rckrdmrd/trading-platform
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
c1b5081208
trading-platform/docs/02-definicion-modulos/OQI-006-ml-signals/estrategias/ALCANCES-FASE-1-PRIORIZADOS.md
rckrdmrd c1b5081208 feat(ml): Complete FASE 11 - BTCUSD update and comprehensive documentation alignment 
ML Engine Updates:
- Updated BTCUSD with Polygon API data (2024-2025): 215,699 new records
- Re-trained all ML models: Attention (R²: 0.223), Base, Metamodel (87.3% confidence)
- Backtest results: +176.71R profit with aggressive_filter strategy

Documentation Consolidation:
- Created docs/99-analisis/_MAP.md index with 13 new analysis documents
- Consolidated inventories: removed duplicates from orchestration/inventarios/
- Updated ML_INVENTORY.yml with BTCUSD metrics and training results
- Added execution reports: FASE11-BTCUSD, correction issues, alignment validation

Architecture & Integration:
- Updated all module documentation with NEXUS v3.4 frontmatter
- Fixed _MAP.md indexes across all folders
- Updated orchestration plans and traces

Files: 229 changed, 5064 insertions(+), 1872 deletions(-)

🤖 Generated with [Claude Code](https://claude.com/claude-code)

Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
2026-01-07 09:31:29 -06:00

483 lines
18 KiB
Markdown
Raw Blame History

---
id: "ALCANCES-FASE-1-PRIORIZADOS"
title: "Alcances Fase 1 - Primera Entrega Priorizada"
type: "Documentation"
project: "trading-platform"
version: "1.0.0"
updated_date: "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:**
```python
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**
Reference in New Issue View Git Blame Copy Permalink