Loading...
Loading...
Todas las reseñas, rankings, guías, estrategias y documentos de confianza.
Metodología
Desde los datos brutos del mercado hasta una señal publicada con puntuación de confianza — el pipeline exacto detrás de cada entrada, stop y objetivo.
Última actualización: 20 de mayo de 2026
Un ensemble LightGBM con gradient boosting por cada par (símbolo, marco temporal) — modelos dedicados, no un único clasificador universal. La cobertura completa de 10 símbolos × 4 marcos temporales se está construyendo durante Phase 1b.
Método Triple-Barrier (López de Prado) para las etiquetas — tres condiciones de salida en lugar de retornos a horizonte fijo. Mucho menos label leakage que los enfoques ingenuos.
La puntuación de confianza 0-100% sale directamente de la probabilidad del modelo. Por debajo de 60% — no se publica señal.
Colocación de SL/TP escalada con ATR(14). R-multiples calibrados por marco temporal — típicamente objetivos de 1.5R a 3.0R. Sin stops fijos en pips.
El calendario económico se muestra en cada página de señal para que apliques tu propio filtro de eventos. El veto algorítmico automático de señales cerca de eventos de alto impacto está en la hoja de ruta de Phase 2.
Cada señal publicada pasa por estas etapas en orden. Sin atajos. Tiempo total desde el cierre de vela hasta la publicación: típicamente 4-9 segundos.
Flujo de ticks en tiempo real desde nuestra conexión principal con el bróker (Tier-1 ECN) más un feed de respaldo para redundancia. Las velas se ensamblan en los límites H1/M15/H4/D1 con alineación UTC estricta. Los ticks retrasados se descartan — nunca repintamos.
~50 características de ingeniería por vela: RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), pila EMA 5-21-50-200 + banderas de cruce, sesión del día y régimen de volatilidad reciente. El conjunto de características evoluciona conforme se ejecutan los estudios de ablación — todo lo que no mueve el Sharpe out-of-sample se elimina.
El modelo LightGBM por tupla emite una probabilidad para cada clase de dirección. Latencia de inferencia p99 ≈ 6ms. El post-procesamiento de calibración de probabilidad (Platt scaling) está en la hoja de ruta de Phase 2 — las probabilidades actuales son la salida cruda del clasificador.
La probabilidad del modelo se convierte directamente en la puntuación de confianza 0-100%. Una señal solo se publica si la confianza supera el umbral por marco temporal (60% intradía / 55% diario) Y la relación riesgo-recompensa es al menos 1.5R. La puntuación compuesta con confluencia técnica + tasa de aciertos histórica está en la hoja de ruta de Phase 2.
La señal se publica con payload completo (entrada, SL escalado con ATR, TP escalado con ATR, confianza, versión del modelo). El calendario económico para las divisas relevantes se muestra junto a la señal en la página para que puedas posponer entradas cerca de eventos de alto impacto. El veto automático de eventos está en la hoja de ruta de Phase 2.
Por qué LightGBM, por qué uno por tupla y cómo lucían las alternativas.
Cada par (símbolo, marco temporal) obtiene su propio ensemble dedicado de árboles de decisión con gradient boosting de LightGBM. EURUSD H1 y EURUSD H4 son modelos diferentes — aunque el símbolo subyacente sea idéntico, la dinámica de las velas no lo es, y un modelo óptimo en velas horarias se sobreajustará o subajustará en velas de 4 horas.
Probamos redes neuronales profundas (LSTM, Transformer) en las primeras etapas del desarrollo. Lograron un Sharpe out-of-sample similar pero con 10× el costo de entrenamiento, 100× la latencia de inferencia y mucha menos interpretabilidad. Para datos financieros tabulares con muestras limitadas (años de velas, no millones), los árboles con gradient boosting siguen siendo el estado del arte según la literatura académica (Grinsztajn 2022, NeurIPS).
Hiperparámetros ajustados vía Optuna con fronteras walk-forward — nunca shuffling aleatorio, que filtraría información futura al entrenamiento. Los modelos se reentrenan periódicamente conforme se acumulan nuevos datos de mercado; la cobertura completa de 10 símbolos × 4 marcos temporales se está construyendo de forma incremental durante Phase 1b.
Cobertura objetivo
10 × 4
10 símbolos × 4 marcos temporales (M15/H1/H4/D1) — construyéndose durante Phase 1b
Cadencia de reentrenamiento
Periódica
Reentrenado conforme se acumulan nuevos datos y los estudios de ablación detectan mejoras
Características por modelo
~50
Cubre acción del precio, indicadores técnicos, contexto de sesión, régimen de volatilidad
Por qué no usamos retornos a horizonte fijo — y qué hizo bien López de Prado.
El esquema de etiquetado más común en ML para trading retail es "retorno a horizonte fijo t+N" — pero matemáticamente es inconsistente con cómo los traders realmente operan. Una operación real cierra cuando el SL o TP se activan, no en un timestamp futuro arbitrario.
