Trading Sistem Topgun Ultimate

TRADING SISTEM TOPGUN, un sistema de trading automatizado avanzado. La estrategia integra inteligencia artificial mediante el algoritmo de K-vecinos más cercanos (KNN) para predecir movimientos de precio basados en patrones históricos de volumen e indicadores técnicos. El sistema emplea múltiples capas de validación, incluyendo filtros de volatilidad, detección de manipulación de liquidez y una gestión de riesgos rigurosa que limita las pérdidas diarias. Además, el software incorpora funciones de gestión activa de posiciones, tales como cierres parciales preventivos, seguimiento de beneficios mediante ATR y ajustes automáticos para proteger el capital. En conjunto, la herramienta busca maximizar la precisión de las operaciones combinando el análisis técnico tradicional con métodos de aprendizaje automático en tiempo real.

El algoritmo K-Nearest Neighbors (KNN) está implementado como un motor de predicción personalizado que compara la situación actual del mercado con patrones históricos para anticipar la dirección del precio.

El proceso se realiza dentro de la función GetKNNSignal y opera mediante los siguientes pasos clave:

1. Construcción del Vector de Características (Feature Vector)

El algoritmo no analiza el precio de forma aislada. Define el "estado del mercado" utilizando un vector de 8 dimensiones que combina momento, volumen y tendencia. Para cada barra, calcula los siguientes valores normalizados:

- RSI: Fuerza relativa normalizada.

- ADX: Fuerza de la tendencia normalizada.

- Distancia a la MA: La distancia entre el precio de cierre y la media móvil (EMA 200), escalada en unidades de ATR.

- MFI (Money Flow Index): Validación de volumen.

- RVOL (Relative Volume): Volumen actual comparado con el promedio de los últimos 20 periodos.

- Force Index: Convicción del movimiento basada en volumen y precio.

- OBV Slope: La pendiente del On-Balance Volume para detectar acumulación/distribución.

- PVO (Percentage Volume Oscillator): Oscilador de volumen calculado manualmente.

2. Búsqueda Histórica y Cálculo de Distancia

El algoritmo mira hacia atrás en el historial (definido por knn_lookback, por defecto 350 barras) para encontrar situaciones pasadas que se asemejen a la actual.

Para determinar qué tan "cercana" o similar es una situación histórica, utiliza una Distancia Euclidiana Ponderada. Esto significa que calcula la diferencia entre los valores actuales y los históricos para cada uno de los 8 indicadores mencionados arriba, elevando las diferencias al cuadrado y multiplicándolas por un peso específico asignado a cada indicador.

• Nota: Los pesos son configurables (ej. weight_rsi, weight_ma), lo que permite que el algoritmo dé más importancia a ciertos indicadores (como la distancia a la MA o el volumen) sobre otros.

3. Clasificación de Resultados (Training)

Una vez que el algoritmo encuentra un vecino histórico (una barra pasada), observa qué hizo el precio inmediatamente después de ese patrón:

• Si el precio de cierre siguiente fue mayor: Resultado = 1 (Subida).

• Si el precio de cierre siguiente fue menor: Resultado = -1 (Bajada).

4. Selección y Votación (Majority Voting)

El sistema ordena todos los vecinos históricos encontrados de menor a mayor distancia (siendo los de menor distancia los más similares al mercado actual).

Selecciona los knn_neighbors más cercanos (por defecto 5, definido como K). Luego realiza una votación simple entre estos 5 vecinos:

• Si la mayoría de los vecinos resultaron en una subida de precio, el algoritmo predice Compra (1).

• Si la mayoría resultó en una bajada, predice Venta (-1).

• En caso de empate, devuelve Neutro (0).

Integración con la Estrategia

Finalmente, esta predicción del KNN no actúa sola. Se utiliza como un filtro de confirmación para la dirección de la tendencia principal (SuperTrend). Una señal de compra solo se ejecuta si el SuperTrend es alcista (st_direction == 1) Y el KNN predice una subida (knn_prediction == 1)

La lógica del filtro Anti-Hunt (Anti-Caza de Stops) dentro del sistema TopGun Ultimate está diseñada para identificar y aprovechar las "barridas de liquidez" (liquidity sweeps). Estas ocurren cuando el precio rompe brevemente un nivel clave (mínimo o máximo local) para activar órdenes de stop loss, solo para revertirse inmediatamente, esta lógica funciona en dos vertientes: como confirmación de entrada y como mecanismo de defensa. A continuación, se detalla su funcionamiento:

- Detección Técnica de la Barrida (IsLiquiditySweepAndReversal)

El núcleo de esta estrategia reside en la función IsLiquiditySweepAndReversal. El algoritmo analiza las últimas 20 velas (sweep_lookback = 20) para determinar si ha ocurrido una falsa ruptura.

