docs: update backtesting research, optimizer, ADX and visual analysis

README.md

@@ -53,20 +53,66 @@ Bot de trading algorítmico desarrollado desde cero con Python, PostgreSQL y Mac
 - ✅ Simulación de comisiones y slippage
 - ✅ Gestión de capital y position sizing
 
-**Datos descargados actualmente:**
+### 🔬 Research y Optimización (ACTUAL)
+
+**Estado actual: research cuantitativo serio (in-sample).**
+
+#### 📊 Datos históricos actuales
 - 5 criptomonedas (BTC, ETH, BNB, SOL, XRP)
 - 3 timeframes (1h, 4h, 1d)
-- 120 días de histórico
+- ≈ 3 años de histórico
-- ~54,000 registros totales
+- ~26.000 velas por símbolo en 1h
+- Datos limpios, validados y persistidos
+
+#### 📈 Indicadores calculados y almacenados
+- returns
+- log_returns
+- **ADX (Average Directional Index)**  
+  → calculado una sola vez en el pipeline de datos y guardado en PostgreSQL
+
+#### 🔧 Optimización de parámetros
+- Grid search exhaustivo sobre:
+  - fast_period
+  - slow_period
+  - tipo de media (SMA / EMA)
+  - uso de ADX
+  - umbral de ADX
+- Métrica principal de selección: **Sharpe Ratio**
+- Optimización **in-sample** (aún sin walk-forward)
+
+**Mejor configuración encontrada (BTC/USDT 1h):**
+
+- Fast MA: 15
+- Slow MA: 50
+- MA Type: SMA
+- ADX activo
+- ADX threshold: 30
+- Sharpe ≈ 0.24
+- Return ≈ +188%
+- Max Drawdown ≈ -24%
+- Total trades: 17
+
+#### 📊 Visualización de resultados
+- Equity curve
+- Drawdown
+- Distribución de retornos por trade
+- Trades sobre el precio
+- Dashboard consolidado
+
+Conclusión preliminar:
+> Menos trades + filtro de tendencia = mayor robustez.
 
 ### 🔄 En Progreso
 
-- ⏳ Optimización de parámetros (en desarrollo)
+- ⏳ Walk-forward validation (en desarrollo)
-- ⏳ Visualizaciones de resultados (en desarrollo)
+- ⏳ Position sizing dinámico (en desarrollo)
+- ⏳ Stops dinámicos (en desarrollo)
+- ⏳ Portfolio multi-activo (en desarrollo)
 - ⏳ Machine Learning (Semanas 5-8 planificadas)
 
 ### 📅 Planificado
 
+- 📋 Machine Learning (Semanas 5-8 planificadas)
 - 📋 Live trading con paper trading
 - 📋 Gestión de riesgo avanzada
 - 📋 Optimización de estrategias
@@ -379,40 +425,44 @@ print_backtest_report(results)
 
 ```
 trading-bot/
-├── config/                    # Configuración
+├── config/                   # Configuración
 │   ├── settings.yaml         # Configuración general
 │   └── secrets.env           # Credenciales (NO subir a git)
 │
 ├── src/                      # Código fuente
-│   ├── backtest/            # Motor de backtesting
+│   ├── backtest/             # Motor de backtesting
 │   │   ├── __init__.py
-│   │   ├── engine.py       # BacktestEngine
+│   │   ├── engine.py         # BacktestEngine
-│   │   ├── strategy.py     # Clase base Strategy
+│   │   ├── metrics.py        # Métricas de performance
-│   │   ├── trade.py        # Trade, Position
+│   │   ├── optimizer.py      # Optimizador de parámetros
-│   │   └── metrics.py      # Métricas de performance
+│   │   ├── strategy.py       # Clase base Strategy
+│   │   ├── trade.py          # Trade, Position
+│   │   └── visualizer.py     # Visualizador de estrategias
 │   │
-│   ├── strategies/          # Estrategias de trading
+│   ├── strategies/           # Estrategias de trading
 │   │   ├── __init__.py
-│   │   ├── moving_average.py  # MA Crossover
+│   │   ├── moving_average.py # MA Crossover
-│   │   ├── rsi_strategy.py    # RSI Strategy
+│   │   ├── rsi_strategy.py   # RSI Strategy
-│   │   ├── buy_and_hold.py    # Buy & Hold
+│   │   ├── buy_and_hold.py   # Buy & Hold
-│   │   ├── base.py            # (futuro)
+│   │   ├── base.py           # (futuro)
-│   │   ├── ml_model.py        # (futuro)
+│   │   ├── ml_model.py       # (futuro)
-│   │   └── signals.py         # (futuro)
+│   │   └── signals.py        # (futuro)
 │   │
 │   ├── data/                # Módulo de datos
 │   │   ├── __init__.py
-│   │   ├── fetcher.py      # Descarga desde exchanges
+│   │   ├── fetcher.py       # Descarga desde exchanges
-│   │   ├── processor.py    # Limpieza y procesamiento
+│   │   ├── processor.py     # Limpieza y procesamiento
-│   │   └── storage.py      # PostgreSQL + Redis
+│   │   └── storage.py       # PostgreSQL + Redis
 │   │
 │   └── utils/               # Utilidades
 │       ├── __init__.py
-│       ├── logger.py       # Sistema de logging
+│       ├── logger.py        # Sistema de logging
-│       └── alerts.py       # (futuro)
+│       └── alerts.py        # (futuro)
 │
 ├── tests/                   # Tests unitarios
-│   └── test_data.py
+│   ├── test_data.py
+│   ├── test_optimizer.py
+│   └── test_visualizer.py
 │
 ├── data/                    # Datos locales
 │   ├── historical/         # Backups (futuro)
@@ -427,6 +477,7 @@ trading-bot/
 ├── backtest.py              # Backtesting runner
 ├── requirements.txt         # Dependencias
 ├── .gitignore
+├── BACKTESTING.md
 └── README.md
 ```
 
