trading-platform/docs/02-definicion-modulos/OQI-006-ml-signals/estrategias

id	title	type	project	version	updated_date
README	Documentación de Estrategias y Modelos ML - Trading Platform	Documentation	trading-platform	1.0.0	2026-01-04

Documentaci\u00f3n de Estrategias y Modelos ML - Trading Platform

Fecha de Creaci\u00f3n: 2025-12-05 Versi\u00f3n: 1.0.0 Estado: Completo

---

Descripci\u00f3n General

Esta carpeta contiene la documentaci\u00f3n exhaustiva de las estrategias de trading institucional y la arquitectura de modelos Machine Learning para el m\u00f3dulo OQI-006-ml-signals de Trading Platform.

Total: 6,189 l\u00edneas de documentaci\u00f3n t\u00e9cnica Tama\u00f1o: ~204 KB

---

Documentos Disponibles

1. ESTRATEGIA-AMD-COMPLETA.md

L\u00edneas: 1,417 Tama\u00f1o: 42 KB

Documentaci\u00f3n exhaustiva de la estrategia AMD (Accumulation-Manipulation-Distribution) basada en los conceptos de Richard Wyckoff y Smart Money.

Contenido:

• ✅ Conceptos fundamentales de AMD
• ✅ Fase 1: Accumulation (características, indicadores, subfases)
• ✅ Fase 2: Manipulation (tipos, detección, stop hunting)
• ✅ Fase 3: Distribution (señales, patrones, estrategias)
• ✅ Detección de transiciones entre fases
• ✅ Indicadores técnicos especializados (Volume Profile, Order Blocks, FVG, Liquidity Pools)
• ✅ Integración con modelos ML (AMDDetector)
• ✅ Implementación práctica con código Python

Casos de Uso:

• Diseño del modelo AMDDetector
• Feature engineering para detección de fases
• Target labeling para entrenamiento
• Estrategias de trading específicas por fase

---

2. ESTRATEGIA-ICT-SMC.md

L\u00edneas: 1,268 Tama\u00f8o: 41 KB

Estrategias complementarias de ICT (Inner Circle Trader) y Smart Money Concepts (SMC).

Contenido:

• ✅ ICT Concepts:
  • Optimal Trade Entry (OTE) - Zonas Fibonacci 62-79%
  • Killzones (London, NY, Asian sessions)
  • Weekly & Daily Ranges
  • Premium/Discount Pricing
  • Market Maker Models (MMSM/MMBM)
  • Power of 3
• ✅ Smart Money Concepts:
  • Change of Character (CHOCH)
  • Break of Structure (BOS)
  • Inducement
  • Displacement
  • Liquidity Voids
• ✅ Sistema de Confluence (scoring multi-factor)
• ✅ Integración AMD + ICT + SMC
• ✅ Features derivados para ML

Casos de Uso:

• Timing óptimo de entradas
• Identificación de zonas de alta probabilidad
• Confluence scoring para filtrado de señales
• Feature engineering avanzado

---

3. MODELOS-ML-DEFINICION.md

L\u00edneas: 1,712 Tama\u00f1o: 58 KB

Arquitectura completa de todos los modelos Machine Learning del sistema.

Contenido:

• ✅ Modelo 1: AMDDetector

  • Clasificador multiclass (XGBoost)
  • 50 input features
  • Output: 4 fases (neutral, accumulation, manipulation, distribution)
  • Métricas esperadas: >70% accuracy overall

• ✅ Modelo 2: RangePredictor

  • Regressor + Classifier (XGBoost)
  • 70+ input features (base + AMD)
  • Output: delta_high, delta_low para múltiples horizontes
  • Métricas esperadas: MAE <0.003, Directional Acc >95%

• ✅ Modelo 3: TPSLClassifier

  • Binary classifier con calibración (XGBoost)
  • 80+ input features (stacking con Range)
  • Output: P(TP antes de SL)
  • Métricas actuales: 85.9% accuracy, 0.94 ROC-AUC

• ✅ Modelo 4: LiquidityHunter

  • Detector de liquidity sweeps
  • 30 features especializados
  • Output: P(sweep), timing, risk score

• ✅ Modelo 5: OrderFlowAnalyzer (opcional)

  • LSTM para análisis de flujo institucional
  • Requiere datos granulares

• ✅ Meta-Modelo: StrategyOrchestrator

  • Ensemble weighted + rule-based
  • Combina todos los modelos
  • Genera señal final BUY/SELL/HOLD

• ✅ Pipeline de entrenamiento completo

• ✅ Métricas de evaluación

• ✅ FastAPI service para producción

• ✅ Monitoring y retraining automático

Casos de Uso:

• Diseño e implementación de modelos
• Pipeline de entrenamiento
• Deployment a producción
• Evaluación y monitoring

---

4. FEATURES-TARGETS-ML.md

L\u00edneas: 869 Tama\u00f1o: 29 KB

Catálogo completo de features (variables de entrada) y targets (variables objetivo) para todos los modelos.

