Crearé un bot de trading cuantitativo con IA

Este proyecto entrega un sistema de trading con IA personalizado construido con TensorFlow, OpenAI Gymnasium, RL y arquitecturas recurrentes basadas en LSTM, diseñadas específicamente para aprender de series temporales financieras en condiciones de mercado ruidosas y sesgadas.

El enfoque principal de este trabajo es reducir el sesgo en las políticas, mejorar la precisión direccional y estabilizar el aprendizaje en entornos donde la mayoría de los agentes de trading fracasan, especialmente en regímenes de mercado altamente unidireccionales o sesgados, donde los agentes RL estándar suelen colapsar en estrategias triviales o sesgadas.

Los resultados clave de este enfoque incluyen:

Diseñar agentes PPO casi sin sesgo incluso cuando se entrenan con datos de mercado muy sesgados

Reducir la sensibilidad al ruido de precios a corto plazo que normalmente hace que los agentes bloqueen capital en la dirección equivocada

Lograr un entrenamiento estable sin recorte de recompensas ni pérdida de información

Gestionar la no estacionariedad del mercado usando políticas recurrentes (basadas en LSTM)

El resultado es un agente de trading de grado investigativo, independiente del mercado, que puede entrenarse con datos históricos y luego usarse para predecir acciones en diferentes mercados como acciones, criptomonedas o forex.