@@ -486,6 +537,7 @@ CREATE TABLE ohlcv (
     volume FLOAT NOT NULL,
     returns FLOAT,           -- Retornos simples
     log_returns FLOAT,       -- Retornos logarítmicos
+    adx FLOAT,
     CONSTRAINT unique_ohlcv UNIQUE (symbol, timeframe, timestamp)
 );
 
@@ -629,7 +681,7 @@ pytest tests/test_data.py::TestDataProcessor::test_clean_data_removes_duplicates
 ### 🔄 Fase 3: Optimización y Visualización (EN PROGRESO)
 - Optimización de parámetros (grid search)
 - Visualizaciones de resultados
-- Gráficos de equity curve
+- Filtros de mercado (ADX)
 - Walk-forward analysis
 
 ### 📅 Fase 4: Estrategias Avanzadas (Semanas 5-8)
@@ -757,9 +809,11 @@ Para dudas sobre el código o siguientes fases de desarrollo, consulta conmigo.
 
 ---
 
-**Versión actual:** 0.3.0 (Semanas 1-4 completadas)  
+**Versión actual:** 0.4.0 (Semanas 1-4 completadas)  
 **Última actualización:** Enero 2026  
 **Python:** 3.12.3  
 **PostgreSQL:** 16+  
-**Datos:** 5 símbolos, 3 timeframes, 120 días (~54k registros)  
+**Datos:** 5 símbolos, 3 timeframes, ~3 años  
 **Estrategias:** 3 implementadas (MA Cross, RSI, Buy&Hold)
+**Research:** Optimización + ADX + Visualización
+**Estado:** Research cuantitativo (NO trading real)

download_data.py

@@ -4,7 +4,7 @@ Script para descargar datos históricos de múltiples símbolos y timeframes
 """
 import os
 from dotenv import load_dotenv
-from datetime import datetime
+from datetime import datetime, timedelta
 from pathlib import Path
 from src.utils.logger import log
 from src.data.fetcher import DataFetcher
@@ -47,13 +47,16 @@ def download_multiple_symbols():
     ]
     
     # Días históricos
-    days_back = 120  # 4 meses
+    # days_back = 120  # 4 meses
+    END_DATE = datetime.utcnow()
+    START_DATE = END_DATE - timedelta(days=365 * 3)
     
     log.info(f"\n📊 Configuración:")
     log.info(f"   Exchange: {exchange_name}")
     log.info(f"   Símbolos: {len(symbols)} → {symbols}")
     log.info(f"   Timeframes: {timeframes}")
-    log.info(f"   Días históricos: {days_back}")
+    # log.info(f"   Días históricos: {days_back}")
+    log.info(f"   Días históricos: from {START_DATE} until {END_DATE}")
     log.info(f"   Total descargas: {len(symbols) * len(timeframes)}")
     
     # Confirmar
@@ -116,7 +119,9 @@ def download_multiple_symbols():
                 df = fetcher.fetch_historical(
                     symbol=symbol,
                     timeframe=timeframe,
-                    days=days_back
+                    # days=days_back
+                    since=START_DATE,
+                    until=END_DATE
                 )
                 
                 if df.empty:
@@ -128,6 +133,7 @@ def download_multiple_symbols():
                 log.info(f"🧹 Procesando datos...")
                 df_clean = processor.clean_data(df)
                 df_clean = processor.calculate_returns(df_clean)
+                df_clean = processor.calculate_indicators(df_clean)
                 
