variables template
```

## Principios SOLID Aplicados

### 1. Single Responsibility Principle (SRP)

Cada clase/módulo tiene una única responsabilidad:

```python
# config.py - Solo configuración
class Settings(BaseSettings):
    database_url: str
    api_key: str

# services/price_service.py - Solo lógica de precios
class PriceService:
    def get_current_price(self, symbol: str) -> float:
        pass

# repositories/price_repository.py - Solo acceso a datos
class PriceRepository:
    def fetch_from_db(self, symbol: str) -> Price:
        pass
```

### 2. Open/Closed Principle (OCP)

Extensible sin modificar código existente:

```python
# services/interfaces.py
from abc import ABC, abstractmethod

class DataSourceInterface(ABC):
    @abstractmethod
    async def fetch_data(self, symbol: str):
        pass

# services/implementations.py
class AlphaVantageDataSource(DataSourceInterface):
    async def fetch_data(self, symbol: str):
        # Implementation

class YahooFinanceDataSource(DataSourceInterface):
    async def fetch_data(self, symbol: str):
        # Implementation
```

### 3. Liskov Substitution Principle (LSP)

Las implementaciones son sustituibles:

```python
# Cualquier DataSourceInterface puede ser usada
async def get_market_data(
    source: DataSourceInterface,
    symbol: str
):
    return await source.fetch_data(symbol)

# Funciona con cualquier implementación
data1 = await get_market_data(AlphaVantageDataSource(), "AAPL")
data2 = await get_market_data(YahooFinanceDataSource(), "AAPL")
```

### 4. Interface Segregation Principle (ISP)

Interfaces específicas y pequeñas:

```python
# En lugar de una interfaz grande:
# class TradingService(ABC):
#     @abstractmethod
#     def get_price(self): pass
#     @abstractmethod
#     def execute_trade(self): pass
#     @abstractmethod
#     def send_notification(self): pass

# Mejor: interfaces segregadas
class PriceProvider(ABC):
    @abstractmethod
    def get_price(self): pass

class TradeExecutor(ABC):
    @abstractmethod
    def execute_trade(self): pass

class Notifier(ABC):
    @abstractmethod
    def send_notification(self): pass
```

### 5. Dependency Inversion Principle (DIP)

Depender de abstracciones, no de implementaciones concretas:

```python
# main.py
from services.interfaces import DataSourceInterface
from services.implementations import AlphaVantageDataSource

# Dependency Injection
def create_app(data_source: DataSourceInterface = None):
    if data_source is None:
        data_source = AlphaVantageDataSource()

    app = FastAPI()
    app.state.data_source = data_source
    return app
```

## Gestión de Dependencias

### Actualizar Dependencias

```bash
# Activar entorno
conda activate trading-ml-engine

# Actualizar paquetes conda
conda update --all

# Actualizar paquetes pip
pip list --outdated
pip install --upgrade <package>
```

### Agregar Nueva Dependencia

1. **Editar environment.yml**:

```yaml
dependencies:
  - nueva-libreria>=1.0.0
  # o en pip:
  - pip:
      - nueva-libreria>=1.0.0
```

2. **Actualizar entorno**:

```bash
conda activate trading-ml-engine
conda env update -f environment.yml --prune
```

3. **Actualizar requirements.txt**:

```bash
pip freeze > requirements.txt
```

### Exportar Dependencias

```bash
# Exportar environment.yml actual
conda env export > environment.yml

# Exportar solo paquetes principales (recomendado)
conda env export --from-history > environment.yml
```

## Testing

### Ejecutar Tests

```bash
# Todos los tests
pytest

# Con coverage
pytest --cov=src --cov-report=html

# Tests específicos
pytest tests/unit/
pytest tests/integration/

# Test específico
pytest tests/unit/test_price_service.py
```

### Estructura de Tests

```python
# tests/unit/test_price_service.py
import pytest
from src.services.price_service import PriceService

@pytest.fixture
def price_service():
    return PriceService()

def test_get_current_price(price_service):
    price = price_service.get_current_price("AAPL")
    assert price > 0
```

## Troubleshooting

### Problema: Conda no encontrado

```bash
# Verificar instalación
ls -la ~/miniconda3/bin/conda

# Si no existe, reinstalar Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p ~/miniconda3
```

### Problema: Conflictos de dependencias

```bash
# Eliminar entorno y recrear
conda env remove -n trading-ml-engine
conda env create -f environment.yml
```

### Problema: PyTorch no detecta CUDA

```bash
# Verificar CUDA
nvidia-smi

# Reinstalar PyTorch con CUDA
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
```

### Problema: Import errors

```bash
# Verificar que estás en el entorno correcto
conda env list

# Activar entorno correcto
conda activate trading-ml-engine

# Verificar instalación del paquete
pip list | grep <package>
```

### Problema: Puerto en uso

```bash
# Verificar qué está usando el puerto
lsof -i :8002

# Matar proceso
kill -9 <PID>

# O usar otro puerto
uvicorn src.main:app --port 8004
```

## Comandos Útiles

### Gestión de Entornos

```bash
# Listar entornos
conda env list

# Activar entorno
conda activate trading-ml-engine

# Desactivar entorno
conda deactivate

# Eliminar entorno
conda env remove -n trading-ml-engine

# Clonar entorno
conda create --name trading-ml-engine-dev --clone trading-ml-engine
```

### Información del Entorno

```bash
# Listar paquetes instalados
conda list

# Información del entorno
conda info

# Revisar historial de instalación
conda list --revisions
```

### Limpieza

```bash
# Limpiar caché de conda
conda clean --all

# Limpiar paquetes no usados
conda clean --packages

# Limpiar caché de pip
pip cache purge
```

## Desarrollo

### Code Quality

```bash
# Format code
black src/
isort src/

# Lint
flake8 src/

# Type checking
mypy src/
```

### Pre-commit Hooks (Opcional)

```bash
# Instalar pre-commit
pip install pre-commit

# Instalar hooks
pre-commit install

# Ejecutar manualmente
pre-commit run --all-files
```

## Referencias

- [Conda User Guide](https://docs.conda.io/projects/conda/en/latest/user-guide/)
- [FastAPI Documentation](https://fastapi.tiangolo.com/)
- [PyTorch Documentation](https://pytorch.org/docs/)
- [Pydantic Documentation](https://docs.pydantic.dev/)
- [SOLID Principles in Python](https://realpython.com/solid-principles-python/)

## Soporte

Para preguntas o problemas:

1. Revisar la documentación del proyecto en `/docs`
2. Crear un issue en el repositorio
3. Contactar al equipo de desarrollo

---

Última actualización: 2025-12-05
Versión: 1.0.0