Strategy Ranking · BTC Trading AI

🟢 En producción (resaltadas)

V2 · GRU Ensemble (always-invested)7,781% compound · α +62.0

V3 · hybrid_v3 (GRU + DailyRSI>80 + Trail 10%)11,400% compound · α +44.0

V4 · hybrid_v5 (GRU 3-Regime V5.4 Robust-5)29,909% compound · α +100.0

V5 · V115_cmp (GRU + peak_drop + ratchet + regime cooldown)76,725% compound · α +266.0

V6 · V66 Cooldown(4,48)42,636% compound · α +193.0

V8 · LLM Hybrid (V5 + Opus committee filter)— compound · α —

V9 · LLM Pure (committee only, no GRU)— compound · α —

V7 · V5 V115_cmp + vol-Kelly (margin, tgt=3% clip[0.5,1.5])1,001,557% compound · α +531.0

OPTIMISTIC-EXEC vs REALISTIC-EXEC: pre-R173 los backtests usaban close[i] como precio de ejecución — equivale a "ejecuto en el último trade del bar antes de que cierre" (físicamente imposible). Post-R173 usan open[i+1] que ≈ tu realidad operacional con 5s de latencia (el siguiente trade tras el cierre). Diferencia por trade ≈ 0.01-0.3%; acumulado puede inflar ~30-66% el compound. PHANTOM es distinto: pyramid usaba además apalancamiento gratis sin dinero real (Bug #4) → bajo honest engine colapsa a V66 baseline. R184 confirmó empíricamente. Filtros encima ocultan estos por defecto para que veas solo realistic-exec.

Round Variant Dir Compound % Simple PnL % Min α Beats BH Trades WR OOT α

R195 V5 V115_cmp leverage=2.0x L 9,152,200% 7,207% +924.6 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,154.4%	+1,097.7%	104%	—	—
F1 Bull (2019-21)	2,566.9%	+2,468.9%	1162%	—	—
F2 Recovery (2022-24)	2,554.9%	+2,320.5%	234%	—	—
F3 Lateral (2024-25)	930.4%	+924.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

leverage

2.0

liquidated_folds

total_interest_paid

2348.7872796897705

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Base: resample 5min → 15min OHLCV (~325K bars). Slope/DRSI features derivados de close diario via resample('1D'). No multi-timeframe HTF mixing (cerrado en R168/R175 por failure y ahora bajo regla anti-lookahead).

Construcción de secuencias

Lookback = 300 EVENT-bars (no time-bars). Cada secuencia incluye los 300 últimos eventos antes del bar de decisión. Construida por src/data/splitter.py::create_event_sequences(). Cualquier feature que requiera datos posteriores al close[i] está PROHIBIDA.

Normalización

Per-sequence min-max. Grupos compartidos: PRICE (open/high/low/close + ema_9/21/50 + bb_upper/lower/mid + vwap_20) normalizado en bloque; VOLUME (volume_sma_20, obv, obv_sma_20) en bloque; resto (oscilladores RSI/MACD, ratios, returns, ATR_pct) cada uno individual. Definido en src/data/features.py::NORM_GROUPS_BASE + get_norm_group_indices().

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

RSI(14), MACD(12,26,9), Bollinger(20,2σ) + %B, ATR_14_pct (vol normalization), EMAs(9,21,50), VWAP_20, daily SMA20+pct_change5 slope, DRSI(28) daily (con shift(1) anti-leak), avg_tp_bar, OBV + OBV_SMA20, plus 30+ rolling stats (returns, vol, momentum) generados en src/data/features.py::add_all_features()

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Volatility event filter: bar marcado como evento si (ATR_14 > atr_mult × median_ATR_50) AND |return_5_bar| > percentile_90. atr_mult=2.0, return_percentile=90 → ~10.5% de bars seleccionados. Calibrado en R141/R142 — modificar este % rompe V66 thresholds.

Labeling

Triple-barrier method (López de Prado): k_up=10 × ATR_14_pct (upper barrier), k_dn=7 × ATR_14_pct (lower barrier), max_hold=64 bars (vertical barrier). Label ∈ {-1 SL, 0 timeout, 1 TP} → 3-class output. Definido en src/data/labeling.py::apply_labeling(method='tb_vol_10_7').

Entrada / salida

V66 cascade: entry on regime-specific thresholds (bull/lateral/bear via 20d slope) → exit en cascada (init_sl 10% OR trail ratchet 22→18→5% según unrealized OR DRSI>78 OR 3/5 GRUs danger (P(SL)>0.70 o P(TP)<exit_th) OR peak_drop del avg_tp_bar desde su pico) → cooldown 4 bars post-cualquier-exit + 48 adicionales si fue loss

Walk-forward

Walk-forward 4 folds chronológicos: F0 Bear (2018), F1 Bull (2019-2021), F2 Recovery (2022-2024), F3 Lateral (2024-2025). val_pct=10% del train por fold. Sin purging — la separación cronológica train|val|test es estricta.

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r195_v5_leveraged.py

Experimento: R195: V5 V115_cmp + margin leverage 1.0x..2.0x
Origen: outputs/round_195_v5_leveraged/metadata.json · → ver detalle de la ronda

R217 V15 aggressive tgt=4.0% clip[0.5,2.0] L 8,835,065% 7,112% +919.2 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,163.5%	+1,106.8%	104%	65	—
F1 Bull (2019-21)	2,522.3%	+2,424.3%	1162%	103	—
F2 Recovery (2022-24)	2,501.5%	+2,267.1%	234%	58	—
F3 Lateral (2024-25)	925.0%	+919.2%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.04

min_lev

0.5

max_lev

2.0

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R195 V5 V115_cmp leverage=1.75x L 3,228,860% 5,364% +712.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	932.1%	+875.4%	104%	—	—
F1 Bull (2019-21)	1,932.6%	+1,834.6%	1162%	—	—
F2 Recovery (2022-24)	1,781.5%	+1,547.1%	234%	—	—
F3 Lateral (2024-25)	718.0%	+712.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

leverage

1.75

liquidated_folds

total_interest_paid

1342.982636533111

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r195_v5_leveraged.py

Experimento: R195: V5 V115_cmp + margin leverage 1.0x..2.0x
Origen: outputs/round_195_v5_leveraged/metadata.json · → ver detalle de la ronda

R255 (unnamed) L 1,047,586% — +529.3 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

estimator

EWMA-RV λ=0.94

folds

[766.304786240916, 1390.2338716570544, 1177.7997796955592...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r255_vol_estimators.py

Experimento:
Origen: outputs/round_255_vol_estimators/metadata.json · → ver detalle de la ronda

R255 (unnamed) L 1,031,495% — +533.5 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

estimator

HAR-RV blend

folds

[723.9452148857024, 1393.0195441633703, 1211.676656905662...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r255_vol_estimators.py

Experimento:
Origen: outputs/round_255_vol_estimators/metadata.json · → ver detalle de la ronda

R195 V5 V115_cmp leverage=1.5x L 1,031,237% 3,868% +533.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	723.8%	+667.1%	104%	—	—
F1 Bull (2019-21)	1,393.0%	+1,295.0%	1162%	—	—
F2 Recovery (2022-24)	1,211.7%	+977.3%	234%	—	—
F3 Lateral (2024-25)	539.3%	+533.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

leverage

1.5

liquidated_folds

total_interest_paid

673.919508905454

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r195_v5_leveraged.py

Experimento: R195: V5 V115_cmp + margin leverage 1.0x..2.0x
Origen: outputs/round_195_v5_leveraged/metadata.json · → ver detalle de la ronda

R255 (unnamed) L 1,017,450% — +533.5 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

estimator

bipower-BV

folds

[712.72731814716, 1393.0195441633703, 1211.676656905662, ...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r255_vol_estimators.py

Experimento:
Origen: outputs/round_255_vol_estimators/metadata.json · → ver detalle de la ronda

R204 R204 HONEST tgt=3.0% clip[0.5,1.5] L 1,001,557% 3,828% +531.0 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	726.5%	+669.8%	104%	65	—
F1 Bull (2019-21)	1,373.8%	+1,275.8%	1162%	103	—
F2 Recovery (2022-24)	1,191.4%	+957.0%	234%	58	—
F3 Lateral (2024-25)	536.8%	+531.0%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.03

min_lev

0.5

max_lev

1.5

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r204_vol_kelly_honest.py

Experimento: R204: vol-Kelly with lookahead bugs FIXED
Origen: outputs/round_204_vol_kelly_honest/metadata.json · → ver detalle de la ronda

R217 V11 ★ tgt=3.0% clip[0.5,1.5] L 1,001,557% 3,828% +531.0 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	726.5%	+669.8%	104%	65	—
F1 Bull (2019-21)	1,373.8%	+1,275.8%	1162%	103	—
F2 Recovery (2022-24)	1,191.4%	+957.0%	234%	58	—
F3 Lateral (2024-25)	536.8%	+531.0%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.03

min_lev

0.5

max_lev

1.5

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R217 V16 deep deleverage tgt=3.0% clip[0.3,1.5] L 1,001,557% 3,828% +531.0 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	726.5%	+669.8%	104%	65	—
F1 Bull (2019-21)	1,373.8%	+1,275.8%	1162%	103	—
F2 Recovery (2022-24)	1,191.4%	+957.0%	234%	58	—
F3 Lateral (2024-25)	536.8%	+531.0%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.03

min_lev

0.3

max_lev

1.5

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R220 R204 ORIGINAL (0.46% APR + 4bps comm) L 1,001,557% 3,828% +531.0 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	726.5%	+622.5%	104%	—	—
F1 Bull (2019-21)	1,373.8%	+211.8%	1162%	—	—
F2 Recovery (2022-24)	1,191.4%	+957.4%	234%	—	—
F3 Lateral (2024-25)	536.8%	+536.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

5.21e-07

comm_rate

0.0004

liquidations

total_interest_paid

664.9147794945402

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R255 (unnamed) L 1,001,557% — +531.0 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

estimator

baseline rolling-30d

folds

[726.4687203568247, 1373.8486704781683, 1191.350530579601...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r255_vol_estimators.py

Experimento:
Origen: outputs/round_255_vol_estimators/metadata.json · → ver detalle de la ronda

R204 V5 V115_cmp + vol-Kelly (margin, tgt=3% clip[0.5,1.5]) — V7 PROD V7 L 1,001,557% — +531.0 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

deployment_status

Active on V7 (V5 V115_cmp + vol-Kelly (margin, tgt=3% cli...

synthetic_source

SESSION_STATE.md + ROUNDS_LOG.md (canonical round metadat...

note

✅ LIVE 2026-05-31. R204 honest +1,001,557% / +531 min α (...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r204_vol_kelly_honest.py

Experimento: Production strategy on V7 bot. ✅ LIVE 2026-05-31. R204 honest +1,001,557% / +531 min α (102% retention vs R203 buggy). R206 stress PASS slip 0-30bps. R216 forensic clean (no lookahead). R217b: V15 aggressive variant +8.8M%/+919 — future V8 upgrade after V7 stable. Sub-account: V3 (cross margin, BTCU
Origen: synthetic from SESSION_STATE.md (canonical round R204) · → ver detalle de la ronda

R204 R204 HONEST tgt=2.5% clip[0.5,1.5] L 981,201% 3,802% +529.3 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	727.6%	+670.9%	104%	65	—
F1 Bull (2019-21)	1,361.1%	+1,263.1%	1162%	103	—
F2 Recovery (2022-24)	1,177.8%	+943.4%	234%	58	—
F3 Lateral (2024-25)	535.1%	+529.3%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.5

max_lev

1.5

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r204_vol_kelly_honest.py

Experimento: R204: vol-Kelly with lookahead bugs FIXED
Origen: outputs/round_204_vol_kelly_honest/metadata.json · → ver detalle de la ronda

R203 vol-Kelly tgt=2.5% clip[0.5,1.5] L 981,182% 3,802% +529.3 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	727.6%	+670.9%	104%	—	—
F1 Bull (2019-21)	1,361.1%	+1,263.1%	1162%	—	—
F2 Recovery (2022-24)	1,177.8%	+943.4%	234%	—	—
F3 Lateral (2024-25)	535.1%	+529.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.5

max_lev

1.5

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R220 Lender floor 5% APR + 4bps L 906,581% 3,723% +515.4 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	707.3%	+603.3%	104%	—	—
F1 Bull (2019-21)	1,332.7%	+170.7%	1162%	—	—
F2 Recovery (2022-24)	1,161.9%	+927.9%	234%	—	—
F3 Lateral (2024-25)	521.2%	+521.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

5.71e-06

comm_rate

0.0004

liquidations

total_interest_paid

7164.368365173643

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R222 V7+shorts LOW rates (10%USDC, 30%BTC, 4bps) L+S 861,812% 4,488% +171.2 —/4 99 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,339.1%	+1,282.4%	104%	—	—
F1 Bull (2019-21)	2,080.9%	+1,982.9%	1162%	—	—
F2 Recovery (2022-24)	891.5%	+657.1%	234%	—	—
F3 Lateral (2024-25)	177.0%	+171.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=99 · WR=—

Métricas y config crudas (metadata.json)

usdc_apr

0.1

btc_apr

0.3

comm

0.0004

liquidations_long

liquidations_short

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r222_v7_plus_shorts_combined.py

Experimento: R222: V7 vol-Kelly LONG + R151-A shorts combined on Binance margin
Origen: outputs/round_222_v7_plus_shorts/metadata.json · → ver detalle de la ronda

R220 Conservative 10% APR + 4bps L 812,699% 3,611% +498.8 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	686.7%	+582.7%	104%	—	—
F1 Bull (2019-21)	1,288.8%	+126.8%	1162%	—	—
F2 Recovery (2022-24)	1,130.4%	+896.4%	234%	—	—
F3 Lateral (2024-25)	504.6%	+504.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

1.14e-05

comm_rate

0.0004

liquidations

total_interest_paid

14039.869261575059

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R203 vol-Kelly tgt=3% clip[0.7,1.4] L 622,391% 3,336% +469.4 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	647.6%	+590.9%	104%	—	—
F1 Bull (2019-21)	1,194.6%	+1,096.6%	1162%	—	—
F2 Recovery (2022-24)	1,018.2%	+783.8%	234%	—	—
F3 Lateral (2024-25)	475.2%	+469.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.03

min_lev

0.7

max_lev

1.4

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R204 R204 HONEST tgt=2.5% clip[0.7,1.4] L 609,749% 3,312% +467.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	648.6%	+591.9%	104%	65	—
F1 Bull (2019-21)	1,183.4%	+1,085.4%	1162%	103	—
F2 Recovery (2022-24)	1,006.5%	+772.1%	234%	58	—
F3 Lateral (2024-25)	473.7%	+467.9%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.7

max_lev

1.4

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r204_vol_kelly_honest.py

Experimento: R204: vol-Kelly with lookahead bugs FIXED
Origen: outputs/round_204_vol_kelly_honest/metadata.json · → ver detalle de la ronda

