# InelidaMarketScan — Análisis Científico de los Mercados Financieros con Machine Learning

> **Investigación en Finanzas Cuantitativas: ICT, Ichimoku, XGBoost y Cálculo Estocástico**
> Por **Didier Vally / Reuniware Systems**
> Versión 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## Resumen

Este documento presenta los resultados de 6 meses de investigación en finanzas cuantitativas aplicadas al trading algorítmico. El framework InelidaMarketScan combina el análisis técnico ICT (Inner Circle Trader) e Ichimoku multi-timeframe con un pipeline de Machine Learning XGBoost (123 features) y funciones de cálculo estocástico (Ornstein-Uhlenbeck, Hurst, GARCH, Monte Carlo, Kelly). El modelo v18 alcanza un 64,0% de precisión en validación cruzada sobre 1.210 operaciones históricas. El análisis de 27 modelos sucesivos revela que las features de Ichimoku (distancias Kijun/Tenkan, cruces T/K) son más predictivas que los patrones ICT (FVG, Order Blocks). La simulación de capital con filtrado ML% ≥ 50% muestra un factor de beneficio de 2,27 en datos in-sample, mientras que la validación out-of-sample identifica un techo en 1,173. Este documento constituye una referencia científica completa sobre la intersección entre ICT, Ichimoku y Machine Learning.

---

## 1. Introducción

### 1.1 Contexto y Problemática

El trading algorítmico se basa en la identificación de patrones recurrentes en las series temporales financieras. Los conceptos ICT (Inner Circle Trader) desarrollados por Michael Huddleston describen el comportamiento institucional de los mercados: barridos de liquidez, Fair Value Gaps, Order Blocks, Market Structure Shifts. Paralelamente, el indicador Ichimoku Kinko Hyo proporciona una lectura multi-timeframe del equilibrio del mercado. Este proyecto explora la fusión de estos dos paradigmas mediante un escáner automatizado acoplado a un modelo XGBoost.

### 1.2 Objetivos de Investigación

1. Desarrollar un escáner automático que combine ICT e Ichimoku en 8 timeframes (M5 a MN). 2. Construir un pipeline ML con 123 features nombradas extraídas del escáner. 3. Validar el poder predictivo mediante backtest histórico (2025-2026) y prueba out-of-sample. 4. Integrar funciones de finanzas cuantitativas (OU, Hurst, GARCH, Monte Carlo, Kelly). 5. Alcanzar un factor de beneficio > 1,5 en condiciones reales.

## 2. Fundamentos Teóricos ICT

Los conceptos ICT modelan el comportamiento de las instituciones financieras (bancos, hedge funds) que manipulan los niveles de precios para acumular posiciones. Los 8 conceptos siguientes son detectados automáticamente por el escáner:

| Concepto ICT | Descripción y Detección |
|:---|:---|
| **Barridos de Liquidez** | Ruptura breve de un nivel clave (Asian High/Low, London High/Low) para activar stops antes de la inversión. Detectado en H1 con confirmación de retroceso. |
| **Fair Value Gaps (FVG)** | Brecha entre 3 velas consecutivas donde el precio no negoció. Detectado en 6 TFs (M5 a D1) con porcentaje de mitigación. |
| **Order Blocks (OB)** | Última vela antes de un impulso direccional — zona donde las instituciones colocaron órdenes. Detectado vía ATR(14) en 6 TFs. |
| **Breaker Blocks (BRK)** | Order Block roto que se invierte en soporte/resistencia opuesto. Derivado de los OB existentes. |
| **Market Structure Shift (MSS/BOS)** | Cambio en la estructura del mercado: Break of Structure y Change of Character en 6 TFs. |
| **Volumen HVN/LVN** | High Volume Node y Low Volume Node basados en el tick volume de MT5. Detectado en 6 TFs. |
| **Reversal Pipeline** | Cadena completa barrido → retroceso → confirmación con contador de velas post-barrido. |
| **Extensiones de Fibonacci** | Extensiones +1,618 a +4,0 basadas en el rango asiático para objetivos de TP. |

## 3. Arquitectura Ichimoku Multi-TF

El escáner Diamond analiza 8 timeframes simultáneamente. Para cada TF, se calculan 5 componentes Ichimoku:

| Timeframe | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Arquitectura del Escáner Diamond

