Desarrollo de un Sistema Automatizado de Paper Trading basado en modelos de Machine Learning

Abstract

Este proyecto desarrolla un sistema automatizado de paper trading basado en modelos de Machine Learning aplicados al mercado de criptomonedas. El objetivo principal ha sido diseñar una solución capaz de identificar de forma autónoma señales de compra y venta sobre el par BTC-USD, con el fin de maximizar la rentabilidad simulada mediante técnicas avanzadas de análisis de datos. El sistema se ha dividido en dos bloques principales: el primero comprende la descarga y procesamiento de datos históricos, la generación optimizada de etiquetas a partir de ventanas temporales futuras y la construcción de modelos predictivos mediante algoritmos de clasificación (XGBoost, LightGBM, Random Forest y CatBoost), integrados en un ensemble ponderado. Estos modelos han sido validados mediante walk-forward cross-validation, y su rendimiento ha sido evaluado a través de un backtest con métricas como CAGR, Sharpe ratio, drawdown máximo o win rate. En el segundo bloque se ha desarrollado un sistema completamente autónomo de paper trading en tiempo real, capaz de operar de forma continua sobre datos descargados cada 4 horas, aplicando los modelos previamente entrenados, gestionando capital, aplicando stop loss, take profit y trailing stop, y generando informes y gráficos de evolución. Entre las conclusiones más relevantes destacan la capacidad del sistema para adaptarse a distintas condiciones de mercado sin intervención humana, la utilidad de la validación temporal progresiva para evitar overfitting, y el potencial de este enfoque como base para futuras estrategias de inversión algorítmica real.