¡Hola, comunidad! 👋
El mercado de criptomonedas es un caos, volatilidad y estrés 24/7. ¿Se puede dominar con matemáticas y código?
Últimamente he estado trabajando en un pet-project: un agente comercial basado en Ensemble Machine Learning. No es solo un "bot en RSI", sino una arquitectura compleja que combina tres redes neuronales diferentes para la toma de decisiones.
Quiero compartir detalles técnicos y arquitectura. Esta es una revisión puramente técnica del experimento, no un llamado a la acción.
🧠 "Cerebro" del sistema: ¿Qué es el Aprendizaje por Conjunto?
Un modelo a menudo se equivoca. Por eso utilicé el enfoque de Conjunto (Ensemble) — es como un consejo de administración, donde la decisión se toma por votación entre tres expertos diferentes.
Mi agente analiza pares (BTC, ETH, BNB, SOL, XRP) en diferentes marcos de tiempo, utilizando tres modelos:
1. CatBoost (Analista):
• Algoritmo de boosting por gradientes.
• Qué hace: Busca relaciones no lineales entre 31 indicadores (RSI, volúmenes, volatilidad).
• Fuerza: La mayor precisión (AUC ~0.75) en datos tabulares.
2. Transformador (Estratégico):
• La misma arquitectura que subyace en ChatGPT, pero para números.
• Qué hace: Analiza 512 velas históricas a través del mecanismo de Autoatención.
• Fuerza: Ve patrones globales y contextos a largo plazo.
3. TCN (Táctico):
• Red Convolucional Temporal (Temporal Convolutional Network).
• Qué hace: Se enfoca en tendencias locales.
• Fuerza: Muy rápida y eficiente para pronósticos a corto plazo.
📊 ¿Cómo se toma la decisión?
Cada modelo "vota". El agente toma el promedio ponderado de sus pronósticos. Esto permite filtrar señales falsas: si un modelo entra en pánico y los otros dos están tranquilos, la operación no se abre.
🛡 Gestión de riesgos > Beneficio
El problema principal de los bots es que pueden "liquidar" el depósito durante la noche. Por eso construí un sistema de protección incluso antes de enseñarle a comerciar:
• Stops dinámicos: Stop-Loss y Take-Profit no son fijos, sino que se adaptan a la volatilidad del mercado (a través de ATR). Si el mercado es volátil — los stops son más amplios, si está plano — más estrechos.
• Arquitectura de doble velocidad:
• Ciclo Lento (5 min): Piensa, elige las mejores monedas para la lista de seguimiento.
• Ciclo Rápido (1 seg): Ejecuta operaciones, monitorea spreads y liquidez.
• Protección contra "Tilt": Limitación de la caída diaria (máx 3%), límite de posiciones abiertas y períodos de cooldown entre operaciones.
📈 Resultados de pruebas (Números honestos)
En datos históricos (Backtesting) el sistema muestra una métrica AUC en el rango de 0.71-0.73.
• Qué hace: Busca relaciones no lineales entre 31 indicadores (RSI, volúmenes, volatilidad).
Esto no significa un botón de "dinero", pero proporciona una expectativa matemática positiva al seguir la gestión de riesgos (relación Riesgo/Recompensa 1:2).
🚀 Hoja de ruta: ¿Qué sigue?
El proyecto está en fase de desarrollo activo. Esto es lo que planeo agregar:
1. Análisis de libro de órdenes: Enseñar a la red neuronal a observar no solo el precio, sino también el libro de órdenes (desbalance entre compradores/vendedores).
2. Adaptación de Régimen: El agente debe entender por sí mismo lo que está ocurriendo en el mercado: tendencia o lateral, y cambiar automáticamente los pesos de los modelos.
3. Aprendizaje por Refuerzo (RL): Añadir un agente que aprenda a gestionar el tamaño de la posición, "castigándose" por pérdidas y "recompensándose" por entradas correctas.
💻 Stack técnico: Python, Asyncio, PyTorch, CatBoost. Hardware: NVIDIA RTX 4070.
Es interesante escuchar la opinión de otros desarrolladores y traders: ¿qué opinan sobre la IA en el comercio? ¿Creen que los algoritmos pueden superar al mercado a largo plazo?
¡Escriban en los comentarios! 👇
