trading-platform/docs/02-definicion-modulos/OQI-006-ml-signals/estrategias/ALCANCES-FASE-1-PRIORIZADOS.md

id	title	type	project	version	updated_date
ALCANCES-FASE-1-PRIORIZADOS	Alcances Fase 1 - Primera Entrega Priorizada	Documentation	trading-platform	1.0.0	2026-01-04

Alcances Fase 1 - Primera Entrega Priorizada

Version: 1.0.0 Fecha: 2025-12-08 Proyecto: Trading Platform Autor: Requirements Analyst / Trading Strategist

---

Objetivo de Fase 1

Entregar un agente personal de trading funcional que integre:

1. Modelos de ML entrenados y validados
2. Visualizacion de resultados y predicciones
3. Integracion con LLM local para analisis
4. Conexion con MetaTrader4 para operaciones
5. Pipeline de datos con API Massive

---

Prioridades de Entrega

P0 - Must Have (Critico)

ID	Componente	Descripcion	Criterio de Exito
P0-01	AMDDetector	Modelo de deteccion de fases	Accuracy >70%, F1 >0.65
P0-02	RangePredictor	Predictor de delta high/low	MAE <0.003, Dir Acc >90%
P0-03	TPSLClassifier	Clasificador TP vs SL	AUC >0.85, Acc >80%
P0-04	Pipeline de Features	Extraccion de 103 features	Sin errores, <500ms
P0-05	StrategyOrchestrator	Meta-modelo para senales	EV positivo en backtest
P0-06	Dashboard Validacion	Visualizacion de predicciones	Graficas interactivas
P0-07	Integracion LLM	chatgpt-oss para analisis	Response <3s, Tools funcionales
P0-08	Integracion MT4	Conexion via MetaAPI	CRUD de ordenes funcional
P0-09	Pipeline Datos	API Massive + actualizacion	Datos sincronizados

P1 - Should Have (Importante)

ID	Componente	Descripcion	Criterio de Exito
P1-01	LiquidityHunter	Detector de stop hunts	Precision >70%
P1-02	ICTContextModel	Scoring de contexto ICT	Score calibrado
P1-03	Backtesting Engine	Validacion historica	Metricas completas
P1-04	Alertas	Notificaciones de senales	Push notifications
P1-05	Trade Journal	Log de operaciones	Registro completo

P2 - Nice to Have (Deseable)

ID	Componente	Descripcion	Criterio de Exito
P2-01	OrderFlowModel	LSTM para order flow	Score significativo
P2-02	Multi-Symbol	Soporte EURUSD, GBPUSD	Modelos por simbolo
P2-03	Auto-Retraining	Reentrenamiento automatico	Weekly schedule
P2-04	Risk Dashboard	Metricas de riesgo	DD, Sharpe, etc.

---

Detalle de Componentes P0

P0-01: AMDDetector

Objetivo: Clasificar la fase actual del mercado (Accumulation, Manipulation, Distribution, Neutral)

Especificaciones:

• Modelo: XGBoost Multiclass
• Input: 50 features (Price Action, Volume, Structure, Order Flow)
• Output: 4 probabilidades + fase predicha
• Dataset: 10 anos XAUUSD (~660K registros)

Metricas Target:

Metrica	Target	Minimo Aceptable
Overall Accuracy	>70%	65%
Macro F1	>0.65	0.60
Accumulation Precision	>70%	60%
Manipulation Precision	>65%	55%
Distribution Precision	>70%	60%

Entregables:

• Modelo entrenado (amd_detector.pkl)
• Pipeline de features (amd_features.py)
• Script de entrenamiento (train_amd.py)
• Evaluacion en test set (amd_evaluation.ipynb)
• Documentacion de features

P0-02: RangePredictor

Objetivo: Predecir el movimiento maximo hacia arriba (delta_high) y abajo (delta_low) del precio

Especificaciones:

• Modelo: XGBoost Regressor + Classifier (bins)
• Input: 115 features (base + AMD outputs)
• Output: delta_high, delta_low para 15m y 1h
• Stacking: Usa outputs de AMDDetector

