trading strategies - ErnestoCobos/MidasV4 GitHub Wiki
Estrategias de Trading
MidasScalpingv4 incluye varias estrategias de trading que pueden utilizarse según las condiciones de mercado y preferencias del usuario. Este documento explica las estrategias implementadas, sus métodos de generación de señales y cómo se integran con otros componentes del sistema.
Estrategias Disponibles
El sistema implementa las siguientes estrategias de trading:
- Estrategia de Scalping Básica: Implementada en
strategy/scalping_strategy.py, basada en indicadores técnicos - Estrategia de Aprendizaje por Refuerzo: Implementada en
strategy/rl_strategy.py, utiliza redes neuronales profundas - Estrategia basada en LLM (opcional): Implementada en
strategy/llm_strategy.py, utiliza modelos de lenguaje grandes
1. Estrategia de Scalping Básica
La estrategia principal de scalping está diseñada para capturar movimientos de precios pequeños pero frecuentes, principalmente en periodos de tiempo cortos.
Generación de Señales
Las señales de trading se generan basadas en la combinación de varios indicadores técnicos:
def _generate_indicator_signal(self, symbol, indicators):
# Extraer indicadores
rsi = indicators['rsi_14']
bb_upper = indicators['bb_upper']
bb_lower = indicators['bb_lower']
sma_7 = indicators['sma_7']
sma_25 = indicators['sma_25']
# Señal de compra fuerte
if (rsi < self.config.rsi_oversold and
current_price < bb_lower * 1.01 and
sma_7 > sma_25):
signal_type = SignalType.BUY
confidence = 70 + (self.config.rsi_oversold - rsi)
# ...
# Señal de venta fuerte
elif (rsi > self.config.rsi_overbought and
current_price > bb_upper * 0.99 and
sma_7 < sma_25):
signal_type = SignalType.SELL
confidence = 70 + (rsi - self.config.rsi_overbought)
# ...
Condiciones de Señales
Señales de Compra (BUY)
- Señal Fuerte: RSI oversold + precio debajo de la banda inferior de Bollinger + SMA7 cruzando por encima de SMA25
- Señal Moderada: RSI oversold + precio debajo de la banda inferior de Bollinger
Señales de Venta (SELL)
- Señal Fuerte: RSI overbought + precio por encima de la banda superior de Bollinger + SMA7 cruzando por debajo de SMA25
- Señal Moderada: RSI overbought + precio por encima de la banda superior de Bollinger
Adaptación a Regímenes de Mercado
La estrategia puede adaptarse a diferentes condiciones de mercado usando el detector de regímenes:
def adapt_to_market_regime(self, ohlcv_data):
# Detectar régimen actual
regime_info = self.regime_detector.detect_regime(ohlcv_data)
self.current_regime = regime_info['regime']
if regime_info['regime'] == self.MarketRegime.TRENDING_UP:
# En tendencia alcista: entradas más agresivas, stops más amplios
self.config.rsi_oversold = max(20, self.base_parameters['rsi_oversold'] - 5)
self.config.rsi_overbought = max(75, self.base_parameters['rsi_overbought'] + 5)
elif regime_info['regime'] == self.MarketRegime.TRENDING_DOWN:
# En tendencia bajista: enfoque en shorts, stops ajustados en longs
self.config.rsi_overbought = min(65, self.base_parameters['rsi_overbought'] - 5)
elif regime_info['regime'] == self.MarketRegime.RANGING:
# En rango: enfoque en reversión a la media
self.config.rsi_oversold = max(25, self.base_parameters['rsi_oversold'] + 5)
self.config.rsi_overbought = min(75, self.base_parameters['rsi_overbought'] - 5)
2. Estrategia de Aprendizaje por Refuerzo
La estrategia RL utiliza un modelo de aprendizaje por refuerzo para tomar decisiones de trading basadas en estados del mercado, recompensas y experiencia previa.
Flujo de Toma de Decisiones
async def generate_signal(self, symbol, features):
# Preprocesar características para crear el estado actual
current_state = self.preprocess_state(symbol, features)
# Usar modelo RL para elegir acción (con exploración si está en entrenamiento)
is_training = getattr(self.config, 'rl_training_mode', False)
action = self.model.choose_action(current_state, explore=is_training)
# Mapear acción RL a señal de trading
signal = self._map_action_to_signal(action, current_price)
return signal
Mapeo de Acciones a Señales
Las acciones del modelo RL se traducen a señales de trading concretas:
def _map_action_to_signal(self, action, current_price):
action_type, position_size = action
# Mapear tipo de acción a tipo de señal
if action_type == 0: # BUY
signal_type = SignalType.BUY
direction = 'BUY'
predicted_move_pct = 0.2 * (position_size + 1)
elif action_type == 1: # SELL
signal_type = SignalType.SELL
direction = 'SELL'
predicted_move_pct = -0.2 * (position_size + 1)
else: # HOLD
signal_type = SignalType.NEUTRAL
direction = 'NEUTRAL'
predicted_move_pct = 0
# Calcular confianza basado en tamaño de posición
confidence = min(100, 50 + 10 * position_size)
return {
'type': signal_type,
'direction': direction,
'confidence': confidence,
'current_price': current_price,
'predicted_move_pct': predicted_move_pct,
'position_size': position_size,
'risk_adjusted': True
}
Retroalimentación y Aprendizaje
Después de cerrar una posición, el sistema calcula recompensas y actualiza el modelo:
def process_trade_result(self, symbol, entry_price, exit_price, side, quantity):
# Calcular P&L
if side == 'BUY':
pnl = (exit_price - entry_price) * quantity
else: # SELL
pnl = (entry_price - exit_price) * quantity
# Calcular recompensa base proporcional al P&L
base_reward = pnl / (entry_price * quantity) * 10
# Penalización por drawdown si hay drawdown significativo
drawdown_penalty = self.drawdown * 2 if self.drawdown > 0.1 else 0
# Recompensa final
reward = base_reward - drawdown_penalty
# Registrar recompensa para aprendizaje
self.record_reward(symbol, reward, done=True)
# Usar hindsight experience replay para mejorar el aprendizaje
if symbol in self.episode_memory and len(self.episode_memory[symbol]) > 5:
self.model.hindsight_experience_replay(self.episode_memory[symbol])
3. Estrategia basada en LLM (Opcional)
Esta estrategia utiliza modelos de lenguaje grandes para analizar el mercado y generar señales de trading.
