PySeñales Lab

Indicadores, backtest e IA en Python ejecutados en tu navegador · material educativo, no es asesoramiento financiero

Preparando Python…

1 · Datos

Serie sintética (paseo aleatorio con tramos de tendencia). Sirve para aprender sin depender de internet… y para comprobar que ninguna estrategia «predice» el azar.

Series que TRADING 360 ya tiene guardadas en el servidor (Dukascopy, Stooq, Alpha Vantage). No se descarga nada de fuera: se leen del disco y se sirven con caché.

Datos públicos y gratuitos de Binance (hasta 5000 velas; se piden en bloques de 1000). Pasan por la caché del servidor, compartida por todos los visitantes; si no está disponible, tu navegador los pide directamente.

Lo sirve datos.php en este mismo servidor (con caché) porque esas fuentes no permiten la descarga directa desde el navegador. Si abres la web en local sin PHP, esta pestaña no funcionará: usa Demo, Cripto o CSV.

Admite: exportación del historial de MetaTrader 5 (<DATE> <TIME> <OPEN>…, tabuladores), el script PySenalesExportar.mq5, CSV de Yahoo/Investing (Date,Open,High,Low,Close,Volume) y los .txt de Stooq. También puedes arrastrar el archivo sobre esta caja.

La web no se conecta a tu cuenta ni ve tus credenciales: tu MetaTrader 5 deja las velas en una carpeta de tu PC y esta página las lee (y, si quieres, le devuelve la señal) a través del navegador. Nada sale de tu ordenador.

  1. Descarga el asesor PySenalesPuente.mq5, cópialo en MQL5\Experts, compílalo en MetaEditor (F7) y arrástralo al gráfico que quieras.
  2. El asesor escribe velas_SÍMBOLO_MARCO.csv en la carpeta común de MetaTrader: %APPDATA%\MetaQuotes\Terminal\Common\Files\PySenales.
  3. Pulsa Elegir carpeta y selecciona esa carpeta PySenales (Chrome o Edge de escritorio).

Sin carpeta conectada.

Tu navegador no permite leer carpetas locales (API File System Access). Usa Chrome o Edge en el ordenador, o exporta las velas con PySenalesExportar.mq5 y cárgalas en la pestaña «Archivo CSV».

El asesor sólo opera si tú activas Operar=true en sus parámetros (por defecto únicamente dibuja la señal). Pruébalo siempre en una cuenta demo.

2 · Parámetros de las estrategias

Estrategias de los apuntes (Connors, medias 8/18, triple pantalla, BBKC, Renko, Heikin Ashi)
Tus asesores de MT5 (Larry, BBKC 005, Keltner + ADX, Fibo Raise, Heikin Ashi + medias)

Sólo se traslada la regla de entrada y salida. La gestión de capital de los .mq5 (multiplicador de lote, stop en escalera, rejilla) no entra en el backtest: aquí cada estrategia está comprada, vendida o fuera, con el stop y el objetivo ATR de arriba.

Mis configuraciones: guardarlas con nombre, exportarlas o importarlas en JSON

Se guardan en este navegador (localStorage) y sólo contienen parámetros: ni velas, ni modelos entrenados, ni nada de MetaTrader. Al importar sólo se aceptan campos conocidos con valores válidos; lo demás se ignora. Al cargar una configuración no cambian los datos: se aplica al símbolo de la pestaña activa.

Stop y objetivo se miden en ATR(14) desde el precio de entrada, igual que en el asesor de MT5, y se simulan vela a vela con el máximo y el mínimo (si una vela toca los dos, se cuenta el stop). Tras saltar, la estrategia queda fuera hasta que cambie de señal. Pon 0 para desactivarlos.

El coste se cobra en cada cambio de posición (pasar de compra a venta cuenta doble). Un coste irreal para el activo es la causa nº 1 de que las estrategias rápidas «pierdan sin remedio».

3 · Gráfico

Arrastra para desplazar · Ctrl + rueda para acercar o alejar · doble clic para ver toda la serie. La rueda sola mueve la página.

Capital acumulado de la estrategia elegida frente a comprar y mantener

4 · Backtest comparado

Estrategia (☑ = vota)RentabilidadComprar y mantener Sharpe Sortino Calmar Máx. caídaOperaciones% ganadoras Factor benef. Z rachas Voto
Carga datos para ver resultados.

Pulsa una fila para ver sus señales en el gráfico. Los modelos de IA sólo se evalúan en el tramo de prueba (las velas que no vieron al entrenar). Rentabilidades pasadas, y más en un backtest, no anticipan las futuras.

5 · Optimizador de parámetros

¿Optimizar por qué? La rentabilidad sola engaña: premia a la combinación que tuvo suerte con más riesgo. Aquí eliges el criterio (Sharpe, Sortino, Calmar, menor caída, factor de beneficio o significancia t) y el optimizador prueba una rejilla de parámetros sólo con el 70 % más antiguo. Después mira cómo le fue a la ganadora en el 30 % reciente, que no ha visto. Con la IA el 70 % se parte a su vez en ajuste (donde aprende) y validación (donde se elige), para que el modelo tampoco se examine con lo que aprendió. Un buen resultado es una meseta (las casillas vecinas también son buenas), no un pico aislado.

Mapa del criterio (entrenamiento)

Más azul = mejor según el criterio. ★ = mayor puntuación · ◆ = mejor rodeada (su zona puntúa mejor de media) · recuadro = seleccionada. Pincha cualquier casilla (o una fila de la derecha) para elegirla. «—» = imposible o con menos operaciones que el mínimo.