R217 V17 narrow band tgt=2.5% clip[0.8,1.4] L 609,749% 3,312% +467.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	648.6%	+591.9%	104%	65	—
F1 Bull (2019-21)	1,183.4%	+1,085.4%	1162%	103	—
F2 Recovery (2022-24)	1,006.5%	+772.1%	234%	58	—
F3 Lateral (2024-25)	473.7%	+467.9%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.8

max_lev

1.4

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R203 vol-Kelly tgt=2.5% clip[0.7,1.4] L 609,740% 3,312% +467.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	648.6%	+591.9%	104%	—	—
F1 Bull (2019-21)	1,183.4%	+1,085.4%	1162%	—	—
F2 Recovery (2022-24)	1,006.5%	+772.1%	234%	—	—
F3 Lateral (2024-25)	473.6%	+467.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.7

max_lev

1.4

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R220 Realistic 30% APR + 4bps L 524,046% 3,189% +436.5 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	609.3%	+505.3%	104%	—	—
F1 Bull (2019-21)	1,125.9%	-36.1%	1162%	—	—
F2 Recovery (2022-24)	1,011.7%	+777.7%	234%	—	—
F3 Lateral (2024-25)	442.3%	+442.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

3.42e-05

comm_rate

0.0004

liquidations

total_interest_paid

39107.82488458135

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R220 Realistic 30% APR + 7.5bps comm (taker) L 382,373% 2,911% +395.7 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	562.5%	+458.5%	104%	—	—
F1 Bull (2019-21)	1,000.9%	-161.1%	1162%	—	—
F2 Recovery (2022-24)	945.7%	+711.7%	234%	—	—
F3 Lateral (2024-25)	401.5%	+401.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

3.42e-05

comm_rate

0.00075

liquidations

total_interest_paid

36908.104236355925

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R222 V7+shorts MID rates (30%USDC, 50%BTC, 7.5bps) L+S 329,154% 3,434% +110.6 —/4 99 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,000.6%	+943.9%	104%	—	—
F1 Bull (2019-21)	1,607.2%	+1,509.2%	1162%	—	—
F2 Recovery (2022-24)	709.9%	+475.5%	234%	—	—
F3 Lateral (2024-25)	116.4%	+110.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=99 · WR=—

Métricas y config crudas (metadata.json)

usdc_apr

0.3

btc_apr

0.5

comm

0.00075

liquidations_long

liquidations_short

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r222_v7_plus_shorts_combined.py

Experimento: R222: V7 vol-Kelly LONG + R151-A shorts combined on Binance margin
Origen: outputs/round_222_v7_plus_shorts/metadata.json · → ver detalle de la ronda

R195 V5 V115_cmp leverage=1.25x L 296,991% 2,683% +385.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	536.8%	+480.1%	104%	—	—
F1 Bull (2019-21)	955.9%	+857.9%	1162%	—	—
F2 Recovery (2022-24)	798.7%	+564.3%	234%	—	—
F3 Lateral (2024-25)	391.6%	+385.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

leverage

1.25

liquidated_folds

total_interest_paid

250.95432985830575

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r195_v5_leveraged.py

Experimento: R195: V5 V115_cmp + margin leverage 1.0x..2.0x
Origen: outputs/round_195_v5_leveraged/metadata.json · → ver detalle de la ronda

R154 skip shorts if 21d return > +15%OPTIMISTIC-EXEC L+S 250,538% 2,680% +245.1 4/4 88 sh — —

⚠️ BUGGY-ENGINE — Esta ronda es pre-R173 (engine con bug intra-bar lookahead). El compound está inflado vs realidad de producción. Para R151-A, la versión bug-fixed honesta es R174 (+113,981%). Por eso los buggy aparecen arriba pero los candidatos reales son los R173+.

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,055.4%	+951.4%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=88 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.15

shorts_skipped

243

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R220 Typical retail 50% APR + 7.5bps L 245,671% 2,561% +343.5 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	496.8%	+392.8%	104%	—	—
F1 Bull (2019-21)	870.8%	-291.2%	1162%	—	—
F2 Recovery (2022-24)	844.0%	+610.0%	234%	—	—
F3 Lateral (2024-25)	349.3%	+349.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

5.71e-05

comm_rate

0.00075

liquidations

total_interest_paid

57265.845486498496

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R154 skip shorts if 7d return > +10%OPTIMISTIC-EXEC L+S 234,511% 2,607% +245.1 4/4 90 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	981.5%	+877.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=90 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.1

shorts_skipped

160

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R203 vol-Kelly tgt=2.5% clip[0.8,1.2] L 223,936% 2,462% +358.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	503.3%	+446.6%	104%	—	—
F1 Bull (2019-21)	872.1%	+774.1%	1162%	—	—
F2 Recovery (2022-24)	722.7%	+488.3%	234%	—	—
F3 Lateral (2024-25)	364.3%	+358.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.8

max_lev

1.2

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R154 skip shorts if 21d return > +20%OPTIMISTIC-EXEC L+S 213,591% 2,510% +245.1 4/4 89 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	885.1%	+781.1%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=89 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.2

shorts_skipped

219

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R151 short P(SL)>0.65, exit P(TP)>0.35, sl=8%, max=40hOPTIMISTIC-EXEC S 212,591% 2,505% +245.1 4/4 93 sh 56.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	880.5%	+776.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=56.550925925925924%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 longs (canonical) + SHORT module: cuando V66 está en cash, si P(SL)>0.65 (3/5 seeds), abre short. Cierra en P(TP)>0.35, stop 8%, o 40h timeout.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r151_shorts_in_gaps.py

Experimento: R151: V66 long + SHORT during cash gaps
Origen: outputs/round_151_shorts_gaps/metadata.json · → ver detalle de la ronda

R154 R151-A (no regime filter)OPTIMISTIC-EXEC L+S 212,591% 2,505% +245.1 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	880.5%	+776.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

shorts_skipped

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R160 R151-A no friction (baseline)OPTIMISTIC-EXEC L+S 212,591% 2,505% +245.1 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	880.5%	+776.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R160 + funding 0.01%/8hOPTIMISTIC-EXEC L 191,908% 2,431% +234.1 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	834.7%	+730.7%	104%	—	—
F1 Bull (2019-21)	845.4%	-316.6%	1162%	—	—
F2 Recovery (2022-24)	468.5%	+234.5%	234%	—	—
F3 Lateral (2024-25)	282.2%	+282.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0001

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R154 skip shorts if 7d return > +5%OPTIMISTIC-EXEC L+S 181,144% 2,360% +245.1 4/4 88 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	735.5%	+631.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=88 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.05

shorts_skipped

254

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R137 R117 MACD_div local reproductionOPTIMISTIC-EXEC L 179,453% — -42.0 3/4 6,544 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	+480.5%	104%	—	—
F1 Bull (2019-21)	—	+2,405.6%	1162%	—	—
F2 Recovery (2022-24)	—	-42.0%	234%	—	—
F3 Lateral (2024-25)	—	+270.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=6544 · WR=—

Métricas y config crudas (metadata.json)

folds_trades

[1658, 1624, 1639, 1623]

folds_wr

[44.27020506634499, 45.19704433497537, 44.05125076266016,...

folds_mdd

[23.591372375173027, 18.580826219207594, 19.8152419508006...

bh_per_fold

[59.18068329501152, 99.98283255066114, 228.4183620424153,...

reproduces_r117

True

compound_diff_pct

1.591644913315314e-05

r117_expected

{"compound": 179453.2, "min_alpha": -42.0, "beats_bh": 3,...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r137_macd_repro.py

Experimento: R117 MACD_div local reproduction
Origen: outputs/round_137/metadata.json · → ver detalle de la ronda

R137 R117 MACD_div local reproductionOPTIMISTIC-EXEC L 179,453% — -42.0 3/4 6,544 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	+480.5%	104%	—	—
F1 Bull (2019-21)	—	+2,405.6%	1162%	—	—
F2 Recovery (2022-24)	—	-42.0%	234%	—	—
F3 Lateral (2024-25)	—	+270.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=6544 · WR=—

Métricas y config crudas (metadata.json)

folds_trades

[1658, 1624, 1639, 1623]

folds_wr

[44.27020506634499, 45.19704433497537, 44.05125076266016,...

folds_mdd

[23.591372375173027, 18.580826219207594, 19.8152419508006...

bh_per_fold

[59.18068329501152, 99.98283255066114, 228.4183620424153,...

reproduces_r117

True

compound_diff_pct

1.591644913315314e-05

r117_expected

{"compound": 179453.2, "min_alpha": -42.0, "beats_bh": 3,...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r137_macd_repro.py

Experimento: R117 MACD_div local reproduction
Origen: outputs/round_137_macd_repro/metadata.json · → ver detalle de la ronda

R154 skip shorts if 14d return > +10%OPTIMISTIC-EXEC L+S 172,844% 2,322% +245.1 4/4 91 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	697.3%	+593.3%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=91 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.1

shorts_skipped

153

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R154 skip shorts if 14d return > +15%OPTIMISTIC-EXEC L+S 170,820% 2,313% +245.1 4/4 91 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	687.9%	+583.9%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=91 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.15

shorts_skipped

109

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Same as R151 + regime filter: skip shorts if recent N-day return > threshold (variants: 7d>+5/+10, 14d>+10/+15, 21d>+15/+20).

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r154_regime_filtered_shorts.py

Experimento: R154: regime-filtered shorts (R151-A base)
Origen: outputs/round_154_regime_shorts/metadata.json · → ver detalle de la ronda

R222 V7+shorts HIGH (50%USDC, 75%BTC, 7.5bps) L+S 167,999% 2,856% +76.0 —/4 99 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	789.7%	+733.0%	104%	—	—
F1 Bull (2019-21)	1,383.7%	+1,285.7%	1162%	—	—
F2 Recovery (2022-24)	600.4%	+366.0%	234%	—	—
F3 Lateral (2024-25)	81.8%	+76.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=99 · WR=—

Métricas y config crudas (metadata.json)

usdc_apr

0.5

btc_apr

0.75

comm

0.00075

liquidations_long

liquidations_short

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r222_v7_plus_shorts_combined.py

Experimento: R222: V7 vol-Kelly LONG + R151-A shorts combined on Binance margin
Origen: outputs/round_222_v7_plus_shorts/metadata.json · → ver detalle de la ronda

R160 + funding 0.03%/8h (worst case)OPTIMISTIC-EXEC L 156,375% 2,289% +212.8 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	749.5%	+645.5%	104%	—	—
F1 Bull (2019-21)	831.3%	-330.7%	1162%	—	—
F2 Recovery (2022-24)	447.2%	+213.2%	234%	—	—
F3 Lateral (2024-25)	261.5%	+261.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0003

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R160 + regime slippageOPTIMISTIC-EXEC L 143,856% 2,237% +198.3 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	812.6%	+708.6%	104%	—	—
F1 Bull (2019-21)	738.9%	-423.1%	1162%	—	—
F2 Recovery (2022-24)	432.7%	+198.7%	234%	—	—
F3 Lateral (2024-25)	253.0%	+253.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R220 High demand 75% APR + 7.5bps L 141,407% 2,176% +286.1 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	423.8%	+319.8%	104%	—	—
F1 Bull (2019-21)	730.0%	-432.0%	1162%	—	—
F2 Recovery (2022-24)	730.7%	+496.7%	234%	—	—
F3 Lateral (2024-25)	291.9%	+291.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

8.56e-05

comm_rate

0.00075

liquidations

total_interest_paid

78436.9940119945

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R181 skip shorts if 21d return > +15% L+S 136,242% 2,219% +193.8 4/4 89 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	698.2%	+641.5%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=89 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.15

shorts_skipped

243

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R160 + funding 0.01% + regime slipOPTIMISTIC-EXEC L 129,857% 2,169% +188.2 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	770.0%	+666.0%	104%	—	—
F1 Bull (2019-21)	732.6%	-429.4%	1162%	—	—
F2 Recovery (2022-24)	422.6%	+188.6%	234%	—	—
F3 Lateral (2024-25)	243.3%	+243.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0001

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R203 vol-Kelly tgt=2% clip[0.7,1.4] L 127,793% 2,277% +149.9 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	206.6%	+149.9%	104%	—	—
F1 Bull (2019-21)	926.7%	+828.7%	1162%	—	—
F2 Recovery (2022-24)	785.2%	+550.8%	234%	—	—
F3 Lateral (2024-25)	358.9%	+353.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.02

min_lev

0.7

max_lev

1.4

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R181 skip shorts if 7d return > +10% L+S 124,625% 2,151% +193.8 4/4 91 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	630.2%	+573.5%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=91 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.1

shorts_skipped

160

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R269 no exit_init_sl L 120,327% — +264.4 —/4 297 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=297 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-1.5

bh_beats

verdict

dead-weight?