Para una Barrida Alcista (Oportunidad de Compra):

1. Identificación del Nivel: El sistema busca el precio mínimo (Low) más bajo de las 20 velas anteriores a la vela actual.

2. La Ruptura (Sweep): Verifica que el mínimo de la vela recién completada haya roto (bajado más) que ese mínimo local identificado.

3. La Reversión (Rejection): Para confirmar que fue una trampa y no una ruptura real, exige dos condiciones:

    ◦ El precio de cierre (Close) de la vela actual debe quedar por encima del mínimo local que rompió.

    ◦ El cierre debe mostrar rechazo, ubicándose por encima del 30% inferior del rango de la vela (close_pos > 0.3).

Para una Barrida Bajista (Oportunidad de Venta):

1. Identificación del Nivel: Busca el precio máximo (High) más alto de las 20 velas anteriores.

2. La Ruptura: Verifica que el máximo de la vela actual haya superado ese máximo local.

3. La Reversión:

    ◦ El precio de cierre debe quedar por debajo del máximo local previo.

    ◦ El cierre debe estar en el 70% inferior del rango de la vela (close_pos < 0.7), indicando rechazo de precios altos.

- Aplicación en Señales de Entrada

Si el parámetro use_antihunt_logic está activado (true), el sistema utiliza esta detección para potenciar las entradas generadas por el modelo KNN (K-Nearest Neighbors):

• Override (Anulación/Potenciación): Si se detecta una barrida de liquidez, el sistema puede generar una señal de compra o venta incluso si el indicador de tendencia principal tiene dudas, siempre y cuando la predicción del KNN no sea contraria.

    ◦ Señal de Compra: Se activa si hay una "Barrida Alcista" confirmada y el KNN es neutral o alcista (knn_prediction >= 0).

    ◦ Señal de Venta: Se activa si hay una "Barrida Bajista" confirmada y el KNN es neutral o bajista (knn_prediction <= 0).

- Aplicación en Defensa Inteligente (Smart Defense)

El sistema también utiliza esta lógica para proteger posiciones abiertas mediante la función ManageOpenPositions. Si el parámetro use_smart_defense está activado, el EA reacciona ante barridas que van en contra de la operación:

• Cierre Parcial: Si tienes una posición de compra y ocurre una "Barrida Bajista" (el precio sube, rompe un máximo y se desploma), el sistema interpreta esto como un peligro inminente. Cierra automáticamente un porcentaje de la posición (por defecto el 50%) para asegurar ganancias o reducir riesgo,.

• Ajuste de Stop Loss: Inmediatamente después del cierre parcial, el sistema ajusta el Stop Loss al extremo de la vela que provocó la barrida (al mínimo de la vela previa en compras o al máximo en ventas), protegiendo el resto de la operación ante una reversión mayor

Validación de la Estrategia TOPGUN ULTIMATE en Oro / XAUUSD temporalidad H1 desde 2022-01-01 hasta 2025-12-31.

Basándonos en el informe detallado del par XAUUSD (Oro) en temporalidad de 1 hora (H1), aquí te presento los puntos clave para interpretar estos resultados:

La optimización de trading es el proceso sistemático de ajustar las variables de una estrategia para encontrar la combinación que maximice el rendimiento histórico y la robustez estadística. En el reporte "ReportOptimizer-TOPGUN", se observa cómo se prueban miles de configuraciones (pases) variando indicadores técnicos, parámetros de aprendizaje automático y reglas de gestión de riesgo.

A continuación, se detallan los pilares de la optimización basados en los datos de la estrategia:

1. Métricas de Evaluación de Desempeño

El optimizador no solo busca el beneficio total, sino un equilibrio entre varias métricas clave para determinar la calidad de un "pase":

• Factor de Beneficio (Profit Factor): Indica la relación entre ganancias y pérdidas. El pase 1374, por ejemplo, muestra un factor excepcional de 6.99, lo que significa que por cada dólar perdido se ganaron casi siete.

• Ratio de Sharpe: Mide el retorno ajustado al riesgo. Valores altos como el 7.85 del pase 1704 sugieren una alta consistencia con baja volatilidad en los rendimientos.