                 # Guardar
                 log.info(f"💾 Guardando en base de datos...")

requirements.txt

@@ -16,12 +16,15 @@ greenlet==3.3.0
 idna==3.11
 iniconfig==2.3.0
 kiwisolver==1.4.9
+llvmlite==0.44.0
 loguru==0.7.2
 matplotlib==3.10.8
 multidict==6.7.0
-numpy==1.26.4
+numba==0.61.2
+numpy==2.2.6
 packaging==26.0
-pandas==2.1.4
+pandas==3.0.0
+pandas-ta==0.4.71b0
 pillow==12.1.0
 pluggy==1.6.0
 propcache==0.4.1
@@ -39,7 +42,8 @@ requests==2.32.5
 seaborn==0.13.2
 setuptools==80.10.1
 six==1.17.0
-SQLAlchemy==2.0.23
+SQLAlchemy==2.0.46
+tqdm==4.67.1
 typing_extensions==4.15.0
 tzdata==2025.3
 urllib3==2.6.3

src/data/fetcher.py

@@ -1,5 +1,4 @@
 # src/data/fetcher.py
-# src/data/fetcher.py
 """
 Módulo para obtener datos de exchanges usando CCXT
 """
@@ -110,7 +109,9 @@ class DataFetcher:
         self,
         symbol: str,
         timeframe: str = '1h',
-        days: int = 30,
+        since: Optional[datetime] = None,
+        until: Optional[datetime] = None,
+        days: Optional[int] = None,
         max_retries: int = 3
     ) -> pd.DataFrame:
         """
@@ -126,7 +127,13 @@ class DataFetcher:
             DataFrame con todos los datos históricos
         """
         all_data = []
-        since = datetime.now() - timedelta(days=days)
+        if since is None:
+            if days is None:
+                raise ValueError("Debes proporcionar 'since' o 'days'")
+            since = datetime.utcnow() - timedelta(days=days)
+
+        if until is None:
+            until = datetime.utcnow()
         
         log.info(f"Iniciando descarga histórica: {symbol} desde {since.date()}")
         
@@ -151,7 +158,8 @@ class DataFetcher:
                     
                     # Actualizar 'since' al último timestamp + 1
                     last_timestamp = df.index[-1]
-                    since = last_timestamp + pd.Timedelta(seconds=1)
+                    timeframe_seconds = self.exchange.parse_timeframe(timeframe)
+                    since = last_timestamp + pd.Timedelta(seconds=timeframe_seconds)
                     
                     # Verificar si ya llegamos al presente
                     if since >= datetime.now():

src/data/processor.py

@@ -3,6 +3,7 @@
 Módulo para limpiar, validar y procesar datos de mercado
 """
 import pandas as pd
+import pandas_ta as ta
 import numpy as np
 from typing import Optional
 from ..utils.logger import log
@@ -267,3 +268,22 @@ class DataProcessor:
         
         log.debug(f"Datos normalizados usando {method}")
         return df_norm
+    
+    @staticmethod
+    def calculate_indicators(df: pd.DataFrame) -> pd.DataFrame:
+        """
+        Calcula indicadores técnicos (ADX, etc.)
+        """
+        adx = ta.adx(
+            high=df['high'],
+            low=df['low'],
+            close=df['close'],
+            length=14
+        )
+
+        df = df.copy()
+        df['adx'] = adx['ADX_14']
+
+        log.debug("Indicadores técnicos calculados (ADX)")
+
+        return df

src/data/storage.py

@@ -3,46 +3,42 @@
 Módulo para almacenamiento persistente de datos en PostgreSQL y caché en Redis
 """
 import pandas as pd
-from sqlalchemy import create_engine, Column, String, Float, DateTime, Integer, Index, text
+from sqlalchemy import (
+    create_engine, Column, String, Float,
+    DateTime, Integer, Index, text
+)
 from sqlalchemy.ext.declarative import declarative_base
 from sqlalchemy.orm import sessionmaker
 from datetime import datetime
-from typing import Optional, List
+from typing import Optional
 import redis
-import json
 from ..utils.logger import log
 
 Base = declarative_base()
 
+
 class OHLCV(Base):
-    """
-    Modelo de tabla para datos OHLCV
-    """
     __tablename__ = 'ohlcv'
 
-    id = Column(Integer, primary_key=True, autoincrement=True)
+    id = Column(Integer, primary_key=True)
     timestamp = Column(DateTime, nullable=False)
     symbol = Column(String(20), nullable=False)
     timeframe = Column(String(10), nullable=False)
+
     open = Column(Float, nullable=False)
     high = Column(Float, nullable=False)
     low = Column(Float, nullable=False)
     close = Column(Float, nullable=False)
     volume = Column(Float, nullable=False)
-    returns = Column(Float, nullable=True)  # Retornos simples
-    log_returns = Column(Float, nullable=True)  # Retornos logarítmicos
 