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R181 skip shorts if 21d return > +20% L+S 115,235% 2,096% +193.8 4/4 90 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	575.3%	+518.6%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=90 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.2

shorts_skipped

219

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R151 short P(SL)>0.70, exit P(TP)>0.30, sl=10%, max=40hOPTIMISTIC-EXEC S 114,349% 1,999% +321.6 4/4 45 sh 73.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	384.7%	+280.7%	104%	—	—
F1 Bull (2019-21)	629.5%	-532.5%	1162%	—	—
F2 Recovery (2022-24)	657.3%	+423.3%	234%	—	—
F3 Lateral (2024-25)	327.4%	+327.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=45 · WR=73.61111111111111%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 longs (canonical) + SHORT module: cuando V66 está en cash, si P(SL)>0.65 (3/5 seeds), abre short. Cierra en P(TP)>0.35, stop 8%, o 40h timeout.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r151_shorts_in_gaps.py

Experimento: R151: V66 long + SHORT during cash gaps
Origen: outputs/round_151_shorts_gaps/metadata.json · → ver detalle de la ronda

R174 R151-A shorts (bugfix engine)CANDIDATE L+S 113,981% 2,089% +193.8 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	567.9%	+463.9%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	853.9%	-308.1%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	428.2%	+194.2%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	239.0%	+239.0%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r174_r151_bugfix.py

Experimento: R174: R151-A re-validated under bug-fixed engine
Origen: outputs/round_174_r151_bugfix/metadata.json · → ver detalle de la ronda

R181 R151-A base (no filter, honest engine) L+S 113,981% 2,089% +193.8 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	567.9%	+511.2%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	853.9%	+755.9%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	428.2%	+193.8%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	239.0%	+233.2%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

shorts_skipped

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R182 R151-A base (full notional) L+S 113,981% 2,089% +193.8 4/4 389 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	567.9%	+511.2%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	853.9%	+755.9%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	428.2%	+193.8%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	239.0%	+233.2%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R183 R151-A full notional (instrumented, bug-fixed) L+S 113,981% 2,089% +193.8 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	567.9%	+511.2%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	853.9%	+755.9%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	428.2%	+193.8%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	239.0%	+233.2%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

folds_wr

[55.45, 54.13, 56.41, 54.46]

folds_longs

[61, 100, 60, 74]

folds_shorts

[40, 9, 18, 27]

folds_long_wr

[55.74, 53.0, 61.67, 54.05]

folds_short_wr

[55.0, 66.67, 38.89, 55.56]

folds_avg_win_pct

[8.25, 8.53, 6.78, 5.1]

folds_avg_loss_pct

[-4.94, -4.57, -3.07, -2.9]

folds_profit_factor

[2.08, 2.2, 2.86, 2.1]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r183_instrumented_r151a.py

Experimento: R183: R151-A under bug-fixed engine with full per-fold instrumentation
Origen: outputs/round_183_instrumented_r151a/metadata.json · → ver detalle de la ronda

R189 R151-A full notional (instrumented) L+S 113,981% 2,089% +193.8 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	567.9%	+511.2%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	853.9%	+755.9%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	428.2%	+193.8%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	239.0%	+233.2%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

folds_wr

[55.45, 54.13, 56.41, 54.46]

folds_long_wr

[55.74, 53.0, 61.67, 54.05]

folds_short_wr

[55.0, 66.67, 38.89, 55.56]

folds_longs

[61, 100, 60, 74]

folds_shorts

[40, 9, 18, 27]

folds_profit_factor

[2.08, 2.2, 2.86, 2.1]

avg_win_pct

7.21

avg_loss_pct

-3.93

profit_factor

2.24

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r189_comprehensive_instrumented.py

Experimento: R189: comprehensive per-fold instrumentation of all valid honest variants + V5+shorts upside
Origen: outputs/round_189_full_instrumentation/metadata.json · → ver detalle de la ronda

R269 no cooldowns L 113,057% — +235.6 —/4 314 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=314 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-30.3

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R189 V5 V115_cmp + R151-A shorts (futures combo, instrumented) L+S 111,195% 2,289% +125.1 4/4 394 53.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	723.0%	+666.3%	104%	103 (L:62, S:41)	53.4% (L:52%, S:56%)
F1 Bull (2019-21)	1,005.8%	+907.8%	1162%	109 (L:101, S:8)	52.3% (L:50%, S:75%)
F2 Recovery (2022-24)	429.6%	+195.2%	234%	78 (L:58, S:20)	56.4% (L:64%, S:35%)
F3 Lateral (2024-25)	130.9%	+125.1%	0%	104 (L:74, S:30)	51.0% (L:51%, S:50%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=394 · WR=53.05%

Métricas y config crudas (metadata.json)

folds_wr

[53.4, 52.29, 56.41, 50.96]

folds_long_wr

[51.61, 50.5, 63.79, 51.35]

folds_short_wr

[56.1, 75.0, 35.0, 50.0]

folds_longs

[62, 101, 58, 74]

folds_shorts

[41, 8, 20, 30]

folds_profit_factor

[2.16, 2.32, 2.96, 1.65]

avg_win_pct

7.57

avg_loss_pct

-3.88

profit_factor

2.2

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r189_comprehensive_instrumented.py

R181 skip shorts if 7d return > +5% L+S 110,320% 2,068% +193.8 4/4 89 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	546.5%	+489.8%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=89 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.05

shorts_skipped

254

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R181 skip shorts if 14d return > +10% L+S 97,054% 1,990% +193.8 4/4 91 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	468.8%	+412.1%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=91 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.1

shorts_skipped

153

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R160 + all + half-Kelly shorts (50%)OPTIMISTIC-EXEC L+S 89,759% 1,918% +182.9 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	654.0%	+550.0%	104%	—	—
F1 Bull (2019-21)	631.2%	-530.8%	1162%	—	—
F2 Recovery (2022-24)	417.3%	+183.3%	234%	—	—
F3 Lateral (2024-25)	215.1%	+215.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

funding

0.0001

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r160_funding_stress.py

Experimento: R160: friction stress on R151-A
Origen: outputs/round_160_friction_stress/metadata.json · → ver detalle de la ronda

R181 skip shorts if 14d return > +15% L+S 88,844% 1,942% +193.8 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	420.7%	+364.0%	104%	—	—
F1 Bull (2019-21)	853.9%	+755.9%	1162%	—	—
F2 Recovery (2022-24)	428.2%	+193.8%	234%	—	—
F3 Lateral (2024-25)	239.0%	+233.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

lookback

return_th

0.15

shorts_skipped

109

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + regime filter (skip shorts when N-day return > threshold). 7 variants tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r181_regime_filtered_honest.py

Experimento: R181: regime-filtered R151-A under bug-fixed engine
Origen: outputs/round_181_regime_filtered_honest/metadata.json · → ver detalle de la ronda

R220 Peak 100% APR + 7.5bps L 81,383% 1,842% +235.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	359.6%	+255.6%	104%	—	—
F1 Bull (2019-21)	609.6%	-552.4%	1162%	—	—
F2 Recovery (2022-24)	631.0%	+397.0%	234%	—	—
F3 Lateral (2024-25)	241.7%	+241.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

interest_per_hour

0.000114

comm_rate

0.00075

liquidations

total_interest_paid

95574.22874757415

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r220_v7_interest_stress.py

Experimento: R220: V7 vol-Kelly stress under realistic USDC margin rates
Origen: outputs/round_220_v7_interest_stress/metadata.json · → ver detalle de la ronda

R182 Adaptive binary (WR last 10, full/30%) L 77,859% 1,840% +157.7 4/4 94 sh 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	521.2%	+464.5%	104%	—	—
F1 Bull (2019-21)	713.7%	+615.7%	1162%	—	—
F2 Recovery (2022-24)	392.1%	+157.7%	234%	—	—
F3 Lateral (2024-25)	213.4%	+207.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=94 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R174 R151-A + half-Kelly (bugfix)CANDIDATE L+S 76,873% 1,837% +178.4 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	482.3%	+378.3%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	732.8%	-429.2%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	412.8%	+178.8%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	209.5%	+209.5%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r174_r151_bugfix.py

Experimento: R174: R151-A re-validated under bug-fixed engine
Origen: outputs/round_174_r151_bugfix/metadata.json · → ver detalle de la ronda

R182 Half-Kelly fixed (size=0.5 always) L 76,873% 1,837% +178.4 4/4 94 sh 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	482.3%	+425.6%	104%	—	—
F1 Bull (2019-21)	732.8%	+634.8%	1162%	—	—
F2 Recovery (2022-24)	412.8%	+178.4%	234%	—	—
F3 Lateral (2024-25)	209.5%	+203.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=94 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R189 R151-A half-Kelly (instrumented) L+S 76,873% 1,837% +178.4 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	482.3%	+425.6%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	732.8%	+634.8%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	412.8%	+178.4%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	209.5%	+203.7%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

folds_wr

[55.45, 54.13, 56.41, 54.46]

folds_long_wr

[55.74, 53.0, 61.67, 54.05]

folds_short_wr

[55.0, 66.67, 38.89, 55.56]

folds_longs

[61, 100, 60, 74]

folds_shorts

[40, 9, 18, 27]

folds_profit_factor

[2.08, 2.2, 2.86, 2.1]

avg_win_pct

7.21

avg_loss_pct

-3.93

profit_factor

2.24

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r189_comprehensive_instrumented.py

R188 V5 V115_cmp (REALISTIC-EXEC) — V5 bot honestPROD V5 L 76,725% 1,770% +265.9 4/4 303 54.8% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	50.0%
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	49.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=54.79%

Métricas y config crudas (metadata.json)

folds_wr

[50.0, 49.51, 64.41, 58.67]

inflation_factor_vs_optimistic

2.2

edge_vs_v66_honest_pct

80.0

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r188_v5_bugfix.py

Experimento: R188: V5 (V115_cmp full cascade) under REALISTIC-EXEC
Origen: outputs/round_188_v5_bugfix/metadata.json · → ver detalle de la ronda

R190 V5 baseline (full cap, no pyramid) L 76,725% 1,770% +265.9 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	50.0%
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	49.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

initial_size

1.0

pyramid_trigger

99.0

pyramid_add_frac

0.0

max_leverage

1.0

total_adds

folds_wr

[50.0, 49.51, 64.41, 58.67]

folds_adds

[0, 0, 0, 0]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: none L 76,725% 1,770% +265.9 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	50.0%
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	49.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

extra_exit_type

none

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: baseline L 76,725% 1,770% +265.9 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	50.0%
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	49.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

sizing_mode

baseline

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R195 V5 V115_cmp leverage=1.0x L 76,725% 1,770% +265.9 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	—	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

leverage

1.0

liquidated_folds

total_interest_paid

0.0

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r195_v5_leveraged.py

Experimento: R195: V5 V115_cmp + margin leverage 1.0x..2.0x
Origen: outputs/round_195_v5_leveraged/metadata.json · → ver detalle de la ronda

R197 V5 baseline (lo) L 76,725% 1,770% +265.9 4/4 303 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	—	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.0

thresholds

{"nb": 0.3, "nl": 0.38, "nr": 0.31}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R198 (unnamed) L 76,725% 1,770% +265.9 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	—	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

mode

baseline_v5

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r198_v5v66_ensemble.py

Experimento: R198: V5+V66 cascade ensemble (defensive / aggressive / regime-conditional)
Origen: outputs/round_198_v5v66_ensemble/metadata.json · → ver detalle de la ronda

R203 V5 baseline (no sizing) L 76,725% 1,770% +265.9 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	—	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r203_vol_kelly.py

Experimento: R203: V5 V115_cmp + continuous vol-adjusted Kelly sizing
Origen: outputs/round_203_vol_kelly/metadata.json · → ver detalle de la ronda

R204 V5 baseline (control) L 76,725% 1,770% +265.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r204_vol_kelly_honest.py

Experimento: R204: vol-Kelly with lookahead bugs FIXED
Origen: outputs/round_204_vol_kelly_honest/metadata.json · → ver detalle de la ronda

R217 V5 baseline (control) L 76,725% 1,770% +265.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	66	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R217 V14 defensive tgt=2.5% clip[0.5,1.0] L 76,725% 1,770% +265.9 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	376.0%	+319.3%	104%	65	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	—
F2 Recovery (2022-24)	504.6%	+270.2%	234%	58	—
F3 Lateral (2024-25)	271.7%	+265.9%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.5

max_lev

1.0

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R269 no ATR-adaptive SL L 74,830% — +257.7 —/4 303 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-8.2

bh_beats

verdict

dead-weight?

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: drsi_75 L 73,174% 1,734% +210.0 4/4 553 55.7% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	466.6%	+409.9%	104%	99	57.6%
F1 Bull (2019-21)	566.4%	+468.4%	1162%	239	52.7%
F2 Recovery (2022-24)	444.4%	+210.0%	234%	112	56.2%
F3 Lateral (2024-25)	256.5%	+250.7%	0%	103	56.3%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=553 · WR=55.72%

Métricas y config crudas (metadata.json)

extra_exit_type

drsi_75

folds_wr

[57.58, 52.72, 56.25, 56.31]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R182 Adaptive Kelly (WR last 10, kelly schedule) L 72,736% 1,796% +154.6 4/4 94 sh 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	498.7%	+442.0%	104%	—	—
F1 Bull (2019-21)	695.8%	+597.8%	1162%	—	—
F2 Recovery (2022-24)	389.0%	+154.6%	234%	—	—
F3 Lateral (2024-25)	212.6%	+206.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=94 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: drsi_oversold L 72,217% 1,743% +265.9 4/4 318 54.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	348.1%	+291.4%	104%	81	45.7%
F1 Bull (2019-21)	618.2%	+520.2%	1162%	103	49.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	271.7%	+265.9%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=318 · WR=54.57%

Métricas y config crudas (metadata.json)

extra_exit_type

drsi_oversold

folds_wr

[45.68, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R198 (unnamed) L 72,138% 1,738% +252.2 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	363.2%	+306.5%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	486.6%	+252.2%	234%	—	—
F3 Lateral (2024-25)	270.2%	+264.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

mode

aggressive

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r198_v5v66_ensemble.py

Experimento: R198: V5+V66 cascade ensemble (defensive / aggressive / regime-conditional)
Origen: outputs/round_198_v5v66_ensemble/metadata.json · → ver detalle de la ronda

R198 (unnamed) L 72,138% 1,738% +252.2 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	363.2%	+306.5%	104%	—	—
F1 Bull (2019-21)	618.2%	+520.2%	1162%	—	—
F2 Recovery (2022-24)	486.6%	+252.2%	234%	—	—
F3 Lateral (2024-25)	270.2%	+264.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

mode

regime_v66_bear

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r198_v5v66_ensemble.py

Experimento: R198: V5+V66 cascade ensemble (defensive / aggressive / regime-conditional)
Origen: outputs/round_198_v5v66_ensemble/metadata.json · → ver detalle de la ronda

R182 Adaptive Kelly (WR last 20, kelly schedule) L 72,044% 1,797% +159.7 4/4 94 sh 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	503.3%	+446.6%	104%	—	—
F1 Bull (2019-21)	695.8%	+597.8%	1162%	—	—
F2 Recovery (2022-24)	394.1%	+159.7%	234%	—	—
F3 Lateral (2024-25)	204.1%	+198.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=94 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: anti_confidence L 71,858% 1,743% +265.3 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	342.9%	+286.2%	104%	66	50.0%
F1 Bull (2019-21)	624.7%	+526.7%	1162%	103	49.5%
F2 Recovery (2022-24)	504.1%	+269.7%	234%	59	64.4%
F3 Lateral (2024-25)	271.1%	+265.3%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

sizing_mode

anti_confidence

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R269 ratchet 3->2 levels L 71,355% — +265.9 —/4 295 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=295 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

0.0

bh_beats

verdict

dead-weight?

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R269 no ATR-cond lateral L 71,294% — +254.5 —/4 301 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=301 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-11.4

bh_beats

verdict

dead-weight?