El Diamond Scanner agrega 109 criterios de puntuación en 10 categorías:

| Categoría | Criterios | Ejemplos |
|:---|---:|:---|
| Ichimoku H1-D1 | 24 | Distancias Kijun/Tenkan, cruces T/K, posiciones Kumo, Flat bars |
| Ichimoku W1-MN | 8 | Kijun W1/MN, Kumo W1/MN, color de nube, Doble memoria |
| FVG (6 TFs) | 12 | FVG bear/bull M5 a D1, % de mitigación, prioridad temporal |
| Order Blocks (6 TFs) | 12 | OB bear/bull M5 a D1, posición ARRIBA/DEBAJO/EN |
| MSS/BOS (6 TFs) | 18 | Régimen, BOS, CHoCH en M5 a D1 |
| Volumen HVN/LVN (6 TFs) | 12 | Pico de volumen, HVN, LVN en M5 a D1 |
| Breaker Blocks (6 TFs) | 12 | BRK bear/bull M5 a D1 |
| Barridos Asian/London | 4 | Barrido AH/AL, barrido London H/L |
| Reversal Pipeline | 5 | Barrido→retroceso→confirmación, FVG post-barrido, retest |
| Kijun M30/M15/M5 | 2 | Cruce direccional Kijun M30/M15/M5 |

**Puntuación máxima:** 109 criterios (107 sin MN)

## 5. Pipeline de Machine Learning

El pipeline ML transforma los resultados del escáner en probabilidad de ganancia en 3 etapas:

| Etapa | Herramienta | Detalles |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | Extracción de features del escaneo Diamond (BD / CSV manual / backtest). Genera CSV etiquetado con columna outcome (1=ganada, 0=perdida). |
| 2 | `ml_trainer.py` | Entrenamiento XGBoost con validación cruzada 5-fold, scale_pos_weight para clases desequilibradas, búsqueda grid de hiperparámetros. |
| 3 | `ml_predictor.py` | Inferencia en tiempo real: extract_features() → predict_proba() → ML% mostrado en el escaneo en vivo. MLPredictor simplificado: 1 joblib.load en vez de 5. |

## 6. Modelo XGBoost v18 — Configuración

El modelo v18 es el modelo de producción activo. Entrenado en 1.210 operaciones históricas con 123 features nombradas (incluyendo GARCH y estocástico).

| Hiperparámetro | Valor |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0.03 |
| `n_estimators` | 200 |
| `subsample` | 0.8 |
| `min_child_weight` | 3 |
| `gamma` | 0.1 |
| `reg_alpha` | 0.5 (L1) |
| `reg_lambda` | 1.0 (L2) |
| `scale_pos_weight` | auto (basado en ratio win/loss) |

**123 features nombradas** incluyen: scores/sesgo (6), Kijun 6 TFs (18), Tenkan 6 TFs (18), cruces T/K (6), Kumo (6), cruces M5/M15/M30 (12), Flat bars (2), FVGs activos (1), Order Blocks (6), Barridos (5), Volumen (6), MSS/BOS (6), Breaker Blocks (6), Compresión (1), Estocástico (8: OU, Hurst, Monte Carlo, GARCH), Temporal (3), Tipo de activo (3).

## 7. Historial de Modelos

27 modelos XGBoost han sido entrenados y evaluados desde el inicio del proyecto. Aquí el historial de las versiones principales:

| Modelo | Datos | Features | Operaciones | CV | OOS PF | Estado |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6 principales | 36 | 852 | 61.0% | — | Archivado |
| v4 | 13 símbolos | 111 | 1.210 | 62.9% | 1.26* | In-sample (leakage) |
| v7 | 13 símbolos | 25 mejores | 2.923 | 60.1% | 1.173 | 🥇 Mejor OOS unificado |
| v13 | 4 modelos/activo | 25 | 2.923 | 53-64% | 4.000 | 🏆 Por activo (15 ops) |
| v15 | 2025-2026 | 25 + OU/Hurst | 5.009 | 59.8% | — | Estocástico integrado |
| v18 | 13 símbolos | 123 (GARCH) | 1.210 | 64.0% | 0.503 F1 | [X] Producción activo |