-    # Índices compuestos para queries rápidas
+    returns = Column(Float)
+    log_returns = Column(Float)
+    adx = Column(Float)
+
     __table_args__ = (
-        Index('idx_symbol_timeframe_timestamp', 'symbol', 'timeframe', 'timestamp'),
+        Index('idx_symbol_tf_ts', 'symbol', 'timeframe', 'timestamp', unique=True),
-        Index('idx_timestamp', 'timestamp'),
-        # CONSTRAINT único: no permitir duplicados
-        # Una combinación de symbol + timeframe + timestamp debe ser única
-        {'sqlite_autoincrement': True}
     )
 
-    # Añadir constraint único manualmente en __init__ de StorageManager
-
 class StorageManager:
     """
     Gestor de almacenamiento con PostgreSQL y Redis
@@ -59,47 +55,21 @@ class StorageManager:
         redis_port: int = 6379,
         redis_db: int = 0
     ):
-        """
+        # 🔑 Connection string (CLAVE para pandas)
-        Inicializa conexiones a PostgreSQL y Redis
+        self.db_url = f"postgresql://{db_user}:{db_password}@{db_host}:{db_port}/{db_name}"
-        """
-        # PostgreSQL connection
-        db_url = f"postgresql://{db_user}:{db_password}@{db_host}:{db_port}/{db_name}"
 
-        try:
+        # Engine SQLAlchemy (lecturas / queries)
-            self.engine = create_engine(
+        self.engine = create_engine(self.db_url, echo=False)
-                db_url,
-                pool_size=10,
-                max_overflow=20,
-                echo=False
-            )
 
-            # Crear tablas si no existen
+        # Crear tablas si no existen
-            Base.metadata.create_all(self.engine)
+        Base.metadata.create_all(self.engine)
 
-            # Añadir constraint único si no existe (para evitar duplicados)
+        Session = sessionmaker(bind=self.engine)
-            try:
+        self.session = Session()
-                with self.engine.connect() as conn:
-                    conn.execute(text("""
-                        ALTER TABLE ohlcv 
-                        ADD CONSTRAINT unique_ohlcv 
-                        UNIQUE (symbol, timeframe, timestamp)
-                    """))
-                    conn.commit()
-                    log.info("Constraint único añadido a la tabla ohlcv")
-            except Exception as e:
-                # El constraint ya existe o hubo error (no crítico)
-                log.debug(f"Constraint único ya existe o no se pudo añadir: {e}")
 
-            # Crear sesión
+        log.success("Conectado a PostgreSQL")
-            Session = sessionmaker(bind=self.engine)
-            self.session = Session()
 
-            log.success("Conectado a PostgreSQL")
+        # Redis (opcional)
-        except Exception as e:
-            log.error(f"Error conectando a PostgreSQL: {e}")
-            raise
-        
-        # Redis connection (para caché)
         try:
             self.redis_client = redis.Redis(
                 host=redis_host,
@@ -109,90 +79,48 @@ class StorageManager:
             )
             self.redis_client.ping()
             log.success("Conectado a Redis")
-        except Exception as e:
+        except Exception:
-            log.warning(f"No se pudo conectar a Redis: {e}. Continuando sin caché.")
             self.redis_client = None
+            log.warning("Redis no disponible")
 
-    def save_ohlcv(self, df: pd.DataFrame, batch_size: int = 1000) -> int:
+    # ------------------------------------------------------------------
+
+    def save_ohlcv(self, df: pd.DataFrame) -> int:
         """
-        Guarda datos OHLCV en la base de datos
+        Guarda datos OHLCV usando pandas.to_sql (modo estable)
-        
-        Args:
-            df: DataFrame con datos OHLCV
-            batch_size: Tamaño de lote para inserción
-            
-        Returns:
-            Número de registros guardados
         """
         if df.empty:
             log.warning("DataFrame vacío, nada que guardar")
             return 0
 
-        log.info(f"Guardando {len(df)} registros en base de datos")
+        df_to_save = df.reset_index()
 
-        try:
+        if df_to_save.columns[0] != 'timestamp':
-            # Preparar datos para inserción
+            df_to_save.rename(columns={df_to_save.columns[0]: 'timestamp'}, inplace=True)
-            df_to_save = df.reset_index()
 
-            # Renombrar columna de índice a timestamp si es necesario
+        allowed_columns = [
-            if df_to_save.columns[0] != 'timestamp':
+            'timestamp', 'symbol', 'timeframe',
-                df_to_save.rename(columns={df_to_save.columns[0]: 'timestamp'}, inplace=True)
+            'open', 'high', 'low', 'close', 'volume',
+            'returns', 'log_returns', 'adx'
+        ]
 