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R110 R110 local reproduction L 70,576% 1,707% +239.2 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+378.4%	104%	—	—
F1 Bull (2019-21)	537.3%	+439.3%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.2%	234%	—	—
F3 Lateral (2024-25)	261.3%	+255.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

expected_compound

70576

expected_min_alpha

245

reproduces

True

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r110_local.py

Experimento: R110 local reproduction
Origen: outputs/round_110_repro/metadata.json · → ver detalle de la ronda

R136 R110 local reproductionOPTIMISTIC-EXEC L 70,576% 1,707% +239.2 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+378.4%	104%	—	—
F1 Bull (2019-21)	537.3%	+439.3%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.2%	234%	—	—
F3 Lateral (2024-25)	261.3%	+255.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

expected_compound

70576

expected_min_alpha

245

reproduces

True

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Experimento: R110 local reproduction
Origen: outputs/round_136/metadata.json · → ver detalle de la ronda

R146 canonical (10% fixed)OPTIMISTIC-EXEC L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

27.672150676086755

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.0

trades_total

300

skip_pct

0.0

avg_mdd

27.672150676086755

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R150 canonical (no breaker)OPTIMISTIC-EXEC L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

27.672150676086755

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R151 no shorts (V66 canonical)OPTIMISTIC-EXEC L+S 70,576% 1,707% +239.2 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	537.3%	-624.7%	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	473.6%	+239.6%	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	261.3%	+261.3%	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 longs (canonical) + SHORT module: cuando V66 está en cash, si P(SL)>0.65 (3/5 seeds), abre short. Cierra en P(TP)>0.35, stop 8%, o 40h timeout.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r151_shorts_in_gaps.py

Experimento: R151: V66 long + SHORT during cash gaps
Origen: outputs/round_151_shorts_gaps/metadata.json · → ver detalle de la ronda

R151 short P(SL)>0.80, exit P(TP)>0.20, sl=15%, max=40hOPTIMISTIC-EXEC S 70,576% 1,707% +239.2 4/4 — 0.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 longs (canonical) + SHORT module: cuando V66 está en cash, si P(SL)>0.65 (3/5 seeds), abre short. Cierra en P(TP)>0.35, stop 8%, o 40h timeout.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r151_shorts_in_gaps.py

Experimento: R151: V66 long + SHORT during cash gaps
Origen: outputs/round_151_shorts_gaps/metadata.json · → ver detalle de la ronda

R156 R151-A (canonical R069 for shorts) [baseline]OPTIMISTIC-EXEC L+S 70,576% 1,707% +239.2 4/4 — 0.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R156 R155 P(SL)>0.65, exit P(TP)>0.35, sl=8%OPTIMISTIC-EXEC L 70,576% 1,707% +239.2 4/4 — 0.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R162 canonical V66 (full notional)OPTIMISTIC-EXEC L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r162_r134_size_multiplier.py

Experimento: R162: R134 P(v66_zone) as position size multiplier
Origen: outputs/round_162_r134_size_mult/metadata.json · → ver detalle de la ronda

R156 R155 P(SL)>0.60, exit P(TP)>0.30, sl=8%OPTIMISTIC-EXEC L 70,209% 1,705% +239.2 4/4 11 sh 54.5% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	432.3%	+328.3%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=11 · WR=54.54545454545454%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: slope_neg L 69,381% 1,697% +264.3 4/4 310 56.4% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	393.8%	+337.1%	104%	70	51.4%
F1 Bull (2019-21)	528.7%	+430.7%	1162%	105	50.5%
F2 Recovery (2022-24)	504.6%	+270.2%	234%	59	64.4%
F3 Lateral (2024-25)	270.1%	+264.3%	0%	76	59.2%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=310 · WR=56.38%

Métricas y config crudas (metadata.json)

extra_exit_type

slope_neg

folds_wr

[51.43, 50.48, 64.41, 59.21]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R269 no exit_drsi L 68,993% — +234.2 —/4 300 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=300 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-31.7

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R269 no entry DRSI gate L 64,565% — +230.3 —/4 441 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=441 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-35.6

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R198 (unnamed) L 63,389% 1,678% +235.3 4/4 310 55.4% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	365.7%	+309.0%	104%	—	—
F1 Bull (2019-21)	600.1%	+502.1%	1162%	—	—
F2 Recovery (2022-24)	470.9%	+236.5%	234%	—	—
F3 Lateral (2024-25)	241.1%	+235.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=310 · WR=55.42%

Métricas y config crudas (metadata.json)

mode

defensive

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r198_v5v66_ensemble.py

Experimento: R198: V5+V66 cascade ensemble (defensive / aggressive / regime-conditional)
Origen: outputs/round_198_v5v66_ensemble/metadata.json · → ver detalle de la ronda

R182 Adaptive Kelly (WR last 5, kelly schedule) L 62,842% 1,736% +157.9 4/4 94 sh 54.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	407.6%	+350.9%	104%	—	—
F1 Bull (2019-21)	734.2%	+636.2%	1162%	—	—
F2 Recovery (2022-24)	392.3%	+157.9%	234%	—	—
F3 Lateral (2024-25)	201.9%	+196.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=94 · WR=54.02777777777777%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A under bug-fixed engine + ADAPTIVE Kelly sizing based on rolling short WR (last N shorts). 4 schedules + half-Kelly fixed tested.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r182_adaptive_kelly.py

Experimento: R182: R151-A with adaptive Kelly sizing based on rolling short WR
Origen: outputs/round_182_adaptive_kelly/metadata.json · → ver detalle de la ronda

R269 no exit_gru_danger L 62,788% — +205.0 —/4 299 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=299 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-60.9

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R269 ratchet 3->1 (none) L 62,577% — +220.6 —/4 302 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-45.3

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R189 R151-B conservative (instrumented) L+S 60,539% 1,699% +168.9 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	429.9%	+373.2%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	670.9%	+572.9%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	403.3%	+168.9%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	194.9%	+189.1%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

folds_wr

[55.45, 54.13, 56.41, 54.46]

folds_long_wr

[55.74, 53.0, 61.67, 54.05]

folds_short_wr

[55.0, 66.67, 38.89, 55.56]

folds_longs

[61, 100, 60, 74]

folds_shorts

[40, 9, 18, 27]

folds_profit_factor

[2.08, 2.2, 2.86, 2.1]

avg_win_pct

7.21

avg_loss_pct

-3.93

profit_factor

2.24

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r189_comprehensive_instrumented.py

R198 (unnamed) L 59,598% 1,647% +219.5 4/4 310 55.4% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	353.2%	+296.5%	104%	—	—
F1 Bull (2019-21)	600.1%	+502.1%	1162%	—	—
F2 Recovery (2022-24)	453.9%	+219.5%	234%	—	—
F3 Lateral (2024-25)	239.7%	+233.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=310 · WR=55.42%

Métricas y config crudas (metadata.json)

mode

baseline_v66

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r198_v5v66_ensemble.py

Experimento: R198: V5+V66 cascade ensemble (defensive / aggressive / regime-conditional)
Origen: outputs/round_198_v5v66_ensemble/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: double_atr_drsi L 55,137% 1,580% +211.7 4/4 596 55.4% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	404.9%	+348.2%	104%	120	55.0%
F1 Bull (2019-21)	488.1%	+390.1%	1162%	231	51.5%
F2 Recovery (2022-24)	446.1%	+211.7%	234%	142	60.6%
F3 Lateral (2024-25)	240.7%	+234.9%	0%	103	54.4%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=596 · WR=55.36%

Métricas y config crudas (metadata.json)

extra_exit_type

double_atr_drsi

folds_wr

[55.0, 51.52, 60.56, 54.37]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: rsi_confluence L 54,432% 1,564% +213.3 4/4 400 59.9% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	370.3%	+313.6%	104%	88	55.7%
F1 Bull (2019-21)	482.0%	+384.0%	1162%	141	58.2%
F2 Recovery (2022-24)	447.7%	+213.3%	234%	90	66.7%
F3 Lateral (2024-25)	263.7%	+257.9%	0%	81	59.3%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=400 · WR=59.94%

Métricas y config crudas (metadata.json)

extra_exit_type

rsi_confluence

folds_wr

[55.68, 58.16, 66.67, 59.26]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R174 R151-B more conservative (bugfix) L+S 54,068% 1,668% +125.3 4/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	182.0%	+78.0%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	616.7%	-545.3%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	568.3%	+334.3%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	301.1%	+301.1%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r174_r151_bugfix.py

Experimento: R174: R151-A re-validated under bug-fixed engine
Origen: outputs/round_174_r151_bugfix/metadata.json · → ver detalle de la ronda

R150 DD 30% / pause 30dOPTIMISTIC-EXEC L 53,423% 1,553% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	382.6%	-779.4%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

25.739174428102647

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R156 R155 P(SL)>0.55, exit P(TP)>0.35, sl=8%OPTIMISTIC-EXEC L 52,673% 1,571% +239.2 4/4 185 sh 48.7% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	301.7%	+197.7%	104%	—	—
F1 Bull (2019-21)	534.0%	-628.0%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=185 · WR=48.728813559322035%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R151 short P(SL)>0.75, exit P(TP)>0.25, sl=12%, max=40hOPTIMISTIC-EXEC S 52,487% 1,596% +199.3 4/4 9 sh 68.8% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	256.0%	+152.0%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	541.5%	+307.5%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=9 · WR=68.75%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 longs (canonical) + SHORT module: cuando V66 está en cash, si P(SL)>0.65 (3/5 seeds), abre short. Cierra en P(TP)>0.35, stop 8%, o 40h timeout.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r151_shorts_in_gaps.py

Experimento: R151: V66 long + SHORT during cash gaps
Origen: outputs/round_151_shorts_gaps/metadata.json · → ver detalle de la ronda

R146 ATR 2.5x floor 7%OPTIMISTIC-EXEC L 48,939% 1,533% +230.4 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	325.5%	+221.5%	104%	—	—
F1 Bull (2019-21)	505.8%	-656.2%	1162%	—	—
F2 Recovery (2022-24)	464.8%	+230.8%	234%	—	—
F3 Lateral (2024-25)	236.8%	+236.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

32.082204389008545

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R217 V13 conservative tgt=2.0% clip[0.7,1.2] L 46,884% 1,654% +90.4 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	147.1%	+90.4%	104%	65	—
F1 Bull (2019-21)	677.7%	+579.7%	1162%	103	—
F2 Recovery (2022-24)	558.2%	+323.8%	234%	58	—
F3 Lateral (2024-25)	271.4%	+265.6%	0%	74	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.02

min_lev

0.7

max_lev

1.2

liquidated_folds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217: vol-Kelly variants sweep — find the full margin roster
Origen: outputs/round_217_volkelly_variants/metadata.json · → ver detalle de la ronda

R156 R155 P(SL)>0.50, exit P(TP)>0.40, sl=8%OPTIMISTIC-EXEC L 43,030% 1,501% +168.3 4/4 487 sh 36.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	225.0%	+121.0%	104%	—	—
F1 Bull (2019-21)	545.0%	-617.0%	1162%	—	—
F2 Recovery (2022-24)	469.4%	+235.4%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=487 · WR=36.56055341659624%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R156 R155 P(SL)>0.50, exit P(TP)>0.40, sl=10%OPTIMISTIC-EXEC L 43,030% 1,501% +168.3 4/4 487 sh 36.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	225.0%	+121.0%	104%	—	—
F1 Bull (2019-21)	545.0%	-617.0%	1162%	—	—
F2 Recovery (2022-24)	469.4%	+235.4%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=487 · WR=36.56055341659624%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier asymmetric: k_up=7, k_dn=10 → favors P(SL) responsiveness

Entrada / salida

Dual-model: V66 longs use canonical GRU; shorts use R155 short-specific model

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r156_dual_model.py

Experimento: R156: V66 canonical longs + R155 short-trained shorts
Origen: outputs/round_156_dual_model/metadata.json · → ver detalle de la ronda

R173 V66 canonical (no pyramid) — bugfix enginePROD V6 L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+171.0%	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	525.2%	-636.8%	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	427.2%	+193.2%	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	245.8%	+245.8%	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.960264900662246%

Métricas y config crudas (metadata.json)

pyramid_adds

pyramid_blocked

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 canonical UNDER BUG-FIXED ENGINE: detect@close[i] → execute@open[i+1]. Pyramid disabled. Cap properly tracked. THIS IS THE HONEST V66 BASELINE.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r173_bugfix.py

Experimento: R173: bug-fixed engine for V66 + pyramid
Origen: outputs/round_173_bugfix/metadata.json · → ver detalle de la ronda

R173 R170-B (0.12/0.65/1.75x/24h) — bugfix engine L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+171.0%	104%	—	—
F1 Bull (2019-21)	525.2%	-636.8%	1162%	—	—
F2 Recovery (2022-24)	427.2%	+193.2%	234%	—	—
F3 Lateral (2024-25)	245.8%	+245.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.960264900662246%

Métricas y config crudas (metadata.json)

pyramid_adds

pyramid_blocked

517

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 canonical UNDER BUG-FIXED ENGINE: detect@close[i] → execute@open[i+1]. Pyramid disabled. Cap properly tracked. THIS IS THE HONEST V66 BASELINE.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r173_bugfix.py

Experimento: R173: bug-fixed engine for V66 + pyramid
Origen: outputs/round_173_bugfix/metadata.json · → ver detalle de la ronda

R173 R163 baseline (0.10/0.50/1.5x/24h) — bugfix engine L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+171.0%	104%	—	—
F1 Bull (2019-21)	525.2%	-636.8%	1162%	—	—
F2 Recovery (2022-24)	427.2%	+193.2%	234%	—	—
F3 Lateral (2024-25)	245.8%	+245.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.960264900662246%

Métricas y config crudas (metadata.json)

pyramid_adds

pyramid_blocked

583

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 canonical UNDER BUG-FIXED ENGINE: detect@close[i] → execute@open[i+1]. Pyramid disabled. Cap properly tracked. THIS IS THE HONEST V66 BASELINE.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r173_bugfix.py

Experimento: R173: bug-fixed engine for V66 + pyramid
Origen: outputs/round_173_bugfix/metadata.json · → ver detalle de la ronda

R173 More conservative (0.10/0.30/1.3x/24h) — bugfix L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+171.0%	104%	—	—
F1 Bull (2019-21)	525.2%	-636.8%	1162%	—	—
F2 Recovery (2022-24)	427.2%	+193.2%	234%	—	—
F3 Lateral (2024-25)	245.8%	+245.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.960264900662246%

Métricas y config crudas (metadata.json)

pyramid_adds

pyramid_blocked

388

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 canonical UNDER BUG-FIXED ENGINE: detect@close[i] → execute@open[i+1]. Pyramid disabled. Cap properly tracked. THIS IS THE HONEST V66 BASELINE.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r173_bugfix.py