Metricas Target:

Horizonte	MAE High	MAE Low	Dir Acc High	Dir Acc Low
15m	<0.003	<0.003	>95%	>50%
1h	<0.005	<0.005	>90%	>50%

Entregables:

• Modelo entrenado (range_predictor.pkl)
• Feature augmentation pipeline
• Script de entrenamiento (train_range.py)
• Evaluacion (range_evaluation.ipynb)

P0-03: TPSLClassifier

Objetivo: Predecir probabilidad de que TP sea alcanzado antes que SL

Especificaciones:

• Modelo: XGBoost Binary + Isotonic Calibration
• Input: 123 features (base + AMD + Range outputs)
• Output: P(TP first) para multiples R:R configs
• Stacking: Usa outputs de AMD + Range

Metricas Target:

Config	Accuracy	AUC	Precision	Recall
R:R 2:1	>80%	>0.85	>75%	>75%
R:R 3:1	>75%	>0.80	>70%	>70%

Entregables:

• Modelo entrenado (tpsl_classifier.pkl)
• Calibrador de probabilidades (calibrator.pkl)
• Script de entrenamiento (train_tpsl.py)
• Evaluacion (tpsl_evaluation.ipynb)

P0-04: Pipeline de Features

Objetivo: Extraer y transformar las 103 features de manera consistente

Especificaciones:

• Categorias: Price Action(12), Volume(10), Volatility(8), Trend(10), Structure(12), OrderFlow(10), Liquidity(8), ICT(15), SMC(12), Time(6)
• Scaler: RobustScaler (robusto a outliers)
• Performance: <500ms para extraccion completa

Entregables:

• FeatureEngineeringPipeline class
• Funciones de extraccion por categoria
• Scaler serializado (scaler.pkl)
• Tests unitarios
• Documentacion de cada feature

P0-05: StrategyOrchestrator

Objetivo: Combinar todos los modelos para generar senal final de trading

Especificaciones:

• Tipo: Ensemble weighted + reglas
• Input: Outputs de todos los modelos
• Output: Signal (LONG/SHORT/HOLD), confidence, SL, TP, position size
• Threshold: Confidence minimo 60%

Decision Logic:

1. AMD phase filter (solo accumulation/distribution)
2. ICT context alignment
3. Range prediction bias
4. TPSL probability check (>55%)
5. Liquidity risk assessment
6. Confidence aggregation

Entregables:

• StrategyOrchestrator class
• Configuration file (orchestrator_config.yaml)
• Backtest validation
• Signal logging

P0-06: Dashboard de Validacion

Objetivo: Visualizar predicciones y validar efectividad de modelos

Componentes:

1. Grafica de Senales: Candlestick + senales superpuestas
2. AMD Phase Timeline: Fases detectadas en el tiempo
3. Predicciones vs Real: Comparacion delta_high/low
4. Metricas en Vivo: Accuracy, precision rolling
5. Confusion Matrix: Por modelo
6. Feature Importance: Top 20 features

Stack:

• FastAPI backend
• Plotly/Dash frontend
• WebSocket para updates

Entregables:

• API endpoints (/api/visualization/*)
• Dashboard interactivo
• Export de reportes (PDF/HTML)

P0-07: Integracion LLM Local

Objetivo: Integrar chatgpt-oss (16GB) para analisis y decisiones

Especificaciones:

• Modelo: chatgpt-oss (compatible con NVIDIA RTX 5060 Ti 16GB)
• API: Compatible con OpenAI API format
• Hosting: Local via Ollama o similar
• Latencia: <3s response time

Tools disponibles:

tools = [
    {
        "name": "get_ml_signal",
        "description": "Obtiene senal ML actual",
        "parameters": ["symbol", "timeframe"]
    },
    {
        "name": "analyze_market",
        "description": "Analiza estado del mercado",
        "parameters": ["symbol"]
    },
    {
        "name": "explain_signal",
        "description": "Explica una senal",
        "parameters": ["signal"]
    },
    {
        "name": "execute_trade",
        "description": "Ejecuta operacion",
        "parameters": ["symbol", "action", "size", "sl", "tp"]
    },
    {
        "name": "get_portfolio",
        "description": "Estado del portfolio",
        "parameters": []
    }
]

