El trading tradicional se basa en reglas fijas: "si el RSI está por debajo de 30, compra". Pero los mercados son demasiado complejos para reglas simples. El Machine Learning permite analizar miles de variables simultáneamente para predecir la probabilidad de éxito de cada operación.
En FSR Smart Money, utilizamos modelos de machine learning entrenados con datos históricos para asignar a cada señal de trading una probabilidad de éxito (ml_probability) que va del 0% al 100%. Solo operamos cuando esta probabilidad supera un umbral mínimo, asegurando alta calidad en cada operación.
¿Cómo Funciona el Machine Learning en Trading?
El proceso sigue estos pasos fundamentales:
1. Recopilación de Datos (Features)
El modelo necesita datos de entrada (features) para aprender patrones. En FSR, utilizamos más de 20 características para cada señal:
📊 Características del Modelo
- Precio: Cambio de precio (1h, 4h, 1d, 5d)
- Volumen: RVOL, volumen relativo intradía
- Volatilidad: ATR, bandas de Bollinger, desviación estándar
- Momentum: RSI, MACD, tasa de cambio
- Tendencia: Medias móviles (20, 50, 200 días)
- Mercado: VIX, rendimiento del S&P 500, régimen de mercado
- Sector: Rendimiento relativo del sector
- Temporal: Hora del día, día de la semana, proximidad a earnings
2. Entrenamiento del Modelo
El modelo se entrena con datos históricos de operaciones pasadas. Aprende qué combinaciones de características llevaron a operaciones exitosas y cuáles a pérdidas.
resultado: 0.0 (0% probabilidad) a 1.0 (100% probabilidad)
3. Validación y Backtesting
Antes de usar el modelo en producción, lo validamos con datos que nunca ha visto (out-of-sample). Esto asegura que no está "memorizando" datos históricos sino aprendiendo patrones reales.
El Pipeline de ML en FSR Smart Money
Nuestro sistema de machine learning sigue un pipeline robusto:
🔄 Pipeline de ML de FSR
Fase 1: Preprocesamiento
- Normalización de datos (MinMaxScaler)
- Eliminación de outliers
- Feature engineering (creación de variables derivadas)
Fase 2: Entrenamiento
- Random Forest + Gradient Boosting (ensemble)
- Validación cruzada (5-fold)
- Optimización de hiperparámetros
Fase 3: Producción
- Predicción en tiempo real para cada señal
- Umbral mínimo: ml_probability > 0.60
- Recalibración semanal con datos nuevos
¿Cómo se Usa la ml_probability en FSR?
La probabilidad de éxito no es solo un número bonito. Se utiliza en múltiples decisiones del sistema:
1. Filtro de Señales
Solo se ejecutan operaciones con ml_probability superior al umbral mínimo (60%). Esto elimina señales de baja calidad y mejora el win rate general.
2. Position Sizing (Kelly Criterion)
La ml_probability alimenta directamente el cálculo del Kelly Criterion:
A mayor probabilidad, mayor tamaño de posición. Esto optimiza el uso del capital.
3. Gestión de Posiciones
- ml_probability > 80%: Trailing stop agresivo (dejar correr)
- ml_probability 60-80%: Trailing stop estándar
- ml_probability < 60%: No abrir / cerrar si está abierta
4. Alertas al Trader
Las alertas de Telegram incluyen la ml_probability para transparencia total:
📱 Ejemplo de Alerta
🟢 COMPRA AAPL
Probabilidad: 78% | Tamaño: $2,400 | Stop: $185.20
RVOL: 2.1 | Régimen: BULL | Score: 8.4/10
Resultados del Modelo ML en FSR
📈 Rendimiento del Modelo (últimos 90 días)
| Métrica | BOT2 (Large Caps) | BOT3 (Small Caps) |
|---|---|---|
| Win Rate | 82.5% | 88.9% |
| Sharpe Ratio | 8.2 | 10.84 |
| Accuracy del Modelo | 76.3% | 81.2% |
| Profit Factor | 1.65 | 1.92 |
Riesgos del Machine Learning en Trading
⚠️ Riesgos y Cómo los Mitigamos
- Overfitting: El modelo memoriza datos en lugar de aprender patrones → Usamos validación cruzada y regularización
- Cambio de régimen: Los patrones históricos dejan de funcionar → Recalibración semanal y detección de régimen
- Sesgo de supervivencia: Solo vemos activos que sobrevivieron → Incluimos activos delistados en el entrenamiento
- Latencia: El modelo tarda en predecir → Optimización con ONNX runtime para predicción < 10ms
Conclusión
El Machine Learning transforma el trading de un arte subjetivo a una ciencia basada en datos. En FSR Smart Money, cada operación está respaldada por un modelo de IA que analiza más de 20 variables para predecir la probabilidad de éxito.
La combinación de machine learning con gestión de riesgo adaptativa (Kelly Criterion), trailing stops dinámicos (ATR) y filtrado por volumen (RVOL) crea un sistema robusto que opera automáticamente con alta probabilidad de éxito.
¿Quieres ver las predicciones de IA en tiempo real?
Observa cómo el modelo de ML de FSR asigna probabilidades a cada señal.
Ver Dashboard en Vivo →