-            # Mantener todas las columnas relevantes
+        df_to_save = df_to_save[[c for c in allowed_columns if c in df_to_save.columns]]
-            allowed_columns = ['timestamp', 'open', 'high', 'low', 'close', 'volume', 'symbol', 'timeframe', 'returns', 'log_returns']
-            df_to_save = df_to_save[[col for col in allowed_columns if col in df_to_save.columns]]
 
-            # Insertar en lotes para mejor performance
+        log.info(f"Guardando {len(df_to_save)} registros en base de datos")
-            records_saved = 0
-            records_skipped = 0
 
-            for i in range(0, len(df_to_save), batch_size):
+        # 🔥 CLAVE: pasar la URL como string
-                batch = df_to_save.iloc[i:i+batch_size]
+        df_to_save.to_sql(
+            'ohlcv',
+            self.db_url,
+            if_exists='append',
+            index=False,
+            method='multi'
+        )
 
-                try:
+        log.success(f"Guardados {len(df_to_save)} registros")
-                    # Usar to_sql con if_exists='append' y method='multi'
+        return len(df_to_save)
-                    batch.to_sql(
-                        'ohlcv',
-                        self.engine,
-                        if_exists='append',
-                        index=False,
-                        method='multi'
-                    )
-                    records_saved += len(batch)
-                    log.debug(f"Guardados {records_saved}/{len(df_to_save)} registros")
 
-                except Exception as e:
+    # ------------------------------------------------------------------
-                    # Si hay error de duplicados, intentar uno por uno
-                    if 'unique' in str(e).lower() or 'duplicate' in str(e).lower():
-                        log.warning(f"Duplicados detectados en batch, insertando uno por uno...")
-                        
-                        for _, row in batch.iterrows():
-                            try:
-                                row.to_frame().T.to_sql(
-                                    'ohlcv',
-                                    self.engine,
-                                    if_exists='append',
-                                    index=False
-                                )
-                                records_saved += 1
-                            except Exception:
-                                # Este registro ya existe, saltarlo
-                                records_skipped += 1
-                                continue
-                    else:
-                        # Otro tipo de error, re-lanzar
-                        raise e
-            
-            if records_skipped > 0:
-                log.info(f"Saltados {records_skipped} registros duplicados")
-            
-            log.success(f"Guardados {records_saved} registros exitosamente")
-            return records_saved
-            
-        except Exception as e:
-            log.error(f"Error guardando datos: {e}")
-            self.session.rollback()
-            raise
 
     def load_ohlcv(
         self,
@@ -202,189 +130,78 @@ class StorageManager:
         end_date: Optional[datetime] = None,
         use_cache: bool = True
     ) -> pd.DataFrame:
-        """
-        Carga datos OHLCV de la base de datos
 
-        Args:
+        query = """
-            symbol: Símbolo del par
+            SELECT *
-            timeframe: Timeframe
-            start_date: Fecha inicio (opcional)
-            end_date: Fecha fin (opcional)
-            use_cache: Si usar caché de Redis
-            
-        Returns:
-            DataFrame con datos OHLCV
-        """
-        # Generar cache key
-        cache_key = f"ohlcv:{symbol}:{timeframe}:{start_date}:{end_date}"
-        
-        # Intentar obtener de caché
-        if use_cache and self.redis_client:
-            try:
-                cached_data = self.redis_client.get(cache_key)
-                if cached_data:
-                    log.debug(f"Datos obtenidos de caché: {cache_key}")
-                    df = pd.read_json(cached_data)
-                    df.set_index('timestamp', inplace=True)
-                    return df
-            except Exception as e:
-                log.warning(f"Error leyendo caché: {e}")
-        
-        # Construir query
-        query = f"""
-            SELECT timestamp, open, high, low, close, volume, symbol, timeframe
             FROM ohlcv
-            WHERE symbol = '{symbol}' AND timeframe = '{timeframe}'
+            WHERE symbol = :symbol AND timeframe = :timeframe
         """
 
+        params = {'symbol': symbol, 'timeframe': timeframe}
+
         if start_date:
-            query += f" AND timestamp >= '{start_date}'"
+            query += " AND timestamp >= :start_date"
+            params['start_date'] = start_date
+
         if end_date:
-            query += f" AND timestamp <= '{end_date}'"
+            query += " AND timestamp <= :end_date"
+            params['end_date'] = end_date
 
         query += " ORDER BY timestamp ASC"
 