Entregables:

• LLM service (llm_service.py)
• Trading tools implementation
• System prompt optimizado
• Context management (Redis)

P0-08: Integracion MetaTrader4

Objetivo: Gestionar cuentas y operaciones via MetaAPI

Especificaciones:

• Provider: MetaAPI (cloud connection to MT4)
• Accounts: Multiple account support
• Operations: Open, Modify, Close positions

API Endpoints:

POST /api/mt4/accounts/{id}/connect
GET  /api/mt4/accounts/{id}/positions
POST /api/mt4/accounts/{id}/trade
PUT  /api/mt4/accounts/{id}/trade/{ticket}
DELETE /api/mt4/accounts/{id}/trade/{ticket}
GET  /api/mt4/accounts/{id}/history

Manejo de Variaciones de Precio:

• Configuracion de slippage maximo por broker
• Requotes handling
• Price adjustment basado en diferencias broker

Entregables:

• MetaAPI client wrapper
• Account management service
• Trade execution service
• Price adjustment logic
• Error handling y retry logic

P0-09: Pipeline de Datos

Objetivo: Mantener datos actualizados via API Massive

Especificaciones:

• Provider: API Massive
• Symbols: XAUUSD, EURUSD, GBPUSD, USDJPY
• Timeframe: 5 minutos
• Storage: PostgreSQL

Pipeline:

API Massive --> Data Fetcher --> Validator --> PostgreSQL
                                     |
                                     v
                               Gap Detection
                                     |
                                     v
                               Gap Filling

Schedule:

• Full sync: 1x/dia (04:00 UTC)
• Incremental: Cada 5 minutos

Entregables:

• API Massive client
• Data fetcher service
• Gap detection algorithm
• PostgreSQL schema
• Scheduler (cron/celery)

---

Arquitectura de Fase 1

┌─────────────────────────────────────────────────────────────────────────────────┐
│                          FASE 1 ARCHITECTURE                                     │
├─────────────────────────────────────────────────────────────────────────────────┤
│                                                                                  │
│  ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐           │
│  │   Data Layer    │     │   ML Layer      │     │  Integration    │           │
│  │                 │     │                 │     │     Layer       │           │
│  │  ┌───────────┐  │     │  ┌───────────┐  │     │  ┌───────────┐  │           │
│  │  │PostgreSQL │  │     │  │AMDDetector│  │     │  │LLM Agent  │  │           │
│  │  │  (data)   │  │◄───▶│  └───────────┘  │◄───▶│  │(chatgpt)  │  │           │
│  │  └───────────┘  │     │  ┌───────────┐  │     │  └───────────┘  │           │
│  │  ┌───────────┐  │     │  │Range      │  │     │  ┌───────────┐  │           │
│  │  │API Massive│──┼────▶│  │Predictor  │  │◄───▶│  │MetaTrader │  │           │
│  │  │ (source)  │  │     │  └───────────┘  │     │  │   (MT4)   │  │           │
│  │  └───────────┘  │     │  ┌───────────┐  │     │  └───────────┘  │           │
│  │                 │     │  │TPSL       │  │     │                 │           │
│  │                 │     │  │Classifier │  │     │                 │           │
│  │                 │     │  └───────────┘  │     │                 │           │
│  │                 │     │  ┌───────────┐  │     │                 │           │
│  │                 │     │  │Orchestratr│  │     │                 │           │
│  │                 │     │  └───────────┘  │     │                 │           │
│  └─────────────────┘     └─────────────────┘     └─────────────────┘           │
│           │                      │                      │                       │
│           │                      │                      │                       │
│           └──────────────────────┼──────────────────────┘                       │
│                                  │                                              │
│                                  ▼                                              │
│                    ┌─────────────────────────┐                                 │
│                    │     Visualization       │                                 │
│                    │      Dashboard          │                                 │
│                    │                         │                                 │
│                    │  - Signal Visualization │                                 │
│                    │  - Model Validation     │                                 │
│                    │  - Performance Metrics  │                                 │
│                    │  - Backtest Reports     │                                 │
│                    └─────────────────────────┘                                 │
│                                                                                  │
└─────────────────────────────────────────────────────────────────────────────────┘

