## Plan de Investigación: Criptomonedas – Bot de Predicción, Modelos ML Eficientes en CPU y Carteras Seguras con API Gratuita

### 1. Tipo de Análisis

Se propone un **análisis técnico‑comparativo mixto** que integra:

- **Análisis técnico/arquitectónico** – para evaluar estrategias de trading algorítmico y arquitecturas de bots.
- **Análisis comparativo** – para contrastar modelos de machine learning (ML) según su eficiencia en CPU y precisión predictiva, así como para comparar plataformas de cartera (wallets/exchanges) que ofrezcan APIs gratuitas.
- **Análisis de tendencias** – para entender la evolución reciente de las criptomonedas y los patrones que los modelos pueden capturar.

Este enfoque es el más adecuado porque la solicitud abarca tres componentes interdependientes (estrategias → modelos → infraestructura), y cada uno requiere una evaluación frente a alternativas concretas. No se trata de un análisis único, sino de un estudio integrado que permita seleccionar el conjunto óptimo de herramientas.

### 2. Objeto de Análisis

Se analizarán tres objetos centrales:

1. **Estrategias de predicción para un bot de criptomonedas** – métodos de análisis técnico, machine learning y procesamiento de datos de mercado (precios, volumen, order book, noticias/sentimiento).
2. **Modelos de ML eficientes en CPU** – aquellos que pueden ejecutarse en hardware sin GPU, con buen rendimiento en series temporales financieras (ej. XGBoost, LightGBM, redes LSTM ligeras, Prophet, modelos ARIMA/SARIMA con optimización).
3. **Plataformas de cartera (wallets/exchanges) que ofrezcan APIs gratuitas** – con énfasis en seguridad, límites de uso, disponibilidad de datos históricos y de tiempo real, y posibilidad de conexión programática (REST/WebSocket).

### 3. Dimensiones / Criterios de Evaluación

| Dimensión | Criterios para estrategias | Criterios para modelos ML (CPU) | Criterios para carteras con API |
|-----------|----------------------------|--------------------------------|----------------------------------|
| **Rendimiento** | Precisión, recall, Sharpe ratio, drawdown | Precisión (MAE, RMSE, Accuracy), tiempo de entrenamiento/inferencia en CPU | Latencia de API, uptime, velocidad de respuesta |
| **Eficiencia computacional** | No directa | Consumo de RAM, uso de CPU, tamaño del modelo | Límites de requests gratuitos por minuto/día |
| **Facilidad de implementación** | Documentación, complejidad de integración en Python | Librerías disponibles, soporte comunitario, ejemplos | Documentación, SDKs, ejemplos de código |
| **Adaptabilidad a cripto** | Capacidad de manejar alta volatilidad, mercados 24/7, microestructura | Capacidad de manejar datos no estacionarios, overfitting | Disponibilidad de datos históricos largos, múltiples pares |
| **Seguridad** | Control de riesgos (stop‑loss, trailing) | No aplica | Medidas de seguridad (2FA, cold storage, auditorías) |
| **Costo** | Costos de implementación (librerías, servidores) | Licencias (open source vs comerciales) | Gratuidad de la API, tarifas de trading/retiro |

### 4. Preguntas Analíticas

- **Estrategias:**  
  – ¿Qué combinación de indicadores técnicos (RSI, MACD, Bandas de Bollinger) y datos de sentimiento es más predictiva en horizontes cortos (minutos/horas)?  
  – ¿Cómo integrar técnicas de reinforcement learning para optimizar decisiones de entrada/salida?  
  – ¿Qué papel juegan los patrones de volumen y la liquidez en la precisión de las predicciones?

- **Modelos ML eficientes en CPU:**  
  – ¿Cuál es el mejor modelo de gradient boosting (XGBoost vs LightGBM vs CatBoost) para series temporales financieras con CPU?  
  – ¿Una red neuronal ligera (LSTM con pocas capas) supera a modelos clásicos (ARIMA, Prophet) en términos de precisión y velocidad?  
  – ¿Es viable usar Random Forest o árboles de decisión en tiempo real con ventanas deslizantes?