async def generate_signal(self, symbol, features):
# Preparar contexto para el modelo LLM
prompt = self._prepare_analysis_prompt(symbol, features)
# Llamar al modelo LLM a través de la API
llm_response = await self.vultr_client.query_model(prompt)
# Parsear respuesta del LLM
signal = self._parse_llm_response(llm_response)
return signal
Integración con Generador de Señales
Todas las estrategias utilizan un SignalGenerator para estandarizar la representación de señales:
class SignalType(Enum):
BUY = 1 # Señal de posición larga
SELL = -1 # Señal de posición corta
NEUTRAL = 0 # Señal de no acción
Una señal completa incluye:
signal = {
'type': SignalType.BUY, # Tipo de señal (BUY, SELL, NEUTRAL)
'direction': 'BUY', # Dirección como string
'confidence': 75.5, # Confianza de la señal (0-100)
'current_price': 50000.0, # Precio actual
'predicted_move_pct': 0.5, # Movimiento de precio predicho (%)
'indicators': {...}, # Indicadores usados para la decisión
'position_size': 2 # Tamaño de posición recomendado (0-4)
}
Ciclo de Vida de una Operación
- Generación de señal: La estrategia genera una señal de trading
- Validación de riesgo: La señal pasa por el
RiskManagerpara validación - Dimensionamiento: Se calcula el tamaño óptimo de la posición
- Ejecución: Se crea la orden y se registra la posición
- Monitoreo: Se actualizan trailing stops y se verifica si debe cerrarse
- Cierre: La posición se cierra por stop loss, take profit o señal inversa
- Retroalimentación: Los resultados se registran para mejorar el modelo
Criterios de Cierre de Posiciones
Las posiciones pueden cerrarse por varias razones:
def should_close_position(self, symbol, position, current_price, indicators):
# Verificar stop loss
if (position['side'] == 'BUY' and current_price <= position['stop_loss']) or \
(position['side'] == 'SELL' and current_price >= position['stop_loss']):
return True, 'stop_loss'
# Verificar take profit
if (position['side'] == 'BUY' and current_price >= position['take_profit']) or \
(position['side'] == 'SELL' and current_price <= position['take_profit']):
return True, 'take_profit'
# Verificar reversión de RSI
rsi = indicators.get('rsi_14', indicators.get('rsi', 50))
if (position['side'] == 'BUY' and rsi > self.config.rsi_overbought) or \
(position['side'] == 'SELL' and rsi < self.config.rsi_oversold):
return True, 'rsi_reversal'
# Verificar cruce de medias móviles
if all(k in indicators for k in ['sma_7', 'sma_25']):
sma_7 = indicators['sma_7']
sma_25 = indicators['sma_25']
if position['side'] == 'BUY' and sma_7 < sma_25 and current_price > position['entry_price']:
return True, 'ma_crossover'
if position['side'] == 'SELL' and sma_7 > sma_25 and current_price < position['entry_price']:
return True, 'ma_crossover'
Configuración de Estrategias
Las estrategias se pueden configurar a través de parámetros en config.py:
# Parámetros de estrategia de scalping
rsi_oversold = 30
rsi_overbought = 70
confidence_threshold = 65
# Parámetros de aprendizaje por refuerzo
rl_training_mode = False
rl_state_dim = 30
sequence_length = 60
action_types = 3
position_sizes = 5
Selección de Estrategia
Para seleccionar qué estrategia usar, modifica el archivo de configuración:
# Estrategia basada en indicadores clásicos
strategy_type = 'indicator'
# Estrategia basada en aprendizaje por refuerzo
# strategy_type = 'rl'
# Estrategia basada en modelos de lenguaje
# strategy_type = 'llm'
Extendiendo las Estrategias
Para implementar una nueva estrategia:
- Crea una nueva clase en el directorio
strategy/ - Implementa los métodos principales:
generate_signal(),should_close_position(),calculate_position_size() - Registra la estrategia en
model_factory.pysi usa un modelo ML específico - Actualiza la lógica de selección en
bot.pypara utilizar la nueva estrategia