El método Triple-Barrier (López de Prado, Advances in Financial Machine Learning, 2018) etiqueta cada vela con el resultado que habría ocurrido desde esa entrada: barrera TP alcanzada (etiqueta = +1), barrera SL alcanzada (etiqueta = -1) o TTL transcurrido sin ninguna (etiqueta = 0). Las barreras se dimensionan como múltiplos de ATR para riesgo consciente del símbolo.
Resultado: las etiquetas reflejan la operación que realmente habríamos tomado. Mucho menos label leakage, menor correlación entre etiquetas adyacentes, validación cruzada más honesta. Las señales con puntuación de confianza reflejan la probabilidad de una operación ganadora, no un abstracto "precio sube a horizonte fijo".
Cada característica tiene una contribución medible al Sharpe out-of-sample. Todo lo que no sobrevivió a la ablación se eliminó.
| Indicador | Parámetros | Función |
|---|---|---|
| RSI | 14 períodos | Oscilador de momento — lecturas extremas indican regímenes de sobrecompra/sobreventa |
| MACD | 12 / 26 / 9 | Tendencia y divergencias de momento — cruces de línea de señal + aceleración del histograma |
| Bollinger Bands | 20 períodos, 2σ | Envolvente de volatilidad — entradas de reversión a la media al tocar + filtro de breakout |
| ATR | 14 períodos | Escala de volatilidad — impulsa el dimensionamiento de SL/TP, sin stops fijos en pips |
| Pila EMA | 5 / 21 / 50 / 200 | Detección de régimen de tendencia — pendiente + banderas de alineación multi-marco-temporal |
| Proximidad S/R | Pivotes swing de 20 velas | Distancia al soporte/resistencia más cercano — usado como peso de confluencia |
| Sesión del día | Asia / Londres / NY / Solapamiento | Régimen de liquidez — las estrategias varían según el sesgo de sesión |
| Régimen de volatilidad | Percentil de ATR, 90 velas anteriores | Bajo/normal/alto — los regímenes de alta vol tienen umbrales de confianza más estrictos |
Cómo se calcula realmente la puntuación que ves en cada tarjeta de señal.
Pipeline actual (Phase 1b)
confidence = P_ml → publicar si confidence ≥ umbral Y risk_reward ≥ 1.5RMatemáticas de riesgo escaladas con ATR, no objetivos en pips fijos.
Cada señal lleva un precio de entrada, un stop-loss y un take-profit — todos computados en el momento de generación de la señal, no elegidos por humanos. La matemática es determinista e idéntica para cada señal del mismo marco temporal.
Stop-loss = entrada ± ATR(14) × stop_multiplier. Stop_multiplier varía por marco temporal: M15 = 1.0× ATR, H1 = 1.5× ATR, H4 = 2.0× ATR, D1 = 2.5× ATR. Suficientemente ajustado para que el ruido aleatorio no nos saque; suficientemente amplio para que los retrocesos normales tampoco lo hagan.
Take-profit = entrada ± ATR(14) × stop_multiplier × R_target. R_target es la relación riesgo-recompensa: típicamente 1.5-3.0 según la confianza. Las señales de mayor confianza llevan objetivos R más altos — porque tenemos evidencia más fuerte de que correrán.
Resultado: relación riesgo-recompensa 2.0R. Si ganamos el 50% del tiempo, somos netos rentables. No necesitamos tener razón — necesitamos estar calibrados.
Exponemos los datos; el veto algorítmico automático está en la hoja de ruta de Phase 2.
Los mercados Forex están dominados por decisiones de bancos centrales, informes de empleo y publicaciones de inflación. Una configuración técnica perfectamente válida queda demolida si NFP cae 30 minutos después. Te damos el calendario — aplicar el veto es hoy una decisión a tu criterio.
Cada página /signals/{symbol}/{tf} muestra los próximos eventos de alto/medio impacto para las divisas relevantes en un bloque dedicado. Los datos fluyen desde el calendario económico de MT5 a través de nuestro servicio de ingesta (ver el endpoint público /api/public/economic-calendar). Se refresca cada minuto.
Qué está planificado a continuación: veto automático de señales nuevas cuando eventos de alto/medio impacto caigan dentro de una event_window. Actualmente el motor de inferencia tiene una bandera `news_blackout_enabled` cableada pero por defecto en false — la activaremos una vez que Phase 2 esté en producción y hayamos backtesteado el efecto neto del veto sobre el Sharpe.
Por qué no confiamos en backtests in-sample — y cómo luce una evaluación honesta.
Las divisiones aleatorias train/test son la fuente número 1 de afirmaciones de rendimiento infladas en ML para trading retail. Una división aleatoria deja que la información del futuro se filtre al entrenamiento (el modelo aprende lo que viene porque las velas adyacentes están altamente correlacionadas). La evaluación honesta requiere ordenamiento temporal.
Usamos validación walk-forward: entrenar en una ventana pasada, validar en la siguiente ventana hacia adelante, avanzar ambas ventanas, repetir. Cada versión del modelo se califica según su registro walk-forward completo antes de la promoción a producción.