## 8. Importancia de Features (v4)

El análisis de importancia de features revela qué criterios pesan más en las decisiones del modelo:

| Rank | Feature | Ganancia | Insight |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14.2 | El dólar sigue una lógica radicalmente diferente a los pares forex |
| 2 | `rr` | 10.0 | El ratio risk/reward teórico predice el resultado real |
| 3 | `tkx_h1` | 9.2 | El cruce Tenkan/Kijun H1 es el mejor predictor individual |
| 4 | `kj_h1` | 6.9 | La distancia a la Kijun H1 captura el equilibrio a corto plazo |
| 5 | `sl` | 6.4 | El nivel de stop-loss es tan importante como el take-profit |
| 6 | `day_wednesday` | 6.4 | Los miércoles (FOMC) muestran comportamiento estadísticamente distinto |
| 7 | `d_kj_h4` | 6.3 | La distancia a la Kijun H4 indica la tendencia subyacente |
| 8 | `d_kj_d1` | 6.0 | La distancia a la Kijun D1 ancla el contexto macro |
| 9 | `tkx_h4` | 6.0 | El cruce T/K H4 confirma la tendencia de sesión |
| 10 | `is_forex` | 5.9 | Los pares FX tienen comportamiento propio vs índices/metales |

## 9. Validación Out-of-Sample

La validación OOS (entrenamiento Enero-Junio 2026, prueba Julio 2026) es la prueba decisiva. El modelo v4 muestra un PF in-sample de 2,27 en el umbral ML% ≥ 50%, pero esto incluye data leakage (el modelo vio el 80% de los datos de prueba durante el entrenamiento). El verdadero PF OOS del v7 es 1,173 — un edge estadísticamente significativo pero modesto. El modelo v13 (por activo) alcanza PF=4,000 en 15 operaciones, pero la muestra es demasiado pequeña para ser fiable. Conclusión: el ML proporciona un edge real (PF > 1,0), pero el techo actual es ~1,17 con arquitectura unificada.

## 10. Simulación de Capital — Filtrado ML%

Simulación sobre 1.210 operaciones históricas con capital inicial de 10.000 € y riesgo del 1% por operación:

| Umbral ML% | Operaciones | Tasa de Acierto | PF (RR) | G&P (10k€) |
|:---|---:|---:|:---:|---:|
| Sin filtro | 1.210 | 37.6% | 1.02 | +1.442 € |
| ML% ≥ 45% | 661 | 54.3% | 1.91 🔥 | +27.542 € |
| ML% ≥ 50% | 504 | 59.7% | 2.27 🔥🔥 | +25.842 € |
| ML% ≥ 55% | 327 | 67.3% | 2.80 | +19.242 € |
| ML% ≥ 60% | 170 | 78.8% | 3.59 | +9.340 € |
| ML% ≥ 70% | 71 | 88.7% | 1.64 | +514 € |

## 11. Finanzas Cuantitativas y Cálculo Estocástico

Se han integrado 6 funciones de finanzas cuantitativas en el escáner y el pipeline ML. Estas funciones calculan métricas de riesgo, volatilidad y régimen de mercado:

| Función | Objetivo | Feature ML | Rank v18 |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | Detecta la sobreextensión del precio respecto a su media a largo plazo. Score 0-100%: >80% = retroceso probable. | `ou_score` | No probado |
| **Exponente de Hurst** | Clasifica el régimen de mercado: H < 0.45 = RANGO, H > 0.55 = TENDENCIA. | `hurst_h` | No probado |
| **GARCH(1,1)** | Modela la volatilidad condicional. 4 features: persistencia, vol_largo_plazo, vida_media, vol_pronóstico. | `garch_persistence` | #14 |
| **Monte Carlo** | Simula 10.000 trayectorias de precio. Calcula P(SL alcanzado) y P(TP alcanzado). | `mc_p_sl, mc_p_tp` | No probado |
| **Criterio de Kelly** | Dimensionamiento óptimo de posiciones por tipo de activo. Ganancia=0.00 (redundante con SL/TP ya optimizados). | `kelly_full` | #124 |
| **Ruina FTMO** | Probabilidad de ruina de una cuenta de prop firm con drawdown del 10% en 100 operaciones simuladas. | `ftmo_ruin_prob` | No probado |

