ModelMLTrading · Modelo de Machine Learning Prediccion en (BTC/USDT · 15m)

Este proyecto de Machine Learning aplicado predecir las proximas tres velas . Muestra un pipeline completo para: Descargar los datos limpiarlos y dejalors listos para ante de pasar al Modelo, despues el modelo lo que hace es 1.- estimar probabilidades de que el take‑profit se alcance antes que el stop‑loss en un horizonte de tres velas, 2.- calibrar esas probabilidades para que reflejen frecuencia observa 3.- decidir con un umbral basado en valor esperado (EV) para poder evaluar e ilustrar su comportamiento mediante Walk‑Forward. Y despues se reliza un BackTesting para ver de forma mas realisata cual es el desempeño del modelo en un entorno medianamente mas peago a lo real.

Lo que quise explorar con este proyetco fueron distintas herramientos y procesos de Machine Learning aplicados a Trading Considerando las variables del mercado crypto y cituaciones contigentes como la manipuacion o notcias y apesar de eso tratar de econtrar algo de consitnecia en el aprendizaje del modelo

---

Detalles del modelo

• Tarea: clasificación binaria «TP antes que SL» en 3 velas (BTC/USDT, 15m).
• Modelo: XGBoostClassifier con tuning (Optuna). La métrica objetivo de búsqueda es PR‑AUC, adecuada para clases desbalanceadas.
• Calibración: Isotonic Regression en hold‑out para que p̂ sea interpretable (probabilidades confiables).
• Decisión: se escanean umbrales y se elige aquel cuyo EV neto de costos es positivo bajo una frecuencia mínima razonable.
• Evaluación temporal: WFA por ventanas deslizantes para observar estabilidad del criterio de decisión a lo largo del tiempo.

Razonamiento del diseño:

• Lo principal es qeu PR‑AUC prioriza aciertos en la fracción minoritaria de eventos útiles para operar tratando que se enfoque en donde podria ser importante .
• La calibración hace que probabilidades y frecuencias observadas coincidan, y esto es un requisito para convertir p̂ en tamaños/umbrales y asi decidir.
• El EV integra una combinacion de comisiones, spread y slippage, alineando la decisión con el costo real de transacción.
• Y el WFA evita resultados a partir de un único split y muestra sensibilidad de reglas a cambios de régimen tratando de ver el resulatdo mas general.

---

Como es que funciona

Esta dvidido en tres partes principales que es Descarga, Modelo Y Backtes

1. Procesamiento y feature engineering (ML/data_processing.py)

   • Qué: OHLCV de BTC/USDT (15m) + indicadores técnicos (SMA/EMA, RSI, MACD, ATR, Bandas de Bollinger, ADX, OBV, etc.).
   • Por qué: mejorar señal‑ruido y capturar tendencia, momentum y volatilidad; el modelo aprende patrones que por sí solos no están en el precio bruto.
   • Etiquetado dinámico (ATR, 3 velas): TP/SL se escalan con volatilidad. Por qué: evita metas fijas desalineadas con el régimen de mercado.

2. Entrenamiento & tuning (ML/model_training.py)

   • Qué: búsqueda con Optuna + validación temporal con purge/embargo.
   • Por qué: evitar leakage por dependencia temporal y converger hacia hiperparámetros estables que maximizan PR‑AUC.

3. Calibración (isotónica, hold‑out)

   • Qué: ajustar scores a probabilidades fieles.
   • Por qué: si la probabilidad “70%” no corresponde a 70% observado, el control de riesgo y el EV se distorsionan.

4. Selección de umbral por EV

   • Qué: elegir thr que maximiza valor esperado bajo costos y R:R.
   • Por qué: pasar de clasificación a decisión económica; umbrales con alta precision pero cobertura nula no sirven para operar.

5. Walk‑Forward Backtest (ML/backtest_improved.py)

   • Qué: ventanas train→test deslizantes con comisiones, slippage, límite de operaciones y stop global.
   • Por qué: realismo y robustez; medir desempeño fuera de muestra y bajo fricción.

2) Resultados del modelo (11‑nov‑2025)

Tuning (Optuna)

• Mejor PR‑AUC: 0.6445.
• Hiperparámetros destacados (ejemplo): max_depth=5, learning_rate≈0.0056, n_estimators≈418, subsample≈0.747, colsample_bytree≈0.900, regularizaciones y min_child_weight=6. (Ver artefactos en ML/results/.)