• Drawdown (Equity DD %): Es vital para la supervivencia de la cuenta. La optimización busca reducir este porcentaje; el pase 1612 logró un resultado sobresaliente con una reducción máxima de solo el 8.63%.

2. Ajuste de Parámetros de Machine Learning (KNN)

Una parte central de esta optimización es configurar el algoritmo de vecinos más cercanos (KNN) para adaptarse a la estructura del mercado:

• Número de Vecinos (knn_neighbors): Se prueban diferentes valores, como 40 en el pase 1457 frente a 15 en el pase 1971, para ver cuántos patrones similares del pasado son necesarios para una predicción fiable.

• Ventana de Historial (knn_lookback): Se ajusta la profundidad del pasado que el algoritmo analiza, variando comúnmente entre 400 y 500 velas para encontrar el equilibrio entre relevancia y cantidad de datos.

3. Filtros Técnicos y de Volatilidad

La optimización determina bajo qué condiciones de mercado es preferible no operar:

• Filtros de Volatilidad: El sistema evalúa si debe operar en baja, normal o alta volatilidad (trade_in_high_vol). Muchos de los mejores pases activan específicamente el comercio en alta volatilidad.

• Indicadores de Tendencia: Se optimizan los periodos y multiplicadores de herramientas como el SuperTrend (st_period, st_multiplier) y el RSI para filtrar entradas falsas.

4. Gestión de Riesgo y Defensa "Inteligente"

El reporte muestra que la optimización de las salidas es tan importante como la de las entradas:

• Multiplicadores ATR: Se ajustan los niveles de Stop Loss y Take Profit basados en la volatilidad. Por ejemplo, el pase 1457 utiliza un Stop Loss de 3.3 ATR y un Take Profit amplio de 29.7 ATR.

• Protección de Capital: Se testea la eficacia de activar el Trailing Stop, el Breakeven y la lógica de Scale Out (salidas parciales) para asegurar ganancias mientras el precio se mueve a favor.

5. El Compromiso entre Beneficio y Riesgo

Los resultados muestran que el pase con mayor beneficio neto (Pase 1722 con  $ 177,254.05) no es necesariamente el mejor "Resultado" (70.73) debido a su drawdown del 29.74%. En contraste, el Pase 1457 obtiene una puntuación de 97.53 (la más alta del reporte) al combinar un beneficio sólido con un drawdown mucho más controlado del 14.80%

6. Rentabilidad y Eficiencia 

El reporte muestra un rendimiento excepcional partiendo de un depósito inicial de 500.00, del pase con mayor beneficio neto (Pase 1722) alcanzando un beneficio neto de  $ 177,254.05.

• Factor de Beneficio (4.44): Por cada dólar perdido, el sistema ganó 4.44 dólares, lo cual indica una eficiencia muy alta para un sistema de trading algorítmico.

• Ratio de Sharpe (2.35): Este valor sugiere que el retorno obtenido es muy bueno en relación con el riesgo (volatilidad) asumido durante el periodo de prueba.

7. Gestión del Riesgo (Drawdown)

Un análisis crítico de backtesting siempre debe mirar las "caídas" o reducciones:

• Reducción máxima de la equidad: Se situó en 29.74% (42,986.44). Aunque el beneficio es masivo, este porcentaje indica que el usuario debe estar preparado para ver fluctuaciones importantes en el valor de su cuenta en tiempo real.

• Factor de Recuperación (4.12): Indica que el sistema es capaz de recuperar las pérdidas de un drawdown máximo de manera relativamente rápida y efectiva.

8. Estadísticas de Operación

El sistema ejecutó un total de 682 operaciones, lo que ofrece una muestra estadística robusta.

• Tasa de Acierto (Win Rate): con un 50.15% de posiciones rentables.

• La clave del éxito: la transacción rentable promedio ($669.03) es mucho mayor que la transacción no rentable promedio ($-151.63). Esto confirma que la estrategia deja correr las ganancias y corta rápido las pérdidas.

9. Análisis Estacional y Horario

El backtesting revela cuándo es más efectivo el algoritmo:

• Entradas por horas: Se observa una concentración clara de actividad y beneficios durante la apertura de Londres (08:00 - 10:00) y la sesión de Nueva York (15:00 - 18:00).

• Rendimiento Mensual: Aunque la mayoría de los meses son positivos, Septiembre y Octubre destacan con las mayores ganancias acumuladas, mientras que otros meses como Mayo muestran una actividad mucho más plana.