Las 5 mejores: entrenamiento → prueba

6 · Árbol de decisión (Python)

¿Para qué sirve? Aprende reglas del tipo «si el RSI está por debajo de… y el precio por encima de la media…» y da la probabilidad de que el precio esté más alto dentro de N velas (el «horizonte»). Si pasa del umbral (0,55) vota compra; si baja de 0,45, venta; en medio, fuera. Ese voto entra en el semáforo junto a las demás estrategias. Entrena con el 70 % más antiguo y se examina con el 30 % más reciente, dejando entre ambos un hueco de N velas («embargo») para que no se cuele información del futuro.
—acierto entrenamiento
—acierto prueba
—referencia «siempre lo mismo»

Importancia de cada variable

Reglas aprendidas

7 · Red neuronal (Python o TensorFlow.js)

¿Para qué sirve? Lo mismo que el árbol, pero con un perceptrón multicapa como el de los apuntes de Keras: 10 variables → 12 neuronas ReLU → 8 ReLU → 1 sigmoide = probabilidad de que el precio suba en el horizonte elegido, que se convierte en voto para el semáforo. En Python está escrita a mano con numpy (propagación hacia atrás y Adam incluidos); con TensorFlow.js entrena la versión «Keras» en tu tarjeta gráfica.
—acierto entrenamiento
—acierto prueba
—P(sube) última vela

El mismo modelo en Keras (Python de escritorio o Colab)
from tensorflow import keras

modelo = keras.Sequential([
    keras.layers.Input(shape=(10,)),            # 10 variables técnicas
    keras.layers.Dense(12, activation="relu"),
    keras.layers.Dense(8, activation="relu"),
    keras.layers.Dense(1, activation="sigmoid") # P(la próxima vela sube)
])
modelo.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
modelo.fit(X_train, y_train, epochs=40, batch_size=32, validation_split=0.15)
_, acierto = modelo.evaluate(X_test, y_test)

7b · Más modelos de IA (libro de Lucas: cap. 9, 11, 12, 14 y 15)

Mismo examen para todos: las mismas 15 variables, el mismo horizonte y el mismo corte (70 % para aprender con embargo y 30 % de prueba). Cada uno da una probabilidad de subida que se convierte en voto. Si «La IA sólo vota si supera la referencia» está marcado, el modelo que no la supera sale en gris y no cuenta. Logística y bosque van en Python puro y son instantáneos. La SVM usa scikit-learn (la misma descarga que el árbol con scikit-learn). La CNN y la LSTM usan TensorFlow.js y miran una ventana de velas seguidas; la LSTM necesita al menos 500 ventanas de entrenamiento (unas 800 velas; Binance da hasta 5000 y MT5 las que pidas).
ModeloMotorParámetrosAutoVotaEntr.PruebaRef.P(sube)
Regresión logísticaPython · numpy ————
Bosque aleatorioPython · numpy ————
SVM (núcleo RBF)scikit-learn ————
Red convolucional 1DTensorFlow.js ————
LSTM (red recurrente)TensorFlow.js ————

Lo que ha aprendido cada modelo

8 · Tu estrategia en Python

Escribe tu propia regla con pandas y numpy. Al ejecutarla entra en la tabla, en el gráfico y vota en el semáforo.

Consola de Python

9 · Cartera conjunta

¿Para qué? Juntar varias pestañas (símbolos y estrategias) en una sola cuenta y ver si diversificar reduce la caída. Cada componente se pasa a rendimientos diarios, se recorta al periodo que tienen en común y se reparte el capital: a partes iguales, según su volatilidad o con Markowitz (Harry Markowitz, Nobel de Economía 1990: la «cartera eficiente» es la que da más rendimiento por cada unidad de riesgo). Los pesos se calculan sólo con el primer 70 % del periodo y luego se mira cómo aguantan en el 30 % final. La matriz de correlación enseña qué componentes son, en el fondo, la misma apuesta.

Nube de carteras posibles (Markowitz)

Cada punto es un reparto al azar (medido en el 70 % inicial): más a la izquierda = menos volátil, más arriba = más rentable, más claro = mejor Sharpe. ★ máximo Sharpe · ◆ mínima volatilidad · ● la cartera elegida · ▲ cada componente sola.

¿Aguantan los pesos fuera de la muestra?

Markowitz es muy sensible: los rendimientos pasados que usa para elegir pesos no se repiten. Si en prueba cae mucho respecto al periodo de los pesos, el reparto «óptimo» estaba sobreajustado. Por eso muchos profesionales prefieren pesos iguales o por volatilidad.

Capital acumulado (diario)

Correlación de los rendimientos diarios

Azul = se mueven al revés (diversifican) · gris = independientes · naranja = se mueven juntos (no diversifican).

10 · Arbitraje de pares y estudio de correlación

La idea (capítulo 7 del libro): dos activos pueden ir de la mano a largo plazo (Coca-Cola y Pepsi, EURUSD y GBPUSD…). Si el diferencial A − β·B siempre vuelve a su media, están cointegrados. Cuando se separan mucho (z-score alto) se vende el caro y se compra el barato, y se cierra al juntarse. Correlación no es cointegración: dos series pueden subir juntas y separarse para siempre. Por eso se mide la cointegración con el test de Engle-Granger (Dickey-Fuller sobre el diferencial). β, la media y la desviación se estiman sólo con el 70 % inicial.

Correlación de los rendimientos diarios de los precios

Azul = se mueven al revés · gris = independientes · naranja = se mueven juntos. Los pares con correlación alta son candidatos a cointegración, pero hay que comprobarlo.

z-score del diferencial A − β·B

Capital de la estrategia de pares

Correlación móvil de los rendimientos

Cómo funciona