Evaluación en test con probabilidades calibradas

• AUC: 0.6349
• PR‑AUC: 0.6070
• Brier score: 0.2369

Interpretación: el modelo aprende patrones útiles (por encima del azar) y sus probabilidades están bien alineadas con la frecuencia observada. En los deciles superiores de p̂ aumentan tanto la tasa de aciertos como un proxy de EV, lo que respalda su uso para priorizar contextos con mejor expectativa.

Regla de decisión ilustrativa

• Umbral empleado a modo de ejemplo: thr = 0.780.
• Efecto: reduce la cobertura (menos señales) y conserva alta precisión en los casos que sí selecciona. Esto se utiliza para mostrar cómo cambia el equilibrio cobertura/precisión cuando el criterio exige mayor evidencia.

---

3) Qué se ve en los gráficos y GIFs

Las figuras y animaciones provienen de la ejecución del proyecto y están en ML/assets/ (sin LFS):

• Curva de equity (WFA) → ML/assets/equity_curve.png Muestra la evolución del capital por ventanas. En el periodo ilustrado, la curva es sensible a costos y al pacing (frecuencia efectiva de operaciones), con drawdowns cercanos a 50%.

• Curva ROC (test) → ML/assets/roc_curve_binary_test.png Indica la capacidad discriminativa global del clasificador; complementa PR‑AUC cuando las clases están desbalanceadas.

• Precisión/Recall vs Umbral (test) → ML/assets/threshold_precision_recall_test.png Visualiza el intercambio cobertura/precisión al mover el umbral. Explica por qué umbrales altos concentran operaciones en contextos con mayor probabilidad estimada.

• Demos en GIF/MP4

• Entrenamiento *

• 
  

• Backtestign*

• 

e.

---

4) Qué muestra la simulación (WFA) y por qué es útil aquí

El backtest se usa como **instrumento ilustrativo **: permite ver cómo la regla se comporta bajo distintas ventanas, costos y densidad de señales.Tenia curisoidad de como reaccionaba a mas caos En la muestra realizada, la combinación de umbral quise hacer apretados filtros y costos para reduce la frecuencia y hace exigente sostener el rendimiento agregado.

Considerando eso, el aprendizaje en general me parecio aceptable : el modelo clasifica por encima del azar y eso es lo que me importaba y lo que me costo , sus probabilidades están calibradas, y los gráficos por bandas de p̂ muestran una relación coherente entre probabilidad y aciertos. Este es el tipo de evidencia que sí traslada valor a una estrategia operativa una vez que se fijan costos, risk‑reward y ritmo de operación con parámetros consistentes.

La pregunta a la decisión operable

La meta inicial fue convertir probabilidades en decisiones que valgan la pena en el marco de 15m. Y para llegar a esa decidion de Time Frame y numero de velas futruas fu despues d euna buen a busqueda y despuyes de toodos los ajuste ahi fue donde encontre algo d econistencia y ya despues construir features y fijar PR‑AUC como métrica, ejecuté Optuna. por que stuve batallando con los paramntros La búsqueda no fue lineal: trials 40–41 se movieron en 0.642–0.644, el 42 fue pruned y el trial 12 fijó el tope con 0.64437. Esa región de hiperparámetros (profundidad 6, min_child_weight≈10, colsample_bytree≈0.94, gamma≈1.7) mostró estabilidad.

5) Cómo reproducir

# Entorno (Python 3.10+)
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

# Variables (costos, ritmo objetivo, etc.)
cp .env.example .env

# Entrenar + calibrar + exportar artefactos
python ML/model_training.py

# Simulación WFA (ilustrativa)
python ML/backtest_improved.py --out results_wfa

Artefactos principales en ML/results/:

• btc15m_xgb_calibrated_trained_pipeline.joblib (pipeline)
• iso_cal.joblib (calibrador)
• metrics_test.json, training_report.md, CSVs de fiabilidad/umbral
• Figuras en ML/assets/ y resultados por ventanas en results_wfa/.

---

6) Estructura del repositorio

/ModelMLTrading
├── ML/
│   ├── data/
│   ├── logs/
│   ├── results/        
│   ├── assets/            
│   ├── data_processing.py
│   ├── model_training.py
│   └── backtest_improved.py
├── results_wfa/
├── scripts/
│   └── run_pipeline.sh
├── requirements.txt
└── README.md

---