-        try:
+        with self.engine.connect() as conn:
-            df = pd.read_sql(query, self.engine)
+            df = pd.read_sql(text(query), conn, params=params)
-            
-            if df.empty:
-                log.warning(f"No se encontraron datos para {symbol} {timeframe}")
-                return pd.DataFrame()
-            
-            df['timestamp'] = pd.to_datetime(df['timestamp'])
-            df.set_index('timestamp', inplace=True)
-            
-            log.info(f"Cargados {len(df)} registros de {symbol} {timeframe}")
-            
-            # Guardar en caché
-            if self.redis_client:
-                try:
-                    df_json = df.reset_index().to_json()
-                    self.redis_client.setex(cache_key, 3600, df_json)  # TTL 1 hora
-                    log.debug(f"Datos guardados en caché: {cache_key}")
-                except Exception as e:
-                    log.warning(f"Error guardando en caché: {e}")
 
+        if df.empty:
+            log.warning(f"No se encontraron datos para {symbol} {timeframe}")
             return df
 
-        except Exception as e:
+        df['timestamp'] = pd.to_datetime(df['timestamp'])
-            log.error(f"Error cargando datos: {e}")
+        df.set_index('timestamp', inplace=True)
-            raise
+
+        log.info(f"Cargados {len(df)} registros de {symbol} {timeframe}")
+        return df
+
+    # ------------------------------------------------------------------
 
     def get_latest_timestamp(self, symbol: str, timeframe: str) -> Optional[datetime]:
-        """
+        query = """
-        Obtiene el último timestamp disponible para un símbolo/timeframe
+            SELECT MAX(timestamp) AS last_timestamp
-        
-        Args:
-            symbol: Símbolo del par
-            timeframe: Timeframe
-            
-        Returns:
-            Último timestamp o None si no hay datos
-        """
-        query = f"""
-            SELECT MAX(timestamp) as last_timestamp
             FROM ohlcv
-            WHERE symbol = '{symbol}' AND timeframe = '{timeframe}'
+            WHERE symbol = :symbol AND timeframe = :timeframe
         """
 
-        try:
+        with self.engine.connect() as conn:
-            result = pd.read_sql(query, self.engine)
+            result = conn.execute(
-            last_timestamp = result['last_timestamp'].iloc[0]
+                text(query),
+                {'symbol': symbol, 'timeframe': timeframe}
+            ).fetchone()
 
-            if pd.isna(last_timestamp):
+        return result[0] if result and result[0] else None
-                log.debug(f"No hay datos previos para {symbol} {timeframe}")
-                return None
 
-            return last_timestamp
+    # ------------------------------------------------------------------
-            
-        except Exception as e:
-            log.error(f"Error obteniendo último timestamp: {e}")
-            return None
-    
-    def delete_ohlcv(
-        self,
-        symbol: str,
-        timeframe: str,
-        start_date: Optional[datetime] = None,
-        end_date: Optional[datetime] = None
-    ) -> int:
-        """
-        Elimina datos OHLCV
-        
-        Args:
-            symbol: Símbolo del par
-            timeframe: Timeframe
-            start_date: Fecha inicio (opcional)
-            end_date: Fecha fin (opcional)
-            
-        Returns:
-            Número de registros eliminados
-        """
-        query = f"""
-            DELETE FROM ohlcv
-            WHERE symbol = '{symbol}' AND timeframe = '{timeframe}'
-        """
-        
-        if start_date:
-            query += f" AND timestamp >= '{start_date}'"
-        if end_date:
-            query += f" AND timestamp <= '{end_date}'"
-        
-        try:
-            result = self.engine.execute(query)
-            deleted_count = result.rowcount
-            log.info(f"Eliminados {deleted_count} registros")
-            
-            # Invalidar caché
-            if self.redis_client:
-                cache_pattern = f"ohlcv:{symbol}:{timeframe}:*"
-                keys = self.redis_client.keys(cache_pattern)
-                if keys:
-                    self.redis_client.delete(*keys)
-            
-            return deleted_count
-            
-        except Exception as e:
-            log.error(f"Error eliminando datos: {e}")
-            raise
 
     def get_available_data(self) -> pd.DataFrame:
-        """
-        Obtiene resumen de datos disponibles en la base de datos
-        
-        Returns:
-            DataFrame con información de símbolos y timeframes disponibles
-        """
         query = """
             SELECT
                 symbol,
                 timeframe,
-                MIN(timestamp) as first_date,
+                MIN(timestamp) AS first_date,
-                MAX(timestamp) as last_date,
+                MAX(timestamp) AS last_date,
-                COUNT(*) as record_count
+                COUNT(*) AS record_count
             FROM ohlcv
             GROUP BY symbol, timeframe
             ORDER BY symbol, timeframe
         """
 