Experimento: R173: bug-fixed engine for V66 + pyramid
Origen: outputs/round_173_bugfix/metadata.json · → ver detalle de la ronda

R174 V66 alone (bugfix engine) L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+171.0%	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	525.2%	-636.8%	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	427.2%	+193.2%	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	245.8%	+245.8%	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r174_r151_bugfix.py

Experimento: R174: R151-A re-validated under bug-fixed engine
Origen: outputs/round_174_r151_bugfix/metadata.json · → ver detalle de la ronda

R189 V66 canonical (instrumented, R173 baseline) L 42,636% 1,473% +192.8 4/4 302 56.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.0%	+218.3%	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	525.2%	+427.2%	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	427.2%	+192.8%	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	245.8%	+240.0%	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

folds_wr

[53.12, 52.48, 60.66, 59.21]

folds_long_wr

[53.12, 52.48, 60.66, 59.21]

folds_short_wr

[null, null, null, null]

folds_longs

[64, 101, 61, 76]

folds_shorts

[0, 0, 0, 0]

folds_profit_factor

[2.2, 2.06, 3.4, 2.42]

avg_win_pct

7.49

avg_loss_pct

-4.03

profit_factor

2.36

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r189_comprehensive_instrumented.py

R197 V5 baseline (lo) L 38,952% 1,419% +203.4 4/4 304 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	317.6%	+260.9%	104%	—	—
F1 Bull (2019-21)	443.0%	+345.0%	1162%	—	—
F2 Recovery (2022-24)	437.8%	+203.4%	234%	—	—
F3 Lateral (2024-25)	220.3%	+214.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=304 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.001

thresholds

{"nb": 0.3, "nl": 0.38, "nr": 0.31}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: vol_adjusted L 37,452% 1,442% +100.0 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	279.1%	+222.4%	104%	66	50.0%
F1 Bull (2019-21)	605.2%	+507.2%	1162%	103	49.5%
F2 Recovery (2022-24)	334.4%	+100.0%	234%	59	64.4%
F3 Lateral (2024-25)	223.3%	+217.5%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

sizing_mode

vol_adjusted

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R269 no exit_trail L 31,624% — +205.5 —/4 225 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=225 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-60.4

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R269 no exit_peak_drop L 30,398% — +161.6 —/4 233 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=233 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-104.3

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R187 V4 hybrid_v5 3-Regime (REALISTIC-EXEC) — V4 bot honestPROD V4 L 29,909% 1,415% +99.7 4/4 180 52.8% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	587.7%	+531.0%	104%	43	55.8%
F1 Bull (2019-21)	346.4%	+248.4%	1162%	60	46.7%
F2 Recovery (2022-24)	375.7%	+141.3%	234%	33	54.5%
F3 Lateral (2024-25)	105.5%	+99.7%	0%	44	56.8%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=180 · WR=52.78%

Métricas y config crudas (metadata.json)

folds_wr

[55.81, 46.67, 54.55, 56.82]

inflation_factor_vs_optimistic

1.01

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r187_v4_bugfix.py

Experimento: R187: V4 (hybrid_v5 3-Regime Robust-5) under REALISTIC-EXEC
Origen: outputs/round_187_v4_bugfix/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: tiered L 29,218% 1,325% +36.1 4/4 303 55.5% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	281.0%	+224.3%	104%	66	50.0%
F1 Bull (2019-21)	558.0%	+460.0%	1162%	103	50.5%
F2 Recovery (2022-24)	270.5%	+36.1%	234%	59	62.7%
F3 Lateral (2024-25)	215.6%	+209.8%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.47%

Métricas y config crudas (metadata.json)

sizing_mode

tiered

folds_wr

[50.0, 50.49, 62.71, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R146 ATR 3x floor 5%OPTIMISTIC-EXEC L 29,029% 1,289% +195.1 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	293.8%	+189.8%	104%	—	—
F1 Bull (2019-21)	293.1%	-868.9%	1162%	—	—
F2 Recovery (2022-24)	474.4%	+240.4%	234%	—	—
F3 Lateral (2024-25)	227.7%	+227.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

29.14433857637885

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: prob_weighted L 28,274% 1,323% +53.6 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	236.0%	+179.3%	104%	66	50.0%
F1 Bull (2019-21)	577.2%	+479.2%	1162%	103	49.5%
F2 Recovery (2022-24)	288.0%	+53.6%	234%	59	64.4%
F3 Lateral (2024-25)	221.4%	+215.6%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

sizing_mode

prob_weighted

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R146 ATR 2x floor 5%OPTIMISTIC-EXEC L 28,065% 1,276% +200.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.3%	+171.3%	104%	—	—
F1 Bull (2019-21)	298.8%	-863.2%	1162%	—	—
F2 Recovery (2022-24)	474.4%	+240.4%	234%	—	—
F3 Lateral (2024-25)	227.7%	+227.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

30.555060552317062

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R146 ATR 2x capped 5-15%OPTIMISTIC-EXEC L 28,065% 1,276% +200.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	275.3%	+171.3%	104%	—	—
F1 Bull (2019-21)	298.8%	-863.2%	1162%	—	—
F2 Recovery (2022-24)	474.4%	+240.4%	234%	—	—
F3 Lateral (2024-25)	227.7%	+227.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

30.555060552317062

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R192 V5 + sizing: combined L 27,453% 1,319% +25.0 4/4 303 55.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	257.9%	+201.2%	104%	66	50.0%
F1 Bull (2019-21)	592.0%	+494.0%	1162%	103	49.5%
F2 Recovery (2022-24)	259.4%	+25.0%	234%	59	64.4%
F3 Lateral (2024-25)	209.6%	+203.8%	0%	75	58.7%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=55.65%

Métricas y config crudas (metadata.json)

sizing_mode

combined

folds_wr

[50.0, 49.51, 64.41, 58.67]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r192_v5_dynamic_sizing.py

Experimento: R192: V5 V115_cmp + DYNAMIC position sizing based on prediction confidence
Origen: outputs/round_192_v5_dynamic_sizing/metadata.json · → ver detalle de la ronda

R150 DD 25% / pause 30dOPTIMISTIC-EXEC L 25,534% 1,245% +189.7 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	246.4%	+142.4%	104%	—	—
F1 Bull (2019-21)	312.6%	-849.4%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	212.7%	+212.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

24.18901680121595

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R218 R151-A baseline (futures funding 0.03%/day) L+S 25,214% 1,256% +120.3 —/4 389 55.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	476.8%	+420.1%	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	218.3%	+120.3%	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	363.5%	+129.1%	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	197.4%	+191.6%	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

borrow_per_8h

9.999999999999999e-05

avg_short_wr

77.07167832167832

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r218_v10_shorts_margin_feasibility.py

Experimento: R218: V10 shorts feasibility under Binance margin BTC borrow rates
Origen: outputs/round_218_v10_shorts_margin_feasibility/metadata.json · → ver detalle de la ronda

R218 Margin LOW (0.075%/day = 27.4% APR) L 23,601% 1,223% +119.7 —/4 74 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	449.4%	+392.7%	104%	—	—
F1 Bull (2019-21)	217.7%	+119.7%	1162%	—	—
F2 Recovery (2022-24)	361.9%	+127.5%	234%	—	—
F3 Lateral (2024-25)	194.0%	+188.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=74 · WR=—

Métricas y config crudas (metadata.json)

borrow_per_8h

0.00025

avg_short_wr

77.07167832167832

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r218_v10_shorts_margin_feasibility.py

Experimento: R218: V10 shorts feasibility under Binance margin BTC borrow rates
Origen: outputs/round_218_v10_shorts_margin_feasibility/metadata.json · → ver detalle de la ronda

R223 R223d +SL +cooldown +vol-Kelly (full stack) L 23,231% 1,681% -12.2 —/4 30 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,046.2%	+942.2%	104%	—	—
F1 Bull (2019-21)	85.8%	-1,076.2%	1162%	—	—
F2 Recovery (2022-24)	449.8%	+215.8%	234%	—	—
F3 Lateral (2024-25)	99.3%	+99.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=30 · WR=—

Métricas y config crudas (metadata.json)

params

{"use_sl": true, "use_cooldown": true, "use_kelly": true}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r223_balanced_long_short.py

Experimento: R223: balanced long-short pure signal (no V5 cascade)
Origen: outputs/round_223_balanced_long_short/metadata.json · → ver detalle de la ronda

R218 Margin MID (0.1125%/day = 41% APR) L 22,335% 1,196% +119.3 —/4 74 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	427.5%	+370.8%	104%	—	—
F1 Bull (2019-21)	217.3%	+119.3%	1162%	—	—
F2 Recovery (2022-24)	360.5%	+126.1%	234%	—	—
F3 Lateral (2024-25)	191.1%	+185.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=74 · WR=—

Métricas y config crudas (metadata.json)

borrow_per_8h

0.00037500000000000006

avg_short_wr

77.07167832167832

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r218_v10_shorts_margin_feasibility.py

Experimento: R218: V10 shorts feasibility under Binance margin BTC borrow rates
Origen: outputs/round_218_v10_shorts_margin_feasibility/metadata.json · → ver detalle de la ronda

R218 Margin HIGH (0.15%/day = 55% APR) L 21,136% 1,171% +118.8 —/4 74 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	406.5%	+349.8%	104%	—	—
F1 Bull (2019-21)	216.8%	+118.8%	1162%	—	—
F2 Recovery (2022-24)	359.1%	+124.7%	234%	—	—
F3 Lateral (2024-25)	188.3%	+182.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=74 · WR=—

Métricas y config crudas (metadata.json)

borrow_per_8h

0.0005

avg_short_wr

77.07167832167832

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r218_v10_shorts_margin_feasibility.py

Experimento: R218: V10 shorts feasibility under Binance margin BTC borrow rates
Origen: outputs/round_218_v10_shorts_margin_feasibility/metadata.json · → ver detalle de la ronda

R150 DD 20% / pause 15dOPTIMISTIC-EXEC L 20,674% 1,178% +73.9 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	295.1%	+191.1%	104%	—	—
F1 Bull (2019-21)	171.9%	-990.1%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	237.0%	+237.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

20.213634826794753

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R218 Margin EXTREME (0.20%/day = 73% APR) L 19,637% 1,138% +118.2 —/4 74 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	379.8%	+323.1%	104%	—	—
F1 Bull (2019-21)	216.2%	+118.2%	1162%	—	—
F2 Recovery (2022-24)	357.3%	+122.9%	234%	—	—
F3 Lateral (2024-25)	184.6%	+178.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=74 · WR=—

Métricas y config crudas (metadata.json)

borrow_per_8h

0.0006666666666666666

avg_short_wr

77.07167832167832

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r218_v10_shorts_margin_feasibility.py

Experimento: R218: V10 shorts feasibility under Binance margin BTC borrow rates
Origen: outputs/round_218_v10_shorts_margin_feasibility/metadata.json · → ver detalle de la ronda

R223 R223a vanilla (no SL, no cooldown, no Kelly) L 18,439% 1,363% +63.1 —/4 26 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	802.0%	+698.0%	104%	—	—
F1 Bull (2019-21)	161.1%	-1,000.9%	1162%	—	—
F2 Recovery (2022-24)	306.8%	+72.8%	234%	—	—
F3 Lateral (2024-25)	93.5%	+93.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=26 · WR=—

Métricas y config crudas (metadata.json)

params

{"use_sl": false, "use_cooldown": false, "use_kelly": false}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r223_balanced_long_short.py

Experimento: R223: balanced long-short pure signal (no V5 cascade)
Origen: outputs/round_223_balanced_long_short/metadata.json · → ver detalle de la ronda

R150 DD 20% / pause 60dOPTIMISTIC-EXEC L 15,747% 1,081% +113.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	204.2%	+100.2%	104%	—	—
F1 Bull (2019-21)	211.5%	-950.5%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	191.5%	+191.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

19.974562037134554

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R146 ATR 1.5x capped 4-12%OPTIMISTIC-EXEC L 14,737% 1,040% +69.0 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	237.2%	+133.2%	104%	—	—
F1 Bull (2019-21)	167.0%	-995.0%	1162%	—	—
F2 Recovery (2022-24)	417.3%	+183.3%	234%	—	—
F3 Lateral (2024-25)	218.6%	+218.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

32.219972142219945

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r146_atr_stops.py

Experimento: R146: ATR-adaptive initial SL on canonical V66
Origen: outputs/round_146_atr_stops/metadata.json · → ver detalle de la ronda

R223 R223c +SL +cooldown(2,24) L 14,241% 1,161% +45.7 —/4 30 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	597.3%	+493.3%	104%	—	—
F1 Bull (2019-21)	143.7%	-1,018.3%	1162%	—	—
F2 Recovery (2022-24)	318.6%	+84.6%	234%	—	—
F3 Lateral (2024-25)	101.6%	+101.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=30 · WR=—

Métricas y config crudas (metadata.json)

params

{"use_sl": true, "use_cooldown": true, "use_kelly": false}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r223_balanced_long_short.py

Experimento: R223: balanced long-short pure signal (no V5 cascade)
Origen: outputs/round_223_balanced_long_short/metadata.json · → ver detalle de la ronda

R269 regimes 3->2 (bear+rest) L 13,119% — +83.1 —/4 319 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=319 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-182.8

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R190 V5 + honest pyramid 70/30, trig=10%, add=70% L+ 12,975% 977% +33.9 4/4 302 53.3% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	240.9%	+184.2%	104%	64	43.8%
F1 Bull (2019-21)	320.3%	+222.3%	1162%	102	48.0%
F2 Recovery (2022-24)	268.3%	+33.9%	234%	60	65.0%
F3 Lateral (2024-25)	147.8%	+142.0%	0%	76	56.6%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=53.34%

Métricas y config crudas (metadata.json)

initial_size

0.7

pyramid_trigger

0.1

pyramid_add_frac

0.7

max_leverage

1.43

total_adds

249

folds_wr

[43.75, 48.04, 65.0, 56.58]

folds_adds

[60, 109, 38, 42]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R223 R223b +SL only (long 8%, short 8%) L 12,500% 1,153% +47.3 —/4 30 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	620.2%	+516.2%	104%	—	—
F1 Bull (2019-21)	145.3%	-1,016.7%	1162%	—	—
F2 Recovery (2022-24)	315.9%	+81.9%	234%	—	—
F3 Lateral (2024-25)	71.5%	+71.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=30 · WR=—

Métricas y config crudas (metadata.json)

params

{"use_sl": true, "use_cooldown": false, "use_kelly": false}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r223_balanced_long_short.py

Experimento: R223: balanced long-short pure signal (no V5 cascade)
Origen: outputs/round_223_balanced_long_short/metadata.json · → ver detalle de la ronda

