Sistema de trading en Python que escanea 15 criptomonedas, detecta oportunidades con reglas explícitas, arma el plan de cada operación y lo somete a un motor de riesgo con veto. Lo evalué con un backtest vela a vela sobre 6 años de datos reales (2020–2026), cuidando no hacerme trampa con la validación.
Conclusión: el sistema gana plata de forma consistente y cae mucho menos que el mercado, pero en retorno no le gana a comprar BTC y mantenerlo en 3 de cada 4 escenarios.
Proyecto de análisis con capital ficticio. No opera con dinero real ni se conecta a ninguna cuenta. No es asesoría financiera.
Inspirado en un carrusel de TikTok sobre un "trader IA 24/7", quise responder con datos: ¿un sistema de reglas que busca oportunidades, planifica y controla el riesgo rinde más que simplemente comprar y esperar?
$1.000 invertidos en cada uno de los 36 meses posibles de inicio (oct-2020 a sep-2023), con plazo de 3 años:
| Sistema | Mantener BTC | Mantener 15 monedas | Altcoin típica | |
|---|---|---|---|---|
| Retorno típico (mediana) | +45% | +129% | +87% | +35% |
| Peor resultado a 3 años | +22% | +4% | −36% | — |
| Lo más bajo que llegaron los $1.000 | $931 | $262 | $239 | — |
| Veces que el sistema gana | — | 9 de 36 | 11 de 36 | 21 de 36 |
- Sistema: retorno moderado y muy estable. Nunca terminó en pérdida y el capital casi nunca bajó de lo invertido.
- BTC: más retorno en 27 de 36 casos, pero en la mitad de ellos los $1.000 pasaron por menos de $600.
- Altcoins: una lotería. SOL rindió +318% típico; DOT perdió en 34 de 36 casos.
flowchart LR
A[Datos<br/>Binance API<br/>velas 4H] --> B[Scanner<br/>EMA · RSI · ATR<br/>volumen]
B --> C[Planner<br/>entrada · stop<br/>objetivo · R:B]
C --> D{Motor de riesgo<br/>8 checks con veto}
D -->|pasa| E[APROBADO]
D -->|casi| F[WATCHLIST]
D -->|falla| G[RECHAZADO]
E --> H[Cartera simulada<br/>backtest / paper trading]
| Módulo | Qué hace |
|---|---|
datos.py |
Descarga velas cerradas desde la API pública de Binance (sin clave) |
scanner.py |
Indicadores y setups como reglas explícitas: Ruptura, Momentum, Reversión (Pullback y Continuación desactivados tras el backtest) |
planner.py |
Stop bajo el mínimo reciente (1–3 ATR), objetivo en la resistencia siguiente o 2R |
riesgo.py |
R:B mínimo, volatilidad, puntaje, filtro de tendencia, tamaño por riesgo (1%), máx. posiciones, exposición y pérdida total |
cartera.py |
Motor de simulación compartido por el backtest y el paper trading (misma lógica exacta) |
backtest.py |
Backtest vela a vela con costos, tramos de entrenamiento/validación y reporte Excel |
paper.py |
Paper trading en tiempo real (tarea programada cada hora) |
main.py |
Escaneo del momento con reporte Excel |
analisis/ |
Scripts que generan los gráficos de este README |
| Riesgo | Qué hice |
|---|---|
| Mirar el futuro | En cada vela el sistema solo ve el pasado. Indicadores causales; resistencias confirmadas solo con 3 velas posteriores |
| Resultados irreales | Entrada en la apertura siguiente, comisión 0,1% por lado, 0,05% de deslizamiento; si una vela toca stop y objetivo, se asume stop |
| Sobreajuste | Historia separada en entrenamiento (2023–24) y validación (2025–26). Después, prueba sobre 2020–23, datos nunca vistos |
| Autoengaño en las mejoras | Criterio de adopción fijado antes de correr cada prueba y parámetros sin optimizar |
| Errores de código | Prueba de regresión tras cada refactor; el estado del paper trading se verificó guardando y recargando en 12 tramos (resultado idéntico) |
| Cambio | Resultado | Decisión |
|---|---|---|
| Eliminar Pullback y Continuación | Perdían en ambos tramos (−0,12R y −0,17R) | ✅ Adoptado |
| Operar solo en tendencia alcista | +0,16R → +0,27R en datos nunca vistos | ✅ Adoptado (confirmado fuera de muestra) |
| Stop dinámico (trailing) | Más ganancia por operación, pero menos operaciones y más caída en 2023–26 | ❌ Descartado |
| Fuerza relativa vs BTC | Mejora 2020–23, empeora 2023–26 | ❌ Descartado |
| Subir el riesgo a 2–3% | Multiplica la ganancia en 2021, pero con 3% rinde menos que con 1% en 2023–26 | ❌ No adoptado |
Un error propio que corregí: el filtro de tendencia lo elegí mirando toda la historia, lo que contaminaba la validación. Lo reconocí y lo sometí a una prueba limpia sobre 2020–23 antes de darlo por bueno.
| Periodo | Operaciones | Win rate | Expectativa | Retorno | Caída máx. | BTC |
|---|---|---|---|---|---|---|
| 2020–23 (fuera de muestra) | 250 | 48,8% | +0,27R | +86% | −13% | +153% (caída −77%) |
| 2023–26 | 300 | 47,3% | +0,20R | +63% | −14% | +210% (caída −53%) |
R = lo que se arriesga por operación (1% del capital). +0,27R ≈ se gana en promedio el 27% de lo arriesgado por operación.
Más gráficos
Curva de capital 2020–23 (datos nunca vistos)
Curva de capital 2023–26
Stop dinámico y fuerza relativa vs versión actual
Efecto de subir el riesgo por operación
Sistema vs mantener otras monedas
- Un backtest bien hecho sirve sobre todo para descartar. De 8 variantes probadas, solo 2 se adoptaron.
- El sistema tiene una ventaja real pero delgada (+0,20R a +0,27R), estable en 3 años de mercado muy distintos.
- En retorno absoluto no le gana a BTC, entre otras razones porque tiene invertido solo un ~15% del capital en promedio. Su valor está en el control de la caída, no en el retorno.
- La comparación depende del periodo: 2020–2026 fue excepcional para BTC. Si el mercado se estanca, la conclusión podría cambiar.
Limitaciones: solo compras (spot), sin ventas en corto. Sesgo de supervivencia: los 15 pares son los grandes de hoy (no incluye monedas que colapsaron, como LUNA o FTT). El paper trading comenzó el 29-09-2026 y necesita más de un año de operaciones para confirmar la expectativa con significancia.
pip install -r requirements.txt
python main.py # escaneo del momento → resultados/scan_*.xlsx
python backtest.py # backtest últimos 3 años → resultados/backtest_*.xlsx
python backtest.py --desde 2020-09-29 --hasta 2023-09-29 # cualquier periodo
python paper.py # paper trading (una pasada; en Windows corre cada hora con una tarea programada)Todos los parámetros están en config.yaml, incluidos los interruptores de las mejoras descartadas.
La primera corrida del backtest descarga ~10 MB de historia a datos_historicos/; las siguientes solo lo nuevo.
El detalle cronológico de cada prueba está en docs/BITACORA_TECNICA.md y el resumen
ejecutivo en docs/informe.pdf.
Stack: Python · pandas · ccxt · matplotlib · openpyxl · YAML · Programador de tareas de Windows
Autor: Tomás Moya Araya · Ingeniero Civil Industrial · LinkedIn