-        try:
+        with self.engine.connect() as conn:
-            df = pd.read_sql(query, self.engine)
+            return pd.read_sql(text(query), conn)
-            log.info(f"Información de {len(df)} conjuntos de datos")
+
-            return df
+    # ------------------------------------------------------------------
-        except Exception as e:
-            log.error(f"Error obteniendo información de datos: {e}")
-            raise
 
     def close(self):
-        """
+        self.session.close()
-        Cierra conexiones
+        self.engine.dispose()
-        """
+        if self.redis_client:
-        try:
+            self.redis_client.close()
-            self.session.close()
+        log.info("Conexiones cerradas")
-            self.engine.dispose()
-            if self.redis_client:
-                self.redis_client.close()
-            log.info("Conexiones cerradas")
-        except Exception as e:
-            log.error(f"Error cerrando conexiones: {e}")

src/strategies/moving_average.py

@@ -1,29 +1,42 @@
 # src/strategies/moving_average.py
 """
-Estrategia de cruce de medias móviles
+Estrategia de cruce de medias móviles con filtro ADX opcional
 """
 import pandas as pd
 from ..backtest.strategy import Strategy, Signal, calculate_sma, calculate_ema
 
+
 class MovingAverageCrossover(Strategy):
     """
-    Estrategia simple de cruce de medias móviles
+    Estrategia de cruce de medias móviles
 
     Señales:
-    - BUY: Cuando la media rápida cruza por encima de la lenta
+    - BUY: Cruce alcista de medias + (ADX >= threshold si está activado)
-    - SELL: Cuando la media rápida cruza por debajo de la lenta
+    - SELL: Cruce bajista de medias
     - HOLD: En cualquier otro caso
 
     Parámetros:
-        fast_period: Periodo de la media rápida (default: 10)
+        fast_period: Periodo MA rápida
-        slow_period: Periodo de la media lenta (default: 30)
+        slow_period: Periodo MA lenta
-        ma_type: Tipo de media móvil 'sma' o 'ema' (default: 'sma')
+        ma_type: 'sma' o 'ema'
+        use_adx: Activar filtro ADX
+        adx_threshold: Umbral mínimo de ADX
     """
-    def __init__(self, fast_period: int = 10, slow_period: int = 30, ma_type: str = 'sma'):
+
+    def __init__(
+        self,
+        fast_period: int = 10,
+        slow_period: int = 30,
+        ma_type: str = 'sma',
+        use_adx: bool = False,
+        adx_threshold: float = 20.0
+    ):
         params = {
             'fast_period': fast_period,
             'slow_period': slow_period,
-            'ma_type': ma_type
+            'ma_type': ma_type,
+            'use_adx': use_adx,
+            'adx_threshold': adx_threshold
         }
 
         super().__init__(name="Moving Average Crossover", params=params)
@@ -31,59 +44,71 @@ class MovingAverageCrossover(Strategy):
         self.fast_period = fast_period
         self.slow_period = slow_period
         self.ma_type = ma_type.lower()
+        self.use_adx = use_adx
+        self.adx_threshold = adx_threshold
 
         if self.ma_type not in ['sma', 'ema']:
             raise ValueError("ma_type debe ser 'sma' o 'ema'")
 
+    # ------------------------------------------------------------------
+
     def init_indicators(self, data: pd.DataFrame) -> pd.DataFrame:
         """
-        Calcula las medias móviles sobre los datos
+        Calcula indicadores necesarios (medias móviles)
         """
-        # Usar precio de cierre
         close_prices = data['close']
 
-        # Calcular medias móviles según el tipo
         if self.ma_type == 'sma':
             data['ma_fast'] = calculate_sma(close_prices, self.fast_period)
             data['ma_slow'] = calculate_sma(close_prices, self.slow_period)
-        else:  # ema
+        else:
             data['ma_fast'] = calculate_ema(close_prices, self.fast_period)
             data['ma_slow'] = calculate_ema(close_prices, self.slow_period)
 
-        # Calcular cruce (1 = fast > slow, -1 = fast < slow)
+        # Estado del cruce
         data['ma_cross'] = 0
         data.loc[data['ma_fast'] > data['ma_slow'], 'ma_cross'] = 1
         data.loc[data['ma_fast'] < data['ma_slow'], 'ma_cross'] = -1
 
-        # Detectar cambios (cruces)
+        # Cambio de estado (cruce real)
         data['ma_cross_change'] = data['ma_cross'].diff()
 
         return data
 
+    # ------------------------------------------------------------------
+
     def generate_signal(self, idx: int) -> Signal:
         """
-        Genera señal basada en el cruce de medias móviles
+        Genera señal de trading
         """
         if self.data is None:
             raise ValueError("Data no establecida")
 
-        # Necesitamos al menos 2 puntos para detectar cruce
         if idx < 1:
             return Signal.HOLD
 