## 12. Criterio de Kelly por Tipo de Activo

El Criterio de Kelly utiliza tasas de acierto reales por tipo de activo (del backtest) en lugar de un win_rate=0.40 uniforme. Resultados:

| Tipo de Activo | Tasa de Acierto | Kelly Full | Kelly Half |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46.0% | 23.0% |
| **XAUUSD** | 42% | 13.0% | 6.5% |
| **Forex** | 31% | 3.5% | 1.8% |
| **Índices** | 38% | 7.0% | 3.5% |
| **Cripto** | 35% | 2.5% | 1.3% |

## 13. MLPredictor Simplificado (19/07/2026)

El MLPredictor cargaba anteriormente el mismo modelo 5 veces (1× por método de predicción). La simplificación del 19/07/2026 lo redujo a un solo `joblib.load()`. Resultado: 30 líneas de código eliminadas, tiempo de carga dividido por 4, y el `_ASSET_MODEL_MAP` redundante eliminado. El modelo v18 es ahora el modelo unificado único para todos los tipos de activos.

## 14. Corrección de Errores — 19/07/2026

Una revisión de código exhaustiva el 19/07/2026 identificó y corrigió 4 errores:

| # | Gravedad | Archivo | Descripción |
|:---:|:---|:---|:---|
| 1 | CRÍTICO | `diamond_scanner.py` | Código muerto después de `return` en `ml_available` — los símbolos nunca se activaban. `initialize()` no establecía `_initialized = True`. |
| 2 | ALTO | `stochastic_analytics.py` | GARCH: si no se encontraba un par (α,β) válido, fallback silencioso con parámetros inventados. Añadida verificación `best_ll <= -1e100`. |
| 3 | MEDIO | `stochastic_analytics.py` | Monte Carlo: el fallback de volatilidad (log-returns) se calculaba pero nunca se usaba cuando el sigma OU era cero. |
| 4 | BAJO | `stochastic_analytics.py` | FTMO: `pnl_avg`/`roi_avg` fuera del bloque try — riesgo de NameError si se añadía código entre el cálculo y el return. |

## 15. Matriz de Decisión Final

La matriz de decisión combina la puntuación Diamond, el ML%, los guardarraíles y el contexto macro:

| Condición | Acción | Justificación |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1 alineado + sin HIGH NEWS | 🟢 GO | Triple confirmación: ML, Ichimoku, macro |
| ML% ≥ 60% + TKx H1 conflicto | 🟡 ESPERAR | El ML es contradicho por el cruce T/K H1 |
| ML% 50-60% + TKx H1 alineado | 🟡 PRECAUCIÓN | Edge ML moderado, necesita confirmación adicional |
| ML% < 50% | 🔴 NO GO | El modelo no tiene edge estadístico |
| HIGH NEWS DAY + BULL | 🔴 ESPERAR | Los días macro (≥2 eventos mayores) rompen correlaciones |
| Miércoles (día FOMC) + Forex | 🟡 Riesgo Alto | Los miércoles muestran comportamiento estadísticamente distinto |

## 16. Conclusión y Perspectivas

El proyecto InelidaMarketScan demuestra que un pipeline ML entrenado con features Ichimoku puede generar un edge estadístico significativo (PF OOS = 1,173). Los 4 errores críticos corregidos el 19/07/2026 refuerzan la fiabilidad del escáner en vivo. Los 27 modelos sucesivos revelaron ideas clave: las features Ichimoku son más predictivas que los patrones ICT, el tipo de activo (is_dxy, is_forex) es un predictor principal, y las funciones de cálculo estocástico (GARCH, OU, Hurst) proporcionan señal complementaria de volatilidad. El próximo salto de rendimiento requerirá un dataset más grande (2024-2026, >5.000 operaciones/activo) y potencialmente arquitecturas de deep learning.

## Referencias

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **Obra de investigación en finanzas cuantitativas. Reproducción permitida con cita.**

## 🌐 Comunidad

Únete al servidor Discord **Trading Pro** para conectar con la comunidad: https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19