R150 DD 20% / pause 30dOPTIMISTIC-EXEC L 12,491% 1,015% +70.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	169.8%	+65.8%	104%	—	—
F1 Bull (2019-21)	168.8%	-993.2%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	202.7%	+202.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

20.29053530619941

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R186 V3 hybrid_v3 (REALISTIC-EXEC) — V3 bot honestPROD V3 L 11,400% 1,077% +44.4 4/4 213 47.4% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	559.8%	+503.1%	104%	41	48.8%
F1 Bull (2019-21)	163.7%	+65.7%	1162%	66	39.4%
F2 Recovery (2022-24)	278.8%	+44.4%	234%	46	54.4%
F3 Lateral (2024-25)	74.5%	+68.7%	0%	60	50.0%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=213 · WR=47.42%

Métricas y config crudas (metadata.json)

folds_wr

[48.78, 39.39, 54.35, 50.0]

inflation_factor_vs_optimistic

0.63

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r186_v3_bugfix.py

Experimento: R186: V3 (hybrid_v3) under REALISTIC-EXEC engine
Origen: outputs/round_186_v3_bugfix/metadata.json · → ver detalle de la ronda

R197 +0.05 reenter L 9,268% 969% -83.0 3/4 234 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	425.2%	+368.5%	104%	—	—
F1 Bull (2019-21)	325.5%	+227.5%	1162%	—	—
F2 Recovery (2022-24)	151.4%	-83.0%	234%	—	—
F3 Lateral (2024-25)	66.7%	+60.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=234 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.0

thresholds

{"nb": 0.35, "nl": 0.43, "nr": 0.36}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R185 V2 GRU Ensemble (REALISTIC-EXEC) — V2 bot honestPROD V2 L 7,781% 869% +62.1 4/4 117 51.3% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	327.3%	+270.6%	104%	13	46.1%
F1 Bull (2019-21)	176.4%	+78.4%	1162%	9	44.4%
F2 Recovery (2022-24)	297.5%	+63.1%	234%	44	56.8%
F3 Lateral (2024-25)	67.9%	+62.1%	0%	51	49.0%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=117 · WR=51.28%

Métricas y config crudas (metadata.json)

folds_wr

[46.15, 44.44, 56.82, 49.02]

inflation_factor_vs_optimistic

0.98

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r185_v2_bugfix.py

Experimento: R185: V2 (GRU Ensemble always-invested) under REALISTIC-EXEC engine
Origen: outputs/round_185_v2_bugfix/metadata.json · → ver detalle de la ronda

R150 DD 15% / pause 30dOPTIMISTIC-EXEC L 6,938% 833% -29.8 3/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	168.7%	+64.7%	104%	—	—
F1 Bull (2019-21)	68.2%	-1,093.8%	1162%	—	—
F2 Recovery (2022-24)	349.7%	+115.7%	234%	—	—
F3 Lateral (2024-25)	246.4%	+246.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

avg_mdd

17.41430641438786

circuit_triggers

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r150_maxdd_circuit.py

Experimento: R150: Max-DD circuit breaker on V66
Origen: outputs/round_150_maxdd/metadata.json · → ver detalle de la ronda

R162 R134 size: hard 25/50/75/100OPTIMISTIC-EXEC L 6,278% 840% -90.4 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	65.8%	-1,096.2%	1162%	—	—
F2 Recovery (2022-24)	144.0%	-90.0%	234%	—	—
F3 Lateral (2024-25)	194.6%	+194.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r162_r134_size_multiplier.py

Experimento: R162: R134 P(v66_zone) as position size multiplier
Origen: outputs/round_162_r134_size_mult/metadata.json · → ver detalle de la ronda

R197 +0.05 reenter L 5,785% 818% -105.3 3/4 234 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	375.7%	+319.0%	104%	—	—
F1 Bull (2019-21)	266.3%	+168.3%	1162%	—	—
F2 Recovery (2022-24)	129.1%	-105.3%	234%	—	—
F3 Lateral (2024-25)	47.4%	+41.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=234 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.001

thresholds

{"nb": 0.35, "nl": 0.43, "nr": 0.36}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R190 V5 + honest pyramid 50/50, trig=5%, add=50% L+ 4,915% 671% -40.8 3/4 303 46.1% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	179.1%	+122.4%	104%	65	40.0%
F1 Bull (2019-21)	176.6%	+78.6%	1162%	102	41.2%
F2 Recovery (2022-24)	193.6%	-40.8%	234%	60	53.3%
F3 Lateral (2024-25)	121.3%	+115.5%	0%	76	50.0%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=46.13%

Métricas y config crudas (metadata.json)

initial_size

0.5

pyramid_trigger

0.05

pyramid_add_frac

0.5

max_leverage

2.0

total_adds

763

folds_wr

[40.0, 41.18, 53.33, 50.0]

folds_adds

[177, 311, 140, 135]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R162 R134 size: soft (linear P)OPTIMISTIC-EXEC L 4,388% 752% -116.6 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	62.8%	-1,099.2%	1162%	—	—
F2 Recovery (2022-24)	117.8%	-116.2%	234%	—	—
F3 Lateral (2024-25)	136.5%	+136.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r162_r134_size_multiplier.py

Experimento: R162: R134 P(v66_zone) as position size multiplier
Origen: outputs/round_162_r134_size_mult/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 3,810% 809% -111.6 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	-9.0%	-1,171.0%	1162%	—	—
F2 Recovery (2022-24)	122.8%	-111.2%	234%	—	—
F3 Lateral (2024-25)	260.4%	+260.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.2

trades_total

182

skip_pct

94.4206008583691

avg_mdd

22.90006047409818

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R190 V5 + honest pyramid 50/50, trig=10%, add=30% L+ 3,713% 602% -65.3 3/4 302 53.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	167.6%	+110.9%	104%	64	42.2%
F1 Bull (2019-21)	165.2%	+67.2%	1162%	102	48.0%
F2 Recovery (2022-24)	169.1%	-65.3%	234%	60	65.0%
F3 Lateral (2024-25)	99.7%	+93.9%	0%	76	56.6%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=52.95%

Métricas y config crudas (metadata.json)

initial_size

0.5

pyramid_trigger

0.1

pyramid_add_frac

0.3

max_leverage

2.0

total_adds

453

folds_wr

[42.19, 48.04, 65.0, 56.58]

folds_adds

[104, 205, 78, 66]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 3,681% 815% -115.8 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	-17.8%	-1,179.8%	1162%	—	—
F2 Recovery (2022-24)	140.0%	-94.0%	234%	—	—
F3 Lateral (2024-25)	258.1%	+258.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.1

trades_total

207

skip_pct

92.28187919463086

avg_mdd

25.836237270527242

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R197 V5 baseline (lo) L 3,563% 614% +15.2 4/4 303 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	152.0%	+95.3%	104%	—	—
F1 Bull (2019-21)	135.6%	+37.6%	1162%	—	—
F2 Recovery (2022-24)	249.6%	+15.2%	234%	—	—
F3 Lateral (2024-25)	76.5%	+70.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.005

thresholds

{"nb": 0.3, "nl": 0.38, "nr": 0.31}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R190 V5 + honest pyramid 50/50, trig=15%, add=50% L+ 3,495% 587% -84.0 3/4 302 55.7% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	188.8%	+132.1%	104%	64	50.0%
F1 Bull (2019-21)	146.3%	+48.3%	1162%	102	50.0%
F2 Recovery (2022-24)	150.4%	-84.0%	234%	60	65.0%
F3 Lateral (2024-25)	101.8%	+96.0%	0%	76	57.9%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.72%

Métricas y config crudas (metadata.json)

initial_size

0.5

pyramid_trigger

0.15

pyramid_add_frac

0.5

max_leverage

2.0

total_adds

134

folds_wr

[50.0, 50.0, 65.0, 57.89]

folds_adds

[37, 55, 25, 17]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R162 R134 size: aggressive 10/30/60/100OPTIMISTIC-EXEC L 3,415% 728% -133.6 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	20.8%	-1,141.2%	1162%	—	—
F2 Recovery (2022-24)	100.8%	-133.2%	234%	—	—
F3 Lateral (2024-25)	170.8%	+170.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r162_r134_size_multiplier.py

Experimento: R162: R134 P(v66_zone) as position size multiplier
Origen: outputs/round_162_r134_size_mult/metadata.json · → ver detalle de la ronda

R190 V5 + honest pyramid 50/50, trig=10%, add=50% L+ 3,408% 581% -65.1 3/4 303 52.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	147.5%	+90.8%	104%	65	43.1%
F1 Bull (2019-21)	166.9%	+68.9%	1162%	102	47.1%
F2 Recovery (2022-24)	169.3%	-65.1%	234%	60	65.0%
F3 Lateral (2024-25)	97.2%	+91.4%	0%	76	55.3%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=303 · WR=52.6%

Métricas y config crudas (metadata.json)

initial_size

0.5

pyramid_trigger

0.1

pyramid_add_frac

0.5

max_leverage

2.0

total_adds

313

folds_wr

[43.08, 47.06, 65.0, 55.26]

folds_adds

[80, 134, 52, 47]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r190_v5_honest_pyramid.py

Experimento: R190: V5 V115_cmp + HONEST pyramid (50% initial cap, 50% reserve for adds)
Origen: outputs/round_190_v5_honest_pyramid/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 2,921% 753% -147.1 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	-12.0%	-1,174.0%	1162%	—	—
F2 Recovery (2022-24)	87.3%	-146.7%	234%	—	—
F3 Lateral (2024-25)	242.5%	+242.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.3

trades_total

167

skip_pct

95.26241134751773

avg_mdd

23.11876349394448

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 2,360% 668% -158.2 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	2.7%	-1,159.3%	1162%	—	—
F2 Recovery (2022-24)	76.2%	-157.8%	234%	—	—
F3 Lateral (2024-25)	154.2%	+154.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.7

trades_total

121

skip_pct

97.26182394206833

avg_mdd

19.861826425315833

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R158 R151-A (canonical R069 for shorts) [baseline]OPTIMISTIC-EXEC L+S 1,772% 780% -290.9 3/4 398 sh 51.2% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	483.0%	+379.0%	104%	—	—
F1 Bull (2019-21)	229.0%	-933.0%	1162%	—	—
F2 Recovery (2022-24)	-56.5%	-290.5%	234%	—	—
F3 Lateral (2024-25)	124.4%	+124.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=398 · WR=51.2232321592815%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R158 R157 P(SL)>0.65, exit P(TP)>0.35, sl=8%OPTIMISTIC-EXEC L 1,772% 780% -290.9 3/4 398 sh 51.2% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	483.0%	+379.0%	104%	—	—
F1 Bull (2019-21)	229.0%	-933.0%	1162%	—	—
F2 Recovery (2022-24)	-56.5%	-290.5%	234%	—	—
F3 Lateral (2024-25)	124.4%	+124.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=398 · WR=51.2232321592815%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 1,576% 608% -179.8 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	-12.0%	-1,174.0%	1162%	—	—
F2 Recovery (2022-24)	54.6%	-179.4%	234%	—	—
F3 Lateral (2024-25)	130.3%	+130.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.4

trades_total

156

skip_pct

95.97419354838709

avg_mdd

25.50800531681281

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R191 V5 + extra exit: atr_z_spike L 1,479% 476% -90.1 1/4 1,953 52.0% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	253.4%	+196.7%	104%	446	52.0%
F1 Bull (2019-21)	72.8%	-25.2%	1162%	615	51.2%
F2 Recovery (2022-24)	144.3%	-90.1%	234%	431	54.3%
F3 Lateral (2024-25)	5.8%	-0.0%	0%	461	50.3%

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=1953 · WR=51.97%

Métricas y config crudas (metadata.json)

extra_exit_type

atr_z_spike

folds_wr

[52.02, 51.22, 54.29, 50.33]

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r191_v5_extended_exits.py

Experimento: R191: V5 V115_cmp + 6 extended exit conditions
Origen: outputs/round_191_v5_extended_exits/metadata.json · → ver detalle de la ronda

R148 (unnamed)OPTIMISTIC-EXEC L 1,331% 575% -169.8 2/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	-14.3%	-1,176.3%	1162%	—	—
F2 Recovery (2022-24)	64.6%	-169.4%	234%	—	—
F3 Lateral (2024-25)	89.6%	+89.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

tau

0.5

trades_total

146

skip_pct

96.44509374239104

avg_mdd

24.630217400457944

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r148_meta_label.py

Experimento: R148: meta-labeling V66 + R134 P(v66_zone) filter
Origen: outputs/round_148_metalabel/metadata.json · → ver detalle de la ronda

R269 regimes 3->1 (lateral-all) L 964% — -147.1 —/4 319 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=319 · WR=—

Métricas y config crudas (metadata.json)

delta_min_alpha

-413.0

bh_beats

verdict

LOAD-BEARING

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r269_cascade_ablation.py

Experimento: R269 F3 cascade leave-one-rule-out ablation
Origen: outputs/round_269_cascade_ablation/metadata.json · → ver detalle de la ronda

R197 +0.05 reenter L 814% 360% -173.7 2/4 234 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	200.3%	+143.6%	104%	—	—
F1 Bull (2019-21)	108.2%	+10.2%	1162%	—	—
F2 Recovery (2022-24)	60.7%	-173.7%	234%	—	—
F3 Lateral (2024-25)	-9.1%	-14.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=234 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.005

thresholds

{"nb": 0.35, "nl": 0.43, "nr": 0.36}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.10 reenter L 414% 221% -205.8 2/4 144 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	80.5%	+23.8%	104%	—	—
F1 Bull (2019-21)	10.0%	-88.0%	1162%	—	—
F2 Recovery (2022-24)	28.6%	-205.8%	234%	—	—
F3 Lateral (2024-25)	101.4%	+95.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=144 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.0

thresholds

{"nb": 0.4, "nl": 0.48, "nr": 0.41000000000000003}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.10 reenter L 286% 177% -212.2 2/4 144 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	68.5%	+11.8%	104%	—	—
F1 Bull (2019-21)	1.3%	-96.7%	1162%	—	—
F2 Recovery (2022-24)	22.2%	-212.2%	234%	—	—
F3 Lateral (2024-25)	85.2%	+79.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=144 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.001

thresholds

{"nb": 0.4, "nl": 0.48, "nr": 0.41000000000000003}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.15 reenter L 227% 145% -219.2 2/4 77 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	69.2%	+12.5%	104%	—	—
F1 Bull (2019-21)	42.2%	-55.8%	1162%	—	—
F2 Recovery (2022-24)	15.2%	-219.2%	234%	—	—
F3 Lateral (2024-25)	17.9%	+12.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=77 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.0

thresholds

{"nb": 0.44999999999999996, "nl": 0.53, "nr": 0.459999999...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.15 reenter L 180% 124% -220.8 2/4 77 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	62.4%	+5.7%	104%	—	—
F1 Bull (2019-21)	36.1%	-61.9%	1162%	—	—
F2 Recovery (2022-24)	13.6%	-220.8%	234%	—	—
F3 Lateral (2024-25)	11.7%	+5.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=77 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.001

thresholds

{"nb": 0.44999999999999996, "nl": 0.53, "nr": 0.459999999...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R176 R176: V66 backtest with R175 Transformer checkpoints (bug-fi L 92% — -223.9 0/4 243 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	-21.2%	104%	—	—
F1 Bull (2019-21)	—	-68.9%	1162%	—	—
F2 Recovery (2022-24)	—	-223.9%	234%	—	—
F3 Lateral (2024-25)	—	-6.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=243 · WR=—

Métricas y config crudas (metadata.json)

folds_trades

[51, 136, 49, 7]

total_wins

114

v66_bugfix_baseline

{"compound": 42636, "min_alpha": 193}

beats_v66

False

elapsed_min

42.88139955202738

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

Transformer encoder 4 layers × d_model=64 × 8 heads × FFN=128 (155K params). Inputs same as GRU, output 3-class. NEW arch.