---

Plan de Implementacion

Sprint 1: ML Core (Semana 1-2)

Dia	Tareas
1-2	Setup entorno, migrar datos historicos
3-4	Implementar Feature Engineering Pipeline
5-6	Entrenar AMDDetector, evaluar
7-8	Entrenar RangePredictor con stacking
9-10	Entrenar TPSLClassifier
11-12	Implementar StrategyOrchestrator
13-14	Testing end-to-end, ajustes

Sprint 2: Integraciones (Semana 3-4)

Dia	Tareas
1-2	Setup LLM local (chatgpt-oss)
3-4	Implementar trading tools para LLM
5-6	Integracion MetaAPI
7-8	Trade execution service
9-10	Pipeline de datos (API Massive)
11-12	Price adjustment por broker
13-14	Testing integraciones

Sprint 3: Visualizacion y Validacion (Semana 5)

Dia	Tareas
1-2	Dashboard de senales
3-4	Metricas y graficas de validacion
5-6	Backtesting completo
7	Documentacion final

---

Criterios de Aceptacion Final

Funcionalidad

• AMDDetector predice fases con accuracy >70%
• RangePredictor predice movimientos con MAE <0.003
• TPSLClassifier tiene AUC >0.85
• StrategyOrchestrator genera senales coherentes
• LLM responde consultas en <3s
• MT4 ejecuta ordenes correctamente
• Datos se actualizan automaticamente

Calidad

• Cobertura de tests >80%
• Documentacion completa
• Codigo revisado (code review)
• Sin vulnerabilidades criticas

Performance

• Inferencia completa <2s
• Dashboard carga <3s
• API response time <500ms

Validacion

• Backtest con EV positivo
• Paper trading 1 semana exitoso
• User acceptance testing aprobado

---

Riesgos y Mitigacion

Riesgo	Probabilidad	Impacto	Mitigacion
Accuracy ML insuficiente	Media	Alto	Mas datos, feature engineering
LLM no cabe en GPU	Baja	Alto	Usar modelo mas pequeno
MetaAPI rate limits	Media	Medio	Caching, throttling
API Massive downtime	Baja	Medio	Datos backup locales
Overfitting modelos	Media	Alto	Walk-forward validation

---

Recursos Requeridos

Hardware

• GPU: NVIDIA RTX 5060 Ti 16GB (disponible)
• RAM: 32GB+ recomendado
• Storage: 100GB+ SSD

Software

• Python 3.11+
• XGBoost con CUDA
• PostgreSQL 15+ (instancia compartida del workspace)
• Redis 7+
• Docker

APIs

• MetaAPI subscription
• API Massive subscription

Configuracion de Puertos (DEVENV-PORTS Policy)

Segun la politica de puertos del workspace, trading-platform usa el rango 3600:

Servicio	Puerto	Descripcion
Backend/API	3600	API principal FastAPI
ML Engine	3601	Servicio de modelos ML
LLM Service	3602	chatgpt-oss via Ollama
Trading Service	3603	MetaAPI bridge
Data Service	3604	API Massive pipeline
Frontend	5179	Dashboard Plotly/Dash
Database	5438	PostgreSQL compartido
Redis	6385	Cache y pub/sub

Referencia: /home/isem/workspace/core/devtools/environment/DEVENV-PORTS.md

Tiempo Estimado

• Total: 5 semanas
• Dedicacion: Full-time

---

Documento Generado: 2025-12-08 Requirements Analyst / Trading Strategist - Trading Platform