- **Carteras seguras con API gratuita:**  
  – ¿Qué exchange/wallet ofrece la API gratuita más completa para datos de mercado (Binance, Coinbase, Kraken, Bybit)?  
  – ¿Cuáles tienen mejores límites de requests sin costo y proporcionan datos históricos desde 2017?  
  – ¿Qué plataformas garantizan la seguridad de los fondos (custodia, seguros) mientras permiten trading algorítmico?

### 5. Datos y Evidencias Necesarias

| Tema | Datos a recopilar | Fuentes sugeridas |
|------|-------------------|-------------------|
| Estrategias | Papers y artículos sobre trading algorítmico en cripto, backtests públicos, estrategias en GitHub | arXiv, SSRN, blogs de QuantConnect, Medium (hacia el final) |
| Modelos ML (CPU) | Benchmarks de rendimiento (MAE, tiempo) en CPU, repositorios de código, documentación oficial | Papers with Code, Kaggle, documentación de XGBoost/LightGBM, GitHub |
| Carteras con API | Límites de API gratuita, documentación oficial, comparativas de tarifas y seguridad | Sitios oficiales (Binance, Coinbase Pro, Kraken, KuCoin), comparativas en CoinMarketCap, foros de seguridad |

Además, se requerirá:

- Conjunto de datos históricos de criptomonedas (por ejemplo, 1 minuto, 5 minutos) de fuentes gratuitas como Binance o Kraken.
- Información técnica sobre el hardware CPU de referencia (ej. Intel i7, Ryzen 5) para estandarizar comparaciones.

### 6. Marco de Referencia

- **Teorías financieras:** Hipótesis de mercado ineficiente (para criptomonedas), finanzas conductuales (efecto manada, FOMO/FUD).
- **Modelos de series temporales:** ARIMA, GARCH, Prophet, N‑Beats.
- **Machine learning:** Gradient boosting (XGBoost/LightGBM), Random Forest, LSTM/GRU, Transformers pequeños (Informer).
- **Frameworks de backtesting:** Backtrader, Zipline, VectorBT (para Python).
- **Modelo de seguridad en cripto:** Estándar de seguridad de wallets (hardware vs hot wallets), mejores prácticas de exchanges (reservas probadas, insurance funds).

### 7. Limitaciones del Análisis

- **Sesgo de selección:** Las estrategias y modelos se evaluarán principalmente en criptomonedas principales (BTC, ETH), no en altcoins de baja liquidez.
- **Generalización limitada:** Los resultados pueden no transferirse a mercados bajistas o laterales largos; el backtesting no garantiza resultados futuros.
- **Dependencia de CPU específica:** Las comparaciones de velocidad de modelos se basan en un CPU común (ej. Intel Core i7‑12700H) que puede no representar todos los entornos.
- **API gratuitas pueden cambiar:** Límites y condiciones pueden modificarse sin previo aviso; se considerará el estado a principios de 2025.
- **Seguridad de carteras:** No se realizará una auditoría independiente, solo se recogerán informes públicos.

### 8. Entregable Esperado

Documento final con la siguiente estructura:

1. **Resumen ejecutivo** (objetivo, hallazgos clave, recomendaciones).
2. **Análisis de estrategias para el bot** – comparación de enfoques técnicos y de ML, con tabla resumen de indicadores y rendimiento.
3. **Análisis de modelos ML eficientes en CPU** – benchmarks de precisión y velocidad, recomendación de modelo principal y alternativas.
4. **Análisis de carteras seguras con API gratuita** – tabla comparativa de exchanges/wallets (límites, seguridad, facilidad de uso) y recomendación.
5. **Integración final** – propuesta de stack tecnológico completo: estrategia + modelo + plataforma de datos/ejecución.
6. **Conclusiones y próximos pasos** – hoja de ruta para implementación y validación adicional.
7. **Anexos** – enlaces a documentación, datasets utilizados, notas sobre hardware de prueba.

El documento será de aproximadamente 10-15 páginas, en español, con tablas, figuras de ejemplo y referencias a fuentes.