net_profit con la fórmula correcta). No es la cuenta demo — es "qué habría dado esta config, mes a mes, sobre 10 años de mercado real". Recalculado el 16 sep 2026, cuando se activaron los 8 pares.net_profit de las cestas ya cerradas de cada par, directo de Supabase.| Par | Ganancia | Cestas cerradas | % ganadoras |
|---|---|---|---|
| Cargando… | |||
net_profit por mes, cestas ya cerradas — no es backtest, es lo que dio la cuenta demo mes a mes desde que arrancó.config que reportó cada par — si un par no aparece es que esa instancia todavía no logueó config.| Par | En vivo | Mult. lote | Mult. ATR | Corte MAE | Filtro régimen |
|---|---|---|---|---|---|
| Cargando… | |||||
backtest_ea_vs_ia.py cada vez que corre) — el texto de análisis lo escribo yo a mano después de mirar cada corrida nueva, con fecha.El hallazgo más importante (16 sep 2026) NO fue sobre la IA — fue sobre la EA sola. Con el spread completo cargado (antes faltaba la mitad), la config que estaba desplegada entonces (mult 4.0 en los 8 pares) dio −$3,830 en los 19 meses de test de esa corrida, no los +$3,236 reportados antes del fix. Profit factor 0.65: perdía más de lo que ganaba.
En esa corrida, en validación, filtrar con cualquiera de los 3 modelos empeoraba el resultado (Ridge/RF/HistGB dieron menos ganancia neta que operar todo, no más) — por eso se eligió RandomForest ahí, como "el menos malo", quedando marcado explícitamente como que no ayudaba. En test, RandomForest sí redujo la pérdida (−$3,830 → −$1,197, evitando 144 de 183 pérdidas) pero como no se sostuvo en validación, ese resultado en test no era confiable — puede ser ruido. Mirá el gráfico de arriba para ver si la corrida más reciente cambió esto.
Los modelos casi no explican nada todavía (v002): R² de validación entre −0.02 y −0.01, de test entre −0.006 y −0.0002 — prácticamente cero o negativo. No hay señal predictiva real capturada, con o sin las features de la IA en vivo (que además nunca llegaron a registrar un score real — ver fix del servidor).
Qué sigue: re-correr el grid completo con el criterio de riesgo corregido (score_riesgo, no Calmar) para ver si existe una config realmente rentable con el spread real cargado — la que está en vivo hoy no lo es, según este backtest. Corrida de horas, pendiente de que el usuario la dispare.
| Señal | Par | Impacto | Min. a la noticia |
|---|---|---|---|
| Cargando… | |||
config_id que empieza con FTP_ — comparte las tablas con DynamicTrader Pro (pestaña de al lado), que usa DTP_.fibtrend_grid.py, corrido el 16 sep) buscó una config con menos drawdown sin perder ganancia y no encontró ninguna — cualquier límite de tiempo o SL probado empeora la ganancia neta. Se mantienen estos parámetros default.fibtrend_reconstruir_historico.py.net_profit de las cestas ya cerradas de cada par (filtrado config_id FTP_%), directo de Supabase.| Par | Ganancia | Cestas cerradas | % ganadoras |
|---|---|---|---|
| Cargando… | |||
net_profit por mes, cestas ya cerradas — no es backtest, es lo que dio la cuenta demo mes a mes desde que arrancó el logger.config que reportó cada par. La tabla de Supabase todavía no tiene las columnas propias de FibTrend (sl_pips, etc.) — por ahora solo se puede mostrar lo que comparte con DynamicTrader Pro.| Par | En vivo | Mult. lote | Días máx. | Filtro régimen |
|---|---|---|---|---|
| Cargando… | ||||
Predecir la ganancia tiene algo de señal: Ridge explica ~39% de la varianza en test (R²=0.39) prediciendo target_profit — no es nada espectacular, pero no es ruido tampoco. Los modelos de árbol (RandomForest/HistGB) sobreajustan más (train R² de 0.43-0.87 cae a 0.12 en test).
Predecir el drawdown (MAE) y la duración de la cesta todavía no funciona: R² negativo en validación para casi todos los modelos (peor que predecir el promedio). Con solo 892 señales en 10 años, no alcanza para que el modelo aprenda un patrón sólido en estos dos targets, sobre todo con la cola tan larga que tienen (cestas de hasta 5.7 años).
Pendiente: el servidor de inferencia (para que UseAIObserver del EA tenga a quién pedirle el score) y re-entrenar cuando el logger en vivo acumule más señales reales — este modelo es 100% reconstrucción histórica, cero datos de la cuenta demo todavía.
| Señal | Par | Impacto | Min. a la noticia |
|---|---|---|---|
| Cargando… | |||