Indicadores / features

Entrenamiento

Adam 1e-4, GELU, 5 seeds, same data + events + labeling as default.

Filtro de eventos

Labeling

Entrada / salida

Transformer outputs fed into V66 cascade. FAILED: distribution mismatch (P(TP) p50=0.18 vs GRU 0.30) breaks thresholds.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r176_transformer_eval.py

Experimento: R176: V66 backtest with R175 Transformer checkpoints (bug-fixed engine)
Origen: outputs/round_176_transformer_eval/metadata.json · → ver detalle de la ronda

R197 +0.20 reenter L 36% 34% -228.8 0/4 26 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	26.5%	-30.2%	104%	—	—
F1 Bull (2019-21)	1.4%	-96.6%	1162%	—	—
F2 Recovery (2022-24)	5.6%	-228.8%	234%	—	—
F3 Lateral (2024-25)	0.5%	-5.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=26 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.0

thresholds

{"nb": 0.5, "nl": 0.5800000000000001, "nr": 0.51}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.15 reenter L 30% 33% -227.0 0/4 77 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	39.6%	-17.1%	104%	—	—
F1 Bull (2019-21)	-3.9%	-101.9%	1162%	—	—
F2 Recovery (2022-24)	7.4%	-227.0%	234%	—	—
F3 Lateral (2024-25)	-10.0%	-15.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=77 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.005

thresholds

{"nb": 0.44999999999999996, "nl": 0.53, "nr": 0.459999999...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.20 reenter L 29% 29% -229.0 0/4 26 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	25.2%	-31.5%	104%	—	—
F1 Bull (2019-21)	0.2%	-97.8%	1162%	—	—
F2 Recovery (2022-24)	5.4%	-229.0%	234%	—	—
F3 Lateral (2024-25)	-2.3%	-8.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=26 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.001

thresholds

{"nb": 0.5, "nl": 0.5800000000000001, "nr": 0.51}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.10 reenter L 11% 19% -234.7 1/4 145 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	27.9%	-28.8%	104%	—	—
F1 Bull (2019-21)	-26.0%	-124.0%	1162%	—	—
F2 Recovery (2022-24)	-0.3%	-234.7%	234%	—	—
F3 Lateral (2024-25)	17.8%	+12.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=145 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.005

thresholds

{"nb": 0.4, "nl": 0.48, "nr": 0.41000000000000003}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R197 +0.20 reenter L 8% 10% -229.8 0/4 26 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	20.3%	-36.4%	104%	—	—
F1 Bull (2019-21)	-4.5%	-102.5%	1162%	—	—
F2 Recovery (2022-24)	4.6%	-229.8%	234%	—	—
F3 Lateral (2024-25)	-10.5%	-16.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=26 · WR=—

Métricas y config crudas (metadata.json)

slip_extra

0.005

thresholds

{"nb": 0.5, "nl": 0.5800000000000001, "nr": 0.51}

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r197_v5_high_confidence.py

Experimento: R197: V5 with higher reenter thresholds × slippage stress
Origen: outputs/round_197_v5_high_confidence/metadata.json · → ver detalle de la ronda

R158 R157 P(SL)>0.60, exit P(TP)>0.30, sl=8%OPTIMISTIC-EXEC L -12% 80% -307.2 2/4 1,540 sh 45.8% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	58.2%	-45.8%	104%	—	—
F1 Bull (2019-21)	13.7%	-1,148.3%	1162%	—	—
F2 Recovery (2022-24)	-72.8%	-306.8%	234%	—	—
F3 Lateral (2024-25)	80.7%	+80.7%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=1540 · WR=45.845186538028486%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R169 R169: V66 backtest with R168 MTF-trained checkpointsOPTIMISTIC-EXEC L -56% — -222.2 0/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	-61.7%	104%	—	—
F1 Bull (2019-21)	—	-139.7%	1162%	—	—
F2 Recovery (2022-24)	—	-222.2%	234%	—	—
F3 Lateral (2024-25)	—	-34.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

folds_trades

[1, 85, 41, 46]

r136_baseline

{"compound": 70576, "min_alpha": 245, "folds_alpha": [378...

improves_vs_r136

False

verdict

FAIL — MTF doesn't help

elapsed_min

7.2285001397132875

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r169_mtf_eval.py

Experimento: R169: V66 backtest with R168 MTF-trained checkpoints
Origen: outputs/round_169_mtf_eval/metadata.json · → ver detalle de la ronda

R158 R157 P(SL)>0.55, exit P(TP)>0.35, sl=8%OPTIMISTIC-EXEC L -96% -96% -303.8 1/4 900 sh 47.5% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	-57.3%	-161.3%	104%	—	—
F1 Bull (2019-21)	-86.4%	-1,248.4%	1162%	—	—
F2 Recovery (2022-24)	-69.4%	-303.4%	234%	—	—
F3 Lateral (2024-25)	116.9%	+116.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=900 · WR=47.514101503072084%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R158 R157 P(SL)>0.50, exit P(TP)>0.40, sl=8%OPTIMISTIC-EXEC L -99% -260% -305.4 0/4 667 sh 44.5% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	-76.5%	-180.5%	104%	—	—
F1 Bull (2019-21)	-83.0%	-1,245.0%	1162%	—	—
F2 Recovery (2022-24)	-71.0%	-305.0%	234%	—	—
F3 Lateral (2024-25)	-29.2%	-29.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=667 · WR=44.51303463530242%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R158 R157 P(SL)>0.50, exit P(TP)>0.40, sl=10%OPTIMISTIC-EXEC L -100% -280% -311.6 0/4 638 sh 44.6% —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	-78.7%	-182.7%	104%	—	—
F1 Bull (2019-21)	-82.3%	-1,244.3%	1162%	—	—
F2 Recovery (2022-24)	-77.2%	-311.2%	234%	—	—
F3 Lateral (2024-25)	-42.0%	-42.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=638 · WR=44.618133638296385%

Métricas y config crudas (metadata.json)

No extra config

—

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2x128 5-seed RE-TRAINED with short-specific tb3 labeling (k_up=7, k_dn=10) — asymmetric for catching drops faster.

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Triple-barrier k_up=15, k_dn=5 (longer up barrier, much tighter down)

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r158_dual_r157.py

Experimento: R158: V66 canonical longs + R157 short-trained shorts
Origen: outputs/round_158_dual_model/metadata.json · → ver detalle de la ronda

R135 Production-grade bar-by-bar portfolio simulatorOPTIMISTIC-EXEC P — — -227.7 —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

round

135

method

V66 GRU 5-seed inference + uniform-exit + cooldown logic,...

completed_at

2026-05-26T13:19:04.568384+00:00

elapsed_min

1.42

v66_compound

43.51348400339998

macd_compound

-89.1549372176

portfolio_compound

-60.1537811512

fold_summary

[{"fold": 0, "fold_name": "F0_Bear", "n_v66_trades": 30, ...

portfolio_results

[{"fold": 0, "fold_name": "F0_Bear", "method": "fixed 25/...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r135.py

Experimento: Production-grade bar-by-bar portfolio simulator
Origen: outputs/round_135/metadata.json · → ver detalle de la ronda

R159 V66 canonicalOOTOPTIMISTIC-EXEC L — — — 1/4 302 56.0% +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	—	—	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	—	—	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	—	—	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

pnl

-7.554368963751494

alpha

11.43278473470329

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r159_oot_2026.py

Experimento: R159: 2026 OOT validation
Origen: outputs/round_159_oot_2026/metadata.json · → ver detalle de la ronda

R159 R151-AOOTOPTIMISTIC-EXEC L+S — — — 1/4 2 sh — +13.8%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-5.227596461050816

alpha

13.759557237403968

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r159_oot_2026.py

Experimento: R159: 2026 OOT validation
Origen: outputs/round_159_oot_2026/metadata.json · → ver detalle de la ronda

R159 R151-BOOTOPTIMISTIC-EXEC L+S — — — 1/4 389 55.0% +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	—	—	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	—	—	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	—	—	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

pnl

-7.554368963751494

alpha

11.43278473470329

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r159_oot_2026.py

Experimento: R159: 2026 OOT validation
Origen: outputs/round_159_oot_2026/metadata.json · → ver detalle de la ronda

R159 R154OOTOPTIMISTIC-EXEC L — — — 1/4 2 sh — +13.8%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-5.227596461050816

alpha

13.759557237403968

shorts_skipped

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r159_oot_2026.py

Experimento: R159: 2026 OOT validation
Origen: outputs/round_159_oot_2026/metadata.json · → ver detalle de la ronda

R165 V66 canonicalOOTOPTIMISTIC-EXEC L — — — 1/4 302 56.0% +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	—	—	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	—	—	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	—	—	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

pnl

-7.55436896375144

alpha

11.432784734703343

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R165 R163 pyramidOOTOPTIMISTIC-EXEC L+ — — — 1/4 — — +60.3%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.30449568804348

alpha

60.291649386498264

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R165 R163 +5%/+30%/1.3x/12hOOTOPTIMISTIC-EXEC L — — — 1/4 — — +41.1%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

22.099480702744838

alpha

41.08663440119962

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R165 R163 +15%/+50%/1.5x/48hOOTOPTIMISTIC-EXEC L — — — 1/4 — — +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

-7.55436896375144

alpha

11.432784734703343

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R165 R163 +20%/+100%/2.0x/48hOOTOPTIMISTIC-EXEC L — — — 1/4 — — +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

-7.55436896375144

alpha

11.432784734703343

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R165 R151-A shortsOOTOPTIMISTIC-EXEC L+S — — — 1/4 2 sh — +13.8%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-5.227596461050816

alpha

13.759557237403968

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r165_oot_pyramid.py

Experimento: R165: 2026 OOT for R163 pyramid variants + comparisons
Origen: outputs/round_165_oot_pyramid/metadata.json · → ver detalle de la ronda

R171 V66 canonicalOOTOPTIMISTIC-EXEC L — — — —/4 302 56.0% +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	—	—	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	—	—	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	—	—	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

pnl

-7.55436896375144

alpha

11.432784734703343

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R163 baseline (0.10/0.50/1.5x/24h)OOTOPTIMISTIC-EXEC L — — — —/4 — — +60.3%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.30449568804348

alpha

60.291649386498264

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R170-A (0.05/0.50/1.5x/24h) ★OOTOPTIMISTIC-EXEC L — — — —/4 — — +60.9%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.90008113313115

alpha

60.887234831585936

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R170-B (0.12/0.65/1.75x/24h)OOTOPTIMISTIC-EXEC L — — — —/4 — — +71.9%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

52.95842635339719

alpha

71.94558005185198

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R170-C (0.10/0.50/1.75x/24h)OOTOPTIMISTIC-EXEC L — — — —/4 — — +60.3%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.30449568804348

alpha

60.291649386498264

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R170-D (0.10/0.25/1.5x/24h)OOTOPTIMISTIC-EXEC L — — — —/4 — — +59.1%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

40.11172246397922

alpha

59.098876162434

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R171 R170-E (0.08/0.50/1.5x/24h)OOTOPTIMISTIC-EXEC L — — — —/4 — — +60.9%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.90794090857351

alpha

60.89509460702829

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r171_oot_new_champ.py

Experimento: R171: OOT 2026 for R170 sweep winners
Origen: outputs/round_171_oot_new_champ/metadata.json · → ver detalle de la ronda

R172 R172: R170-B with full instrumentation per foldOPTIMISTIC-EXEC L — — +415.5 4/4 301 — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=301 · WR=—

Métricas y config crudas (metadata.json)

config

{"trigger": 0.12, "add_size": 0.65, "max_lev": 1.75, "min...

compound_total

257753.52085323367

simple_sum_total

759.4234047223401

total_wins

166

avg_wr_unweighted

55.42761418999043

elapsed_min

5.9215695063273115

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

(Instrumented re-run of R170-B for audit. Per-trade logs revealed phantom adds → trigger for R173.)

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r172_instrumented.py

Experimento: R172: R170-B with full instrumentation per fold
Origen: outputs/round_172_instrumented/metadata.json · → ver detalle de la ronda

R177 V66 alone bugfixOOT L — — — 1/4 10 56.0% +12.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	—	—	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	—	—	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	—	—	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=10 · WR=55.96%

Métricas y config crudas (metadata.json)

pnl

-6.620420847287624

alpha

12.366732851167159

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

OOT 2026: full hold-out (2026-01-01 to 2026-03-23). NO training on this period.

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r177_oot_r151_bugfix.py

Experimento: R177: OOT 2026 R151-A under bug-fixed engine
Origen: outputs/round_177_oot_r151_bugfix/metadata.json · → ver detalle de la ronda

R177 R151-A shorts full notional (bugfix)OOT L+S — — — 1/4 2 sh — +15.3%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-3.685996882913823

alpha

15.30115681554096

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

OOT 2026: full hold-out (2026-01-01 to 2026-03-23). NO training on this period.

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r177_oot_r151_bugfix.py

Experimento: R177: OOT 2026 R151-A under bug-fixed engine
Origen: outputs/round_177_oot_r151_bugfix/metadata.json · → ver detalle de la ronda

R177 R151-A half-Kelly (bugfix)OOT L+S — — — 1/4 389 55.0% +11.5%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	—	—	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	—	—	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	—	—	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

pnl

-7.50420184892284

alpha

11.482951849531943

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

OOT 2026: full hold-out (2026-01-01 to 2026-03-23). NO training on this period.