Umbrales de aceptación actuales (deben cumplirse los cuatro antes de la promoción): ratio Sharpe ≥ 1.0 (intradía) / tasa de victorias ≥ 0.50 / profit factor ≥ 1.3 / drawdown máximo ≤ 20%. Los modelos que fallan algún umbral no se promocionan — la versión buena anterior se queda en vivo. Los umbrales se endurecerán conforme se acumulen más datos históricos y la línea base se estabilice.
La detección automática de degradación del modelo está en la hoja de ruta. Estado actual: supervisión humana + promoción manual del modelo.
Las condiciones de trading en vivo divergen de los backtests históricos. Los spreads se ensanchan, el slippage aumenta, el régimen de mercado cambia. Incluso un modelo que pasó la validación walk-forward puede deteriorarse en producción. Nuestra defensa a largo plazo: monitoreo continuo + rollback automático. Hoy la mitad del monitoreo está en su lugar; la mitad del auto-revert está en la hoja de ruta de Phase 2.
Lo que ya está en producción: el resultado de cada señal publicada (alcanzó TP, alcanzó SL, expiró) queda registrado de forma inmutable. El dashboard del historial en /signals/track-record muestra el Sharpe móvil + tasa de victorias + profit factor — de modo que la degradación SÍ es visible. Simplemente todavía no actuamos sobre ella de forma automática.
Lo planificado para Phase 2: un watchdog que compara la ventana móvil de 30 señales por (símbolo, marco temporal) contra los pisos de aceptación (Sharpe < 0.8 / tasa de victorias < 0.45 / profit factor < 1.1). N incumplimientos consecutivos → auto-revertir a la versión buena anterior del modelo + alertar al ingeniero de guardia. Hasta que eso esté en producción, la promoción + el rollback del modelo son decisiones humanas tomadas contra el historial en vivo.
Alcance honesto. Nuestra metodología es robusta dentro de estos límites — fuera de ellos, está confiando en la extrapolación del modelo.
Si prometemos más de lo que podemos entregar, dañamos la confianza. Esto es lo que estas señales no son.
El Sharpe walk-forward pasado no predice resultados futuros. Los mercados evolucionan. Incluso una señal calibrada al 70% de confianza pierde el 30% del tiempo.
Las señales son salidas algorítmicas. El tamaño de su cuenta, bróker, apalancamiento, jurisdicción y tolerancia al riesgo determinan si seguir cualquier señal específica es apropiado para usted.
FxRobotEasy no custodia fondos. Las señales son información — usted es quien hace clic en comprar. Somos editores de software, no gestores de fondos.
Las señales son válidas para las próximas 1-2 velas en el marco temporal relevante. Si ve una señal H1 90 minutos después de la publicación, el precio de entrada puede estar lejos del actual — sáltela.
Por definición, los datos de entrenamiento solo contienen regímenes que ya ocurrieron. Brexit, COVID marzo 2020, desanclaje del CHF — nuestros modelos reaccionarían a estos pero no fueron entrenados con ellos.
Preguntas comunes de seguimiento sobre el pipeline de señales IA.
Para datos financieros tabulares con muestras limitadas (años de velas en lugar de millones), los árboles con gradient boosting superan a las redes profundas en Sharpe e interpretabilidad con 10× menor costo de entrenamiento. Las redes profundas son estado del arte para imágenes, lenguaje y RL de control continuo — no para predicción de velas forex.
Periódicamente — impulsado por la acumulación de nuevos datos y los hallazgos de ablación, no por un calendario fijo en Phase 1b. Cada reentrenamiento ejecuta validación walk-forward completa contra una ventana de retención posterior. La nueva versión solo se promociona si supera los umbrales de aceptación Y la versión anterior en vivo. Una cadencia fija de reentrenamiento (semanal es la línea base planificada) está en la hoja de ruta de Phase 2 una vez que el pipeline del registro de modelos esté en producción.
Ordenamiento temporal estricto en todas las divisiones — sin shuffles aleatorios. Características derivadas solo de datos disponibles al cierre de vela (sin look-ahead). Las etiquetas triple-barrier se resuelven hacia adelante; no incluimos características computadas desde la ventana de resolución.
La metodología está completamente documentada (esta página). Los pesos entrenados, datos de entrenamiento e hiperparámetros no son open-source — son nuestra ventaja. Publicamos todas las señales + resultados para que cualquiera pueda verificar que el pipeline produce lo que afirmamos.
En validación asumimos spreads Tier-1 ECN (~0.1-0.3 pips en majors de EURUSD, 0.5-1.5 pips en minors, 2-4 pips en XAUUSD) más un buffer de slippage. La contabilidad de rendimiento en vivo usa los precios de fill reales que registra nuestra conexión con el bróker — de modo que el historial publicado refleja ejecución real, no modelada. La discrepancia validación-vs-vivo es algo que mostramos en /signals/track-record una vez que se acumulan suficientes señales cerradas.
La metodología es la misma en cada señal que verá. Ahora vaya a verlas.