Saltar a contenido

Plan de Inteligencia para SignalDashPro#

Objetivo: incorporar inteligencia operativa y de decision en SignalDashPro sin romper la estabilidad Binance-first.

1. Objetivo de negocio y de IA#

Objetivo principal: - mejorar decisiones de ejecucion (filtrar malas senales, priorizar las de mayor probabilidad).

Objetivos cuantificables iniciales: - reducir failed de cola por decisiones de entrada pobres. - mejorar win_rate y PnL ajustado a riesgo en modo demo. - mantener o reducir max drawdown.

Regla de seguridad: - IA nunca reemplaza validaciones de riesgo hard (kill-switch, alignment-guard, pre-trade-check, limites de sesion).

2. Alcance funcional (v1)#

La IA v1 no abre ordenes por si sola. Su rol es: - score de calidad por senal (0-1). - recomendacion de accion: allow, reduce_size, block. - explicacion corta de por que recomendó esa accion.

Modo de despliegue: 1. shadow: solo evalua y registra (sin afectar trading). 2. assist: afecta decision de cola con umbrales. 3. guarded-live: igual que assist pero con monitoreo y rollback rapido.

3. Datos que usaremos#

Fuentes internas: - candles (OHLCV por simbolo/timeframe). - market_windows (enriquecido con volatilidad y news agregada). - volatility_stats. - signal_queue, executions, trading_diary. - market_alignment_events y estado de guardrails.

Fuentes externas previstas: - Binance user stream (ya base implementada). - endpoints futures de riesgo (pendiente): positionRisk, mark price, funding/income.

4. Feature set inicial#

Features de mercado: - retornos logaritmicos 1/3/5/10 velas. - rango relativo (high-low), ATR, volatilidad rolling. - distancia a max/min reciente. - pendiente de medias (rapida/lenta).

Features de contexto: - simbolo, timeframe, hora UTC, dia de semana, sesion. - estado de guardrails (kill-switch, alignment-guard). - spread estimado (si hay dato disponible).

Features de ejecucion: - historial reciente de estrategia/simbolo (ultimas N operaciones). - tasa de fallos/retries en cola.

5. Etiquetado (labeling)#

Estrategia de etiqueta v1: - label binario por ventana futura (N velas): - 1 si el movimiento favorable supera umbral antes del adverso. - 0 en caso contrario.

Estrategia de etiqueta v2: - regresion: retorno esperado ajustado por riesgo.

Reglas de higiene: - sin leakage temporal. - split train/valid/test por fecha. - validacion walk-forward.

6. Arquitectura tecnica#

Backend: - modulo de feature_engineering. - modulo de labeling. - trainer (training_pipeline) versionado. - servicio de inferencia (ai_scoring_service).

Persistencia: - tabla/modelo de predicciones (ai_signal_scores) con: - symbol, timeframe, timestamp, score, action, model_version, features_hash. - log de decisiones IA aplicado a signal_queue_events.

API propuesta: - POST /ai/signals/score (score de una senal). - POST /ai/signals/evaluate-pending (batch sobre cola pending). - GET /ai/models (versiones y metricas). - GET /ai/scores (historial de scores).

Frontend: - vista IA en signals con score/recomendacion. - panel resumen en analytics: precision, cobertura, impacto en PnL.

7. Plan por fases (ejecutable)#

Fase A - Fundacion de datos (1 sprint)#

  • construir dataset reproducible desde BD.
  • definir labels v1 y validarlos estadisticamente.
  • generar reporte de calidad de features/labels.

Entregables: - script build_ai_dataset.py. - dataset exportado a storage/models/datasets/. - documento de diccionario de features.

Fase B - Baselines y evaluacion (1 sprint)#

  • entrenar baseline reglas + logistic + arboles.
  • comparar contra benchmark actual sin IA.
  • seleccionar modelo candidato.

Entregables: - script train_ai_baselines.py. - artefactos versionados. - metricas en training_runs/reporte markdown.

Fase C - Inferencia en shadow mode (1 sprint)#

  • endpoint de scoring online.
  • job de evaluacion sobre cola pending (sin bloquear ejecucion).
  • registro de recomendaciones IA.

Entregables: - endpoints IA activos. - tabla de scores poblada. - dashboard de seguimiento.

Fase D - Assist mode controlado (1 sprint)#

  • umbrales de accion (AI_BLOCK_THRESHOLD, AI_REDUCE_THRESHOLD).
  • integrar con signal_queue/process (feature flag).
  • rollback inmediato via AI_ENABLED=false.

Entregables: - IA afectando decision en demo. - alertas por drift/degradacion.

Fase E - Endurecimiento y MLOps minimo (continuo)#

  • monitoreo de drift, data freshness, latencia.
  • retraining programado.
  • gate de promocion de modelo por criterios.

8. KPIs y criterios de exito#

KPIs tecnicos: - disponibilidad endpoint IA > 99%. - latencia inferencia p95 < 200ms. - error rate scoring < 1%.

KPIs de trading (demo): - mejora de win_rate vs baseline sin IA. - mejora de PnL neto con DD estable o menor. - reduccion de operaciones con mal R:R esperado.

Criterios de promocion a assist: - 2-4 semanas shadow con mejora consistente. - sin regresion de riesgo (DD, eventos de guardrail).

9. Riesgos y mitigaciones#

Riesgos: - leakage en datos. - sobreajuste a un simbolo/timeframe. - degradacion por cambio de regimen.

Mitigaciones: - splits temporales estrictos. - evaluacion por simbolo y timeframe. - reglas de rollback y canary deployment.

10. Variables de entorno propuestas#

  • AI_ENABLED=false
  • AI_MODE=shadow (shadow|assist|guarded-live)
  • AI_MODEL_VERSION=latest
  • AI_BLOCK_THRESHOLD=0.35
  • AI_REDUCE_THRESHOLD=0.50
  • AI_RETRAIN_AUTO_RUN=false
  • AI_RETRAIN_INTERVAL_HOURS=168

11. Backlog tecnico inmediato#

  1. Crear tabla/modelo ai_signal_scores.
  2. Implementar build_ai_dataset.py.
  3. Implementar train_ai_baselines.py.
  4. Exponer POST /ai/signals/score.
  5. Registrar score en eventos de cola y UI.
  6. Activar shadow mode y medir 2 semanas.

Este plan se ejecuta sobre el stack actual Binance-first y respeta guardrails operativos existentes.