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r177_oot_r151_bugfix.py

Experimento: R177: OOT 2026 R151-A under bug-fixed engine
Origen: outputs/round_177_oot_r151_bugfix/metadata.json · → ver detalle de la ronda

R177 R151-B conservative (bugfix)OOT L+S — — — 1/4 389 55.0% +12.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	101 (L:61, S:40)	55.5% (L:56%, S:55%)
F1 Bull (2019-21)	—	—	1162%	109 (L:100, S:9)	54.1% (L:53%, S:67%)
F2 Recovery (2022-24)	—	—	234%	78 (L:60, S:18)	56.4% (L:62%, S:39%)
F3 Lateral (2024-25)	—	—	0%	101 (L:74, S:27)	54.5% (L:54%, S:56%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=389 · WR=55.01%

Métricas y config crudas (metadata.json)

pnl

-6.620420847287624

alpha

12.366732851167159

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R151-A (V66 longs + shorts in V66 cash gaps) under bug-fixed engine. Honest re-validation of R151 family.

Walk-forward

OOT 2026: full hold-out (2026-01-01 to 2026-03-23). NO training on this period.

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r177_oot_r151_bugfix.py

Experimento: R177: OOT 2026 R151-A under bug-fixed engine
Origen: outputs/round_177_oot_r151_bugfix/metadata.json · → ver detalle de la ronda

R217 V15 aggressive tgt=4.0% clip[0.5,2.0] L — — — —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.04

min_lev

0.5

max_lev

2.0

stress_results

[{"slip_extra_bps": 0.0, "compound": 8835064.631182425, "...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217b: V15 and V17 slip stress test
Origen: outputs/round_217b_v15_v17_stress/metadata.json · → ver detalle de la ronda

R217 V17 narrow band tgt=2.5% clip[0.8,1.4] L — — — —/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

target_vol

0.025

min_lev

0.8

max_lev

1.4

stress_results

[{"slip_extra_bps": 0.0, "compound": 609749.3311637345, "...

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r217_volkelly_variants_sweep.py

Experimento: R217b: V15 and V17 slip stress test
Origen: outputs/round_217b_v15_v17_stress/metadata.json · → ver detalle de la ronda

R166 COMBINED R163 + R151-APHANTOM L+S 454,068% 3,221% +287.2 4/4 93 sh — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: toda la familia pyramid colapsa a V66 baseline (+42,636%) bajo bug-fixed engine. Audit empíricamente validado.

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	1,321.5%	+1,217.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	753.4%	+519.4%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r166_combined.py

Experimento: R166: combined R163 pyramid + R151-A shorts (stacking test)
Origen: outputs/round_166_combined/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.50 · lev=1.75x · hold=24hPHANTOM L+ 269,825% 2,560% +372.8 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	764.5%	-397.5%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.5

max_lev

1.75

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.12 · add=0.65 · lev=1.75x · hold=24hPHANTOM L+ 257,754% 2,522% +415.5 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 83.5% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	748.4%	+644.4%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	814.8%	+580.8%	234%	—	—
F3 Lateral (2024-25)	421.3%	+421.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.12

add_size

0.65

max_lev

1.75

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.25 · lev=1.50x · hold=24hPHANTOM L+ 231,575% 2,438% +371.1 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	673.2%	+569.2%	104%	—	—
F1 Bull (2019-21)	650.7%	-511.3%	1162%	—	—
F2 Recovery (2022-24)	736.9%	+502.9%	234%	—	—
F3 Lateral (2024-25)	376.9%	+376.9%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.25

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.05 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 228,349% 2,410% +430.4 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 81.3% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	685.2%	+581.2%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	751.4%	+517.4%	234%	—	—
F3 Lateral (2024-25)	436.2%	+436.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.05

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.08 · add=0.40 · lev=1.50x · hold=24hPHANTOM L+ 226,896% 2,441% +346.6 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	635.1%	+531.1%	104%	—	—
F1 Bull (2019-21)	761.8%	-400.2%	1162%	—	—
F2 Recovery (2022-24)	692.1%	+458.1%	234%	—	—
F3 Lateral (2024-25)	352.4%	+352.4%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.08

add_size

0.4

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R163 pyramid +20% / +100% / 2.0x / 48hPHANTOM L+ 219,361% 2,410% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	898.0%	+794.0%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	501.5%	+501.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R166 R151-A shorts only (P(SL)>0.65)PHANTOM L+S 212,591% 2,505% +245.1 4/4 93 sh — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	880.5%	+776.5%	104%	—	—
F1 Bull (2019-21)	852.5%	-309.5%	1162%	—	—
F2 Recovery (2022-24)	479.5%	+245.5%	234%	—	—
F3 Lateral (2024-25)	293.0%	+293.0%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=93 · WR=—

Métricas y config crudas (metadata.json)

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r166_combined.py

Experimento: R166: combined R163 pyramid + R151-A shorts (stacking test)
Origen: outputs/round_166_combined/metadata.json · → ver detalle de la ronda

R170 trig=0.08 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 204,690% 2,353% +377.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	685.2%	+581.2%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	746.7%	+512.7%	234%	—	—
F3 Lateral (2024-25)	383.3%	+383.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.08

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.08 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 204,690% 2,353% +377.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	685.2%	+581.2%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	746.7%	+512.7%	234%	—	—
F3 Lateral (2024-25)	383.3%	+383.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.08

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R163 pyramid +10% / +50% / 1.5x / 24hPHANTOM L+ 198,893% 2,333% +372.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R166 R163 pyramid only (+10/+50/1.5x/24h)PHANTOM L+ 198,893% 2,333% +372.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r166_combined.py

Experimento: R166: combined R163 pyramid + R151-A shorts (stacking test)
Origen: outputs/round_166_combined/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 198,893% 2,333% +372.8 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.50 · lev=1.50x · hold=12hPHANTOM L+ 198,893% 2,333% +372.8 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.50 · lev=1.50x · hold=48hPHANTOM L+ 198,893% 2,333% +372.8 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	740.9%	+506.9%	234%	—	—
F3 Lateral (2024-25)	378.6%	+378.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.12 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 196,935% 2,326% +371.0 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 83.5% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	675.8%	+571.8%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	735.9%	+501.9%	234%	—	—
F3 Lateral (2024-25)	376.8%	+376.8%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.12

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R163 pyramid +15% / +50% / 1.5x / 48hPHANTOM L+ 191,642% 2,307% +366.3 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	670.4%	+566.4%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	727.3%	+493.3%	234%	—	—
F3 Lateral (2024-25)	372.1%	+372.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R170 trig=0.15 · add=0.50 · lev=1.50x · hold=24hPHANTOM L+ 191,642% 2,307% +366.3 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	670.4%	+566.4%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	727.3%	+493.3%	234%	—	—
F3 Lateral (2024-25)	372.1%	+372.1%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.15

add_size

0.5

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.40 · lev=1.50x · hold=24hPHANTOM L+ 163,654% 2,201% +342.8 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	627.5%	+523.5%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	687.3%	+453.3%	234%	—	—
F3 Lateral (2024-25)	348.6%	+348.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.4

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.15 · add=0.40 · lev=1.50x · hold=48hPHANTOM L+ 158,495% 2,180% +337.5 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	623.2%	+519.2%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	676.3%	+442.3%	234%	—	—
F3 Lateral (2024-25)	343.3%	+343.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.15

add_size

0.4

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R163 pyramid +5% / +30% / 1.3x / 12hPHANTOM L+ 150,563% 2,129% +360.4 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	585.0%	+481.0%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	640.3%	+406.3%	234%	—	—
F3 Lateral (2024-25)	366.2%	+366.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R170 trig=0.05 · add=0.30 · lev=1.30x · hold=12hPHANTOM L+ 150,563% 2,129% +360.4 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 81.3% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	585.0%	+481.0%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	640.3%	+406.3%	234%	—	—
F3 Lateral (2024-25)	366.2%	+366.2%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.05

add_size

0.3

max_lev

1.3

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.15 · add=0.30 · lev=1.30x · hold=48hPHANTOM L+ 129,452% 2,053% +308.7 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	576.0%	+472.0%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	625.5%	+391.5%	234%	—	—
F3 Lateral (2024-25)	314.5%	+314.5%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.15

add_size

0.3

max_lev

1.3

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R163 pyramid +10% / +25% / 1.25x / 24hPHANTOM L+ 119,050% 2,003% +297.8 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	555.2%	+451.2%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	607.1%	+373.1%	234%	—	—
F3 Lateral (2024-25)	303.6%	+303.6%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R163 canonical V66 (no pyramid)PHANTOM L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

total_pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

V66 + PYRAMIDING longs: cuando price > entry*(1+trigger) (e.g., +10%), add size_frac of remaining cap; up to max_leverage. ⚠️ INTRA-BAR LOOKAHEAD BUG in entry sequencing — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r163_pyramiding.py

Experimento: R163: Pyramiding × always-invested V66
Origen: outputs/round_163_pyramiding/metadata.json · → ver detalle de la ronda

R166 canonical V66PHANTOM L 70,576% 1,707% +239.2 4/4 — — —

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r166_combined.py

Experimento: R166: combined R163 pyramid + R151-A shorts (stacking test)
Origen: outputs/round_166_combined/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.65 · lev=1.50x · hold=24hPHANTOM L+ 70,576% 1,707% +239.2 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.65

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.80 · lev=1.50x · hold=24hPHANTOM L+ 70,576% 1,707% +239.2 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.8

max_lev

1.5

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.50 · lev=1.25x · hold=24hPHANTOM L+ 70,576% 1,707% +239.2 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.5

max_lev

1.25

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.05 · add=0.40 · lev=1.30x · hold=12hPHANTOM L+ 70,576% 1,707% +239.2 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 81.3% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.05

add_size

0.4

max_lev

1.3

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R170 trig=0.10 · add=0.80 · lev=1.75x · hold=24hPHANTOM L+ 70,576% 1,707% +239.2 4/4 — — —

🚨 PHANTOM — Esta estrategia fue invalidada por la auditoría R173 (intra-bar lookahead + apalancamiento sin coste). El compound mostrado es 100% artefacto del engine bug.
R184 empirical re-exec: bajo bug-fixed engine = +42,636% (= V66 baseline, 78.6% del alpha original era phantom). → ver R184

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	435.1%	+331.1%	104%	—	—
F1 Bull (2019-21)	537.3%	-624.7%	1162%	—	—
F2 Recovery (2022-24)	473.6%	+239.6%	234%	—	—
F3 Lateral (2024-25)	261.3%	+261.3%	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

trigger

0.1

add_size

0.8

max_lev

1.75

min_hold

total_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

Dense sweep over R163 pyramid params (trigger/add_size/max_lev/min_hold). ⚠️ Same intra-bar bug. ALL 20 variants INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r170_pyramid_sweep.py

Experimento: R170: dense pyramid sweep around R163 winner
Origen: outputs/round_170_pyramid_sweep/metadata.json · → ver detalle de la ronda

R167 V66 canonicalPHANTOMOOT L — — — 1/4 302 56.0% +11.4%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	64 (L:64, S:0)	53.1% (L:53%)
F1 Bull (2019-21)	—	—	1162%	101 (L:101, S:0)	52.5% (L:52%)
F2 Recovery (2022-24)	—	—	234%	61 (L:61, S:0)	60.7% (L:61%)
F3 Lateral (2024-25)	—	—	0%	76 (L:76, S:0)	59.2% (L:59%)

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=302 · WR=55.96%

Métricas y config crudas (metadata.json)

pnl

-7.55436896375144

alpha

11.432784734703343

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r167_oot_combined.py

Experimento: R167: OOT 2026 for COMBINED + comparison
Origen: outputs/round_167_oot_combined/metadata.json · → ver detalle de la ronda

R167 R163 pyramid onlyPHANTOMOOT L+ — — — 1/4 — — +60.3%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=— · WR=—

Métricas y config crudas (metadata.json)

pnl

41.30449568804348

alpha

60.291649386498264

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r167_oot_combined.py

Experimento: R167: OOT 2026 for COMBINED + comparison
Origen: outputs/round_167_oot_combined/metadata.json · → ver detalle de la ronda

R167 R151-A shorts onlyPHANTOMOOT L+S — — — 1/4 2 sh — +13.8%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-5.2275964610507435

alpha

13.759557237404039

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r167_oot_combined.py

Experimento: R167: OOT 2026 for COMBINED + comparison
Origen: outputs/round_167_oot_combined/metadata.json · → ver detalle de la ronda

R167 COMBINED R163+R151-APHANTOMOOT L+S — — — 1/4 2 sh — +13.8%

Performance por fold

Fold	PnL	α	BH	Trades	WR
F0 Bear (2018)	—	—	104%	—	—
F1 Bull (2019-21)	—	—	1162%	—	—
F2 Recovery (2022-24)	—	—	234%	—	—
F3 Lateral (2024-25)	—	—	0%	—	—

Trades/WR por fold solo disponibles cuando metadata.json los registra (R180+). Totales: trades=2 · WR=—

Métricas y config crudas (metadata.json)

pnl

-5.2275964610507435

alpha

13.759557237404039

pyramid_adds

Reproducción (cómo replicar este modelo)

Datos fuente

BTC/USD 5min OHLCV (Kaiko, 2017→2026, ~970K bars) en data/btcusd_5min.csv.gz

Timeframes

Construcción de secuencias

Normalización

Arquitectura

GRU 2 layers × 128 hidden × 5-seed ensemble (checkpoints en outputs/round_069). Input: (batch, 300, n_features) → GRU → dropout 0.2 → FC → 3 logits (softmax externally).

Indicadores / features

Entrenamiento

Adam lr=1e-3, 50 epochs con early-stop on val_loss (patience=10), batch=64, dropout=0.2. 5-seed ensemble: seeds 17/29/41/53/67. Loss: CrossEntropyLoss para 3-class. Val split: 10% del train fold.

Filtro de eventos

Labeling

Entrada / salida

R163 pyramid + R151-A shorts combined. ⚠️ Combined two bugs — INVALIDATED.

Walk-forward

Patrón de ejecución

🚨 Bug-fixed engine (R173+): detect@close[i] → execute@open[i+1]. Pre-R173 ejecutaba en mismo bar = intra-bar lookahead bug. Comisiones 0.04% + slippage 0.01% en cada trade leg, sin excepción.

Script fuente

scripts/run_r167_oot_combined.py

Experimento: R167: OOT 2026 for COMBINED + comparison
Origen: outputs/round_167_oot_combined/metadata.json · → ver detalle de la ronda