Cómo construimos un Trading Platform completo con IA

Arquitectura real, backtesting engine, señales IA, gestión de riesgo y lecciones aprendidas construyendo un sistema de trading algorítmico en producción.

Por qué construir un trading platform (y por qué es tan difícil)

La mayoría de personas que intentan automatizar trading terminan con un script de Python que descarga datos, calcula una media móvil y envía emails. Eso no es un trading platform. Es un juguete.

Un trading platform real necesita:

Backtesting engine — probar estrategias contra años de datos históricos
Ejecución automatizada — enviar órdenes a un broker en tiempo real
Gestión de riesgo — position sizing, stop loss, max drawdown
Señales de entrada/salida — el cerebro algorítmico
Monitoring — saber qué está haciendo tu dinero mientras duermes
Analytics — 20+ métricas de rendimiento (Sharpe, Sortino, Calmar, etc.)

Hacer todo eso bien es un proyecto de ingeniería serio. Y hacerlo con señales generadas por IA lo es aún más. Nosotros lo construimos. Y ahora te contamos cómo.

Arquitectura elegida

Stack técnico

Frontend:    Next.js 14 + TypeScript + Tailwind CSS + Lightweight Charts
Backend:     Node.js + Express + WebSocket
Database:    PostgreSQL (Neon) + Redis para caché
IA:          Python + OpenAI API + modelos custom
Trading:     MetaTrader 5 + Expert Advisors (MQL5)
Deploy:      Vercel (frontend) + Railway (backend)

Diagrama de flujo simplificado

Datos históricos → Backtesting Engine → Estrategia validada
                                            ↓
Datos en tiempo real → Motor de Señales IA → Señal de trading
                                                    ↓
                                        Gestor de Riesgo (OK?)
                                                    ↓
                                        Ejecución MT5 (orden)
                                                    ↓
                                        Monitoring Dashboard

Por qué este stack

Next.js para el frontend: Necesitábamos gráficos de velas en tiempo real, actualización sin recarga y SEO. Next.js con React Server Components nos dio todo.

Python para la IA: No hay discusión. El ecosistema de ML (pandas, numpy, scikit-learn, PyTorch) sigue siendo muy superior. Las señales de trading van en Python, el resto en TypeScript.

PostgreSQL para datos financieros: Los datos de mercado tienen estructura clara (OHLCV, timestamps, symbols). SQL relacional es perfecto para esto. Redis para las señales en tiempo real que necesitan latencia baja.

MT5 para ejecución: MetaTrader 5 domina el mercado retail de FX. Los Expert Advisors permiten ejecución automatizada con control total.

El Backtesting Engine: el corazón del sistema

El backtester es el componente más crítico. Si tu backtesting no es fiel a la realidad, tus estrategias fracasarán en producción. Sin excepciones.

Qué simula nuestro backtester

Datos OHLCV de 10+ años, múltiples símbolos y timeframes
Spread y comisiones realistas por broker
Slippage — el precio de ejecución no es el precio del gráfico
Position sizing — fijo, porcentaje de equity, Kelly criterion
Margin calls — si tu estrategia usa apalancamiento, el backtester debe saber cuándo te liquidan

Las 20+ métricas que calculamos

Métrica	Qué mide	Buen valor
Total Return	Rentabilidad total	> 30% anual
Sharpe Ratio	Retorno ajustado por riesgo	> 1.5
Sortino Ratio	Solo riesgo negativo	> 2.0
Max Drawdown	Mayor pérdida desde pico	< 20%
Calmar Ratio	Return / Max Drawdown	> 2.0
Win Rate	% trades ganadores	> 55%
Profit Factor	Ganancias / Pérdidas	> 1.5
Expectancy	Esperanza matemática por trade	> 0

El error que nadie te dice sobre backtesting

Look-ahead bias: usar datos del futuro en el pasado. Sucede cuando normalizas datos usando todo el dataset antes de dividir en train/test.

Overfitting: optimizar tanto que la estrategia solo funciona en datos históricos. Usamos Walk-Forward Analysis obligatorio: optimizas en ventana A, validas en ventana B (datos nunca vistos).

Survivorship bias: probar solo contra símbolos que aún existen. Si un par fue deslistado, no estará en tu dataset y tu backtester será demasiado optimista.

Señales de IA: donde la magia sucede

Un trading platform sin señales es solo un dashboard bonito. Las señales son el cerebro.

Nuestro enfoque: ensemble de indicadores + ML

No confiamos en un solo indicador. Usamos un ensemble:

ICT concepts — order blocks, fair value gaps, liquidity sweeps
Indicadores clásicos — RSI, MACD, ATR, Bollinger Bands, Volume Profile
Modelos ML — Random Forest para clasificación de dirección, LSTM para predicción de volatilidad

Cómo generamos la señal final

signals = {
    'ict': ict_score(order_blocks, fvgs, liquidity),  # -1 to 1
    'classic': indicator_score(rsi, macd, atr),       # -1 to 1
    'ml': model_predict(features),                     # -1 to 1
}
final = weighted_ensemble(signals, weights=[0.4, 0.3, 0.3])
if abs(final) > threshold and risk_check():
    execute_signal(final)

Gestión de riesgo: lo que separa a los vivos de los muertos

La gestión de riesgo NO es opcional. Es lo que hace la diferencia entre un trader que sobrevive 5 años y uno que explota la cuenta en 3 meses.

Nuestras reglas de riesgo

Nunca arriesgar más del 2% del capital por trade
Max drawdown diario del 5% — si lo alcanzas, para hoy
Max posiciones abiertas: 3 — la concentración excesiva mata
Stop loss obligatorio — cada trade sin SL es una ruleta rusa
Take profit basado en ATR — fixed TP es para amateurs

Position sizing con Kelly Criterion

Kelly % = W - (1 - W) / R

Donde:
W = win rate histórica
R = ratio promedio ganancia/pérdida

Ejemplo: Win rate 60%, R = 2:1
Kelly % = 0.60 - 0.40/2 = 0.40 = 40%

Usamos Half-Kelly (20%) para ser conservadores.

Lecciones aprendidas (las que dolió aprender)

1. El backtesting perfecto no existe

Siempre hay diferencias entre backtesting y producción. El mercado real tiene slippage, rechazos de órdenes y gaps que el backtester no modela perfectamente. Espera un 20-30% de degradación en producción.

2. La IA no es una bola de cristal

Los modelos ML pueden encontrar patrones en datos históricos que no se repiten. El mercado cambia. Lo que funcionó en 2023 puede no funcionar en 2026. Re-entrena modelos regularmente.

3. La infraestructura importa más de lo que crees

Un trading platform necesita uptime. Si tu servidor se cae durante un evento de volatilidad (NFP, FOMC), puedes perder dinero real. Usa monitoring, alertas y failover.

4. Empieza simple, itera rápido

Nuestra primera versión solo tenía backtesting + un indicador. Nada de IA, nada de MT5. Validamos el concepto, después añadimos complejidad.

5. El mayor riesgo es el emocional

Incluso con un sistema automatizado, la tentación de "intervenir" es real. La disciplina es el edge.

Cómo construir tu propio trading platform

Si quieres construir algo similar, aquí va el roadmap:

Fase 1: Backtesting (2-3 semanas) — Datos históricos, backtester básico en Python, métricas de rendimiento
Fase 2: Señales (2-3 semanas) — Indicadores técnicos, modelo ML, sistema de ensemble
Fase 3: Frontend (2-3 semanas) — Next.js + Lightweight Charts, dashboard, alertas
Fase 4: Ejecución (3-4 semanas) — MT5 Expert Advisor, gestión de órdenes, reconexión
Fase 5: Producción (ongoing) — Monitoring 24/7, re-entrenamiento mensual, optimización

Total estimado: 10-16 semanas con un equipo de 2-3 personas.

¿Necesitas ayuda para construir el tuyo?

En ZOO hemos construido trading platforms completos con IA, backtesting engines y sistemas de ejecución automatizada. Si estás construyendo algo en este espacio y necesitas ingeniería especializada, hablemos.

No somos una agencia genérica. Somos ingenieros que entienden trading, IA y sistemas de producción.

Contacto: [email protected]