Contenido:

• ✅ Features Base (21)

  • Volatilidad (8): volatility_, atr_
  • Momentum (6): momentum_, roc_, rsi_14
  • Medias Móviles (7): sma_*, ratios, slopes

• ✅ Features AMD (25)

  • Price Action (10): range_ratio, body_size, wicks, etc.
  • Volumen (8): volume_ratio, OBV, VWAP
  • Market Structure (7): higher_highs, swings, structure_score

• ✅ Features ICT (15)

  • OTE & Fibonacci (5): posición en rango, zonas
  • Killzones & Timing (5): sesiones, strength
  • Ranges (5): weekly/daily position

• ✅ Features SMC (12)

  • Structure Breaks (6): CHOCH, BOS counts
  • Displacement & Flow (6): strength, direction

• ✅ Features Liquidez (10)

  • BSL/SSL distance, density, strength
  • Sweep detection y proximity

• ✅ Features Microestructura (8)

  • CVD, tick imbalance, large orders

• ✅ Targets para cada modelo

  • AMD Phase (multiclass)
  • Delta High/Low (regression + bins)
  • TP vs SL (binary)
  • Liquidity Sweeps (binary + timing)

• ✅ Feature Engineering Pipeline completo

• ✅ Consideraciones técnicas (scaling, missing values, validation)

Dimensión Total: ~91 features base

Casos de Uso:

• Referencia para feature engineering
• Target labeling para entrenamiento
• Validación de features
• Debugging de modelos

---

5. PIPELINE-ORQUESTACION.md

L\u00edneas: 923 Tama\u00f1o: 34 KB

Pipeline completo de orquestación que conecta todos los modelos.

Contenido:

• ✅ Arquitectura del pipeline end-to-end
• ✅ Flujo de datos detallado (10 pasos)
• ✅ Grafo de dependencias entre modelos
• ✅ Implementación completa de StrategyOrchestrator
• ✅ Escenarios de uso:
  • Setup perfecto (alta confluence)
  • Manipulation phase (hold)
  • Baja confluence (hold)
• ✅ Optimización y performance:
  • Caching strategy
  • Parallel execution
  • Batch processing
• ✅ Monitoring y alertas:
  • Métricas Prometheus
  • Logging estructurado
  • Sistema de alertas

Latencias esperadas:

• End-to-end: <1,200ms
• Por modelo: 50-200ms

Casos de Uso:

• Implementación del pipeline completo
• Optimización de performance
• Setup de monitoring
• Debugging de flujo

---

Flujo de Lectura Recomendado

Para Trading Strategists

1. ESTRATEGIA-AMD-COMPLETA.md - Fundamentos de AMD
2. ESTRATEGIA-ICT-SMC.md - Conceptos complementarios
3. PIPELINE-ORQUESTACION.md - Cómo se integra todo

Para ML Engineers

1. FEATURES-TARGETS-ML.md - Qué features usar
2. MODELOS-ML-DEFINICION.md - Arquitectura de modelos
3. PIPELINE-ORQUESTACION.md - Cómo conectar modelos

Para Full Stack Developers

1. PIPELINE-ORQUESTACION.md - API y flujo
2. MODELOS-ML-DEFINICION.md - Endpoints y schemas
3. FEATURES-TARGETS-ML.md - Input/output data

---

Integración con TradingAgent Existente

Los modelos documentados aquí se integran con el código existente en:

[LEGACY: apps/ml-engine - migrado desde TradingAgent]/
├── src/models/
│   ├── range_predictor.py      → Ver MODELOS-ML-DEFINICION.md
│   ├── tp_sl_classifier.py     → Ver MODELOS-ML-DEFINICION.md
│   └── signal_generator.py     → Ver PIPELINE-ORQUESTACION.md
├── src/strategies/
│   └── amd_detector.py         → Ver ESTRATEGIA-AMD-COMPLETA.md
└── models/phase2/              → Modelos entrenados

Performance Actual (TradingAgent Phase 2):

• RangePredictor: 69.3% bin accuracy
• TPSLClassifier: 85.9% accuracy, 0.94 ROC-AUC
• Símbolos: BTCUSDT, ETHUSDT
• Próximos: XAUUSD, EURUSD

---

Mejoras vs TradingAgent

Aspecto	TradingAgent Actual	Documentación Nueva
AMD Detector	Implementación básica	Modelo ML completo con 50 features
Features	21 básicos	91 features (base + AMD + ICT + SMC)
Estrategias	Solo AMD	AMD + ICT + SMC + Confluence
Modelos	2 (Range, TPSL)	5 (AMD, Range, TPSL, Liquidity, OrderFlow)
Orquestación	SignalGenerator simple	StrategyOrchestrator avanzado
Confluence	No implementado	Sistema de scoring multi-factor
Monitoring	Básico	Prometheus + alertas

---

Próximos Pasos

Fase 1: Implementación Core (2 semanas)

• Implementar AMDDetector según MODELOS-ML-DEFINICION.md
• Extender features según FEATURES-TARGETS-ML.md
• Agregar features ICT/SMC
• Entrenar AMDDetector con datos históricos

Fase 2: Integración (2 semanas)

• Mejorar RangePredictor con features AMD
• Mejorar TPSLClassifier con stacking
• Implementar LiquidityHunter
• Crear StrategyOrchestrator

Fase 3: Optimización (1 semana)

• Implementar caching según PIPELINE-ORQUESTACION.md
• Setup monitoring y alertas
• Optimizar latencias
• Backtesting completo

Fase 4: Producción (1 semana)

• Deployment FastAPI
• CI/CD pipeline
• Auto-retraining
• Documentación API

---

Contacto y Soporte

Equipo ML Engineering:

• Email: ml-engineering@trading.ai
• Slack: #ml-signals

Revisión de Código:

• Pull Requests en GitHub
• Code review obligatorio antes de merge

Documentación Adicional:

• Arquitectura General: /docs/01-arquitectura/
• API Specs: /docs/02-definicion-modulos/OQI-006-ml-signals/especificaciones/
• Tests: /docs/02-definicion-modulos/OQI-006-ml-signals/pruebas/

---

Changelog

v1.0.0 - 2025-12-05

• ✅ Documentación inicial completa
• ✅ 5 documentos técnicos generados
• ✅ 6,189 líneas de documentación
• ✅ Integración con TradingAgent definida

---

Última actualización: 2025-12-05 Próxima revisión: 2025-Q1 Mantenido por: Trading Strategist Team