Actualización 23-02-2026

Techain · 23 Febrero, 2026 09:44

Actualización Techain — 23 Febrero 2026

¡Hola a todos!

Compartimos las mejoras y novedades que hemos incorporado desde la última actualización. Gracias por vuestra confianza y por seguir construyendo con nosotros.

Nuevos nodos

No hay nuevos nodos en esta actualización.

Mejoras en nodos existentes

Filtro de Tiempo (modo Día de la Semana) — Cuando usáis el filtro de tiempo en la opción “Día de la Semana”, el bot generado ahora incluye parámetros individuales por cada día (Lunes, Martes, Miércoles, etc.) en la ventana de parámetros de MetaTrader. Así podéis activar o desactivar cada día por separado y, lo más importante, optimizar por días de la semana en el Strategy Tester: primero optimizar la franja horaria y después probar qué días conviene operar, todo desde los parámetros del EA sin tener que recompilar.
Nodos IA con aprendizaje en Backtesting (Strategic Agent, Filtro de Señales, SL/TP Dinámico, DQN, Actor-Critic, etc.) — Cuando el EA se ejecuta en el Strategy Tester, estos nodos activan automáticamente un modo de entrenamiento acelerado (learning rate x3, decay de exploración más rápido, replay más frecuente). Los modelos se guardan en .bin al terminar el backtest; podéis usar el mismo Magic Number en demo/live para cargar el modelo ya entrenado. Ver la sección Entrenamiento de nodos IA con backtest histórico en Nuevas funcionalidades.

Nuevas funcionalidades

Entrenamiento de nodos IA con backtest histórico (Strategy Tester)

A partir de esta actualización, todos los nodos IA con aprendizaje detectan automáticamente cuando el EA se ejecuta dentro del Strategy Tester de MetaTrader (MT4 y MT5) y activan un modo de entrenamiento acelerado. Esto permite:

Llenar los archivos .bin (modelos entrenados) mediante un backtest con datos históricos, eligiendo el rango de fechas o la cantidad de velas atrás en el tester.
Ahorrar mucho tiempo: en lugar de esperar semanas o meses en demo/live para ver si el entrenamiento converge, podéis hacer un backtest de 1–2 años (por ejemplo, ~1 hora) y obtener un modelo ya entrenado en los .bin.
Iterar rápido: si el desempeño no es el esperado, ajustáis parámetros, volvéis a lanzar el backtest y en poco tiempo tenéis un nuevo modelo sin tener que esperar en demo.

Comportamiento técnico:

Detección automática: en MT4 se usa IsTesting(), en MT5 MQLInfoInteger(MQL_TESTER). No hace falta configurar nada extra.
Aceleración del aprendizaje: learning rate efectivