## Tipo de análisis

Análisis comparativo y exploratorio multicriterio que integra:
- **Comparativa de modelos predictivos** (ML/DL ligeros vs. pesados) para series temporales de criptoactivos (intervalo de 15 minutos), evaluando precisión, costo computacional y facilidad de implementación.
- **Análisis de integración** de componentes de sentimiento (noticias, foros) como características adicionales en los modelos.
- **Investigación arquitectónica** de sistemas de agentes (IA generativa) con subagentes especializados buscando minimizar consumo de tokens, incluyendo revisión de casos de éxito y patrones existentes.
- **Exploración de estrategias de trading** compatibles con señales híbridas (ML + sentimiento + IA generativa) adecuadas para un perfil técnico (ingeniero con maestría en analítica).

Este enfoque es el más adecuado porque la solicitud no se limita a un único modelo, sino que requiere seleccionar, entre un gran espacio de soluciones open-source, aquellas que optimicen la ecuación rendimiento-precisión-recursos, y articularlas en una arquitectura de agentes eficiente para la toma de decisiones automatizada.

## Objeto de análisis

Sistemas y pipelines de predicción de precios de criptomonedas a corto plazo (velas de 15 minutos) que combinen:
1. **Modelos predictivos económicos** (CPU-only) con ML clásico (Regresión, XGBoost, LightGBM) y DL ligero (TFT pequeño, N-BEATS, redes convolucionales 1D optimizadas).
2. **Modelos de alta precisión** abiertos y pesados (Transformers temporales, Informer, Autoformer, TimesNet, LSTMs profundos) que requieran GPU pero ofrezcan mejor exactitud.
3. **Módulos de análisis de sentimiento** que alimenten los modelos con señales de noticias/foros (FinBERT, RoBERTa fine-tuned, VADER, Lexicon financiero).
4. **Sistemas de agentes basados en LLM** (DeepSeek) con arquitectura de subagentes (director, analista, ejecutor) orientados a la ejecución de operaciones, con mínima carga de tokens.
5. **Estrategias de trading** compatibles (scalping, reversión a la media, momentum con filtro de sentimiento) y que puedan ser implementadas con el stack elegido (Python, SurrealDB, Binance API).

## Dimensiones / criterios de evaluación

| Dimensión                | Subcriterios a evaluar                                                                 |
|--------------------------|----------------------------------------------------------------------------------------|
| **Precisión predictiva** | MAE, RMSE, MAPE, Sharpe Ratio en backtesting con datos de Binance (out-of-sample).     |
| **Eficiencia computacional** | Tiempo de inferencia (ms), memoria RAM, posibilidad de ejecución en CPU sin GPU.    |
| **Apertura y mantenibilidad** | Licencia open-source, documentación, comunidad activa, código en Python.            |
| **Integración con sentimiento** | Facilidad para añadir scores de noticias como features; existencia de modelos preentrenados. |
| **Consumo de tokens (agentes)** | Tokens por interacción, viabilidad de usar modelos ligeros (DeepSeek Chat 7B).       |
| **Arquitectura de agentes** | Existencia de frameworks (CrewAI, AutoGen, LangGraph) que permitan subagentes especializados sin excesiva sobrecarga. |
| **Caso de éxito documentado** | Ejemplos funcionales (GitHub, artículos) que combinen predicciones + agentes para trading cripto. |
| **Adaptabilidad a estrategias** | Sinergia entre señales del modelo y reglas de gestión monetaria/riesgo. |

## Preguntas analíticas

1. **Modelos ligeros vs. pesados:** ¿Cuáles modelos de ML/DL open-source, capaces de correr en CPU, ofrecen una relación precisión/consumo competitiva para predecir el precio de criptoactivos en intervalos de 15 minutos? ¿Cuáles modelos pesados (GPU) superan claramente a los ligeros en métricas out-of-sample y justifican el costo adicional?
2. **Integración de sentimiento:** ¿Cómo puede mejorarse la precisión de cualquier modelo anterior incorporando un pipeline de sentimiento de noticias y foros? ¿Existen arquitecturas multimodales o métodos de stacking que hayan demostrado éxito en este contexto?
3. **Arquitectura de agentes:** ¿Existen diagramas, frameworks o implementaciones de referencia que utilicen un agente director con subagentes especializados (analista de mercado, ejecutor de órdenes, gestor de riesgo) con un consumo moderado de tokens? ¿Qué patrones de diseño (supervisor, hierarchical, swarm) se adaptan mejor a DeepSeek y a la necesidad de limitar tokens?
4. **Casos de éxito y estrategias:** ¿Qué traders o equipos técnicos han logrado combinar modelos predictivos, sentimiento y agentes LLM con estrategias de trading automatizado en cripto? ¿Qué parámetros de gestión de riesgo y frecuencia de operación son coherentes con un horizonte de 15 minutos?
5. **Factibilidad técnica para el perfil solicitante:** ¿Cuál es la carga real de implementación de los modelos y agentes recomendados considerando Python, SurrealDB y Binance? ¿Qué piezas ya existen reutilizables (librerías, plantillas) para acelerar el desarrollo?