-        # Verificar que las MAs están calculadas (no son NaN)
+        row = self.data.iloc[idx]
-        if pd.isna(self.data.iloc[idx]['ma_fast']) or pd.isna(self.data.iloc[idx]['ma_slow']):
+
+        # MAs válidas
+        if pd.isna(row['ma_fast']) or pd.isna(row['ma_slow']):
             return Signal.HOLD
 
-        cross_change = self.data.iloc[idx]['ma_cross_change']
+        # 🔵 FILTRO ADX (solo para entradas)
+        if self.use_adx:
+            if 'adx' not in self.data.columns or pd.isna(row['adx']):
+                return Signal.HOLD
 
-        # Cruce alcista: fast cruza por encima de slow
+            if row['adx'] < self.adx_threshold:
-        if cross_change == 2:  # De -1 a 1
+                return Signal.HOLD
+
+        cross_change = row['ma_cross_change']
+
+        # Cruce alcista
+        if cross_change == 2:
             return Signal.BUY
 
-        # Cruce bajista: fast cruza por debajo de slow
+        # Cruce bajista (salida siempre permitida)
-        elif cross_change == -2:  # De 1 a -1
+        elif cross_change == -2:
             return Signal.SELL
 
-        # Sin cruce
         return Signal.HOLD

tests/dam_test.py

@@ -0,0 +1,46 @@
+# dam_test.py
+"""
+Script para probar el optimizador de parámetros
+"""
+import os
+import sys
+from dotenv import load_dotenv
+from pathlib import Path
+
+# Añadir raíz del proyecto al path
+sys.path.insert(0, str(Path(__file__).parent.parent))
+
+from src.data.storage import StorageManager
+
+def setup_environment():
+    """Carga variables de entorno"""
+    env_path = Path(__file__).parent.parent / 'config' / 'secrets.env'
+    load_dotenv(dotenv_path=env_path)
+
+def dam_test():
+    # Setup
+    setup_environment()
+    
+    # Cargar datos
+    storage = StorageManager(
+        db_host=os.getenv('DB_HOST'),
+        db_port=int(os.getenv('DB_PORT', 5432)),
+        db_name=os.getenv('DB_NAME'),
+        db_user=os.getenv('DB_USER'),
+        db_password=os.getenv('DB_PASSWORD'),
+    )
+
+    data = storage.load_ohlcv(
+        symbol='BTC/USDT',
+        timeframe='1h',
+        start_date=None,
+        end_date=None,
+        use_cache=False
+    )
+
+    print(data.columns)
+
+    print(data[['close', 'adx']].tail(10))
+
+if __name__ == "__main__":
+    dam_test()

tests/test_optimizer.py

@@ -42,14 +42,14 @@ def test_optimizer():
     )
     
     log.info("\n📥 Cargando datos...")
-    end_date = datetime.now()
+    # end_date = datetime.now()
-    start_date = end_date - timedelta(days=60)
+    # start_date = end_date - timedelta(days=60)
     
     data = storage.load_ohlcv(
         symbol='BTC/USDT',
         timeframe='1h',
-        start_date=start_date,
+        start_date=None,
-        end_date=end_date,
+        end_date=None,
         use_cache=False
     )
     
@@ -66,9 +66,11 @@ def test_optimizer():
     
     # Definir parámetros a probar (pequeño para empezar)
     param_grid = {
-        'fast_period': [5, 10, 15],
+        'fast_period': [10, 15],
         'slow_period': [30, 50],
-        'ma_type': ['sma', 'ema']
+        'ma_type': ['sma', 'ema'],
+        'use_adx': [True],
+        'adx_threshold': [20, 25, 30]
     }
     
     log.info(f"\n📊 Grid de parámetros:")

tests/test_visualizer.py

@@ -43,14 +43,14 @@ def test_visualizer():
     )
     
     log.info("\n📥 Cargando datos...")
-    end_date = datetime.now()
+    # end_date = datetime.now()
-    start_date = end_date - timedelta(days=60)
+    # start_date = end_date - timedelta(days=60)
     
     data = storage.load_ohlcv(
         symbol='BTC/USDT',
         timeframe='1h',
-        start_date=start_date,
+        start_date=None,
-        end_date=end_date,
+        end_date=None,
         use_cache=False
     )
     
@@ -58,7 +58,13 @@ def test_visualizer():
     
     # Ejecutar backtest
     log.info("\n🧪 Ejecutando backtest...")
-    strategy = MovingAverageCrossover(fast_period=15, slow_period=50, ma_type='sma')
+    strategy = MovingAverageCrossover(
+        fast_period=15,
+        slow_period=50,
+        ma_type='sma',
+        use_adx=True,
+        adx_threshold=30
+    )
     
     engine = BacktestEngine(
         strategy=strategy,