## Datos y evidencias necesarias

- **Fuentes académicas y técnicas:**  
  - Papers de modelos para time series forecasting (Informer, Autoformer, N-BEATS, TFT) con benchmarks en cripto.  
  - Artículos sobre sentiment analysis cripto (FinBERT, CryptoBERT, dataset de noticias de CCData).  
  - Repositorios de GitHub con implementaciones de agentes de trading (p.ej., `crewAI-crypto-trader`, `AutoGen trading example`).  
  - Comparativas de eficiencia de modelos (ONNX, TensorRT, OpenVINO) en CPU.
- **Datos cuantitativos:**  
  - Métricas de rendimiento de modelos en datasets reales (Binance ETH/USDT o BTC/USDT a 15min).  
  - Consumo de tokens reportado para distintos frameworks de agentes (LangChain vs. AutoGen vs. custom).  
- **Casos prácticos:**  
  - Blogs o videos de desarrolladores que documenten sus sistemas de trading con LLM.  
  - Diagramas de arquitectura de agentes (CrewAI multi-agent, Microsoft AutoGen scenarios).  
- **Herramientas y librerías:**  
  - Modelos en HuggingFace / PyTorch / TensorFlow con métricas publicadas.  
  - Documentación de SurrealDB para almacenamiento de datos de mercado.

## Marco de referencia

- **Forecasting stats:** ARIMA, GARCH como baseline simple; métricas de error (RMSE, MAE, sMAPE).  
- **Machine Learning:** XGBoost, LightGBM, CatBoost; importancia de features, validación temporal (time series cross-validation).  
- **Deep Learning:** Redes neuronales recurrentes (LSTM, GRU), CNN para series, Transformers temporales (Informer, Autoformer, PatchTST).  
- **NLP financiero:** Modelos FinBERT, FinGPT, VADER, lexicones específicos (LM Dictionary) para extracción de señales de sentimiento.  
- **Agentic Frameworks:** CrewAI (basado en roles), AutoGen (conversacional y multiagente), LangGraph (grafos de estado). Evaluar consumo de tokens según el modelo LLM anfitrión (DeepSeek, Llama3, Mistral 7B).  
- **Estrategias de trading:** scalping con filtro de sentimiento, reversión a la media con bandas de Bollinger confirmadas por ML, estrategia de momentum con salida mediante umbral de probabilidad. Gestión de riesgo: tamaño de posición fijo, stop-loss dinámico basado en ATR, take-profit escalonado.

## Limitaciones del análisis

- **Sesgo de selección de modelos:** Sólo se explorarán modelos open-source documentados en inglés/español; pueden existir alternativas cerradas o en desarrollo que no se incluyan.
- **Generalización de métricas:** La precisión out-of-sample reportada en papers/repos puede no replicarse en el entorno específico del solicitante (distintas comisiones, latencia de ejecución, slippage no modelado).
- **Consumo de tokens:** Las estimaciones de tokens se basarán en benchmarks públicos; el consumo real dependerá del prompt y de la versión concreta del LLM autohospedado.
- **Integración de sentimiento:** La disponibilidad de APIs gratuitas de noticias y la latencia para incorporar el sentimiento en tiempo real pueden limitar la aplicabilidad práctica sin un desarrollo adicional.
- **Tiempo de evolución del mercado:** Las dinámicas del mercado cripto cambian rápidamente; los modelos recomendados requerirán reentrenamiento frecuente y el análisis se basa en el estado actual de la tecnología (mayo 2025).

## Entregable esperado

Informe de análisis estructurado en las siguientes secciones:

1. **Selección comparativa de modelos predictivos**  
   - Matriz de modelos ligeros (CPU) y pesados, con métricas, consumo y enlaces a implementaciones.
   - Recomendación de un modelo base por cada segmento, justificando la elección según los criterios definidos.

2. **Integración del análisis de sentimiento**  
   - Pipeline propuesto para capturar noticias/foros y convertirlas en features.
   - Evidencia de mejora en precisión sobre el modelo base; modelos de sentimiento open-source sugeridos.

3. **Arquitectura de agentes LLM eficiente**  
   - Descripción de al menos dos patrones de agentes (p.ej., CrewAI con roles, AutoGen con flujo conversacional) que minimicen tokens en DeepSeek.
   - Diagrama conceptual (textual) de interacción entre subagentes: director, analista de mercado, ejecutor, gestor de riesgo.
   - Referencia a casos de éxito documentados que utilicen esquemas similares.

4. **Estrategias de trading y plan de implementación**  
   - Estrategia(s) recomendada(s) alineada(s) con los modelos y agentes, con reglas de entrada/salida y gestión de dinero.
   - Bosquejo de arquitectura técnica con Python, SurrealDB, Binance y conexión entre modelos y agentes.

5. **Conclusiones y próximo paso**  
   - Síntesis de hallazgos, riesgos identificados y hoja de ruta sugerida para el desarrollo iterativo del sistema (MVP, pruebas en simulación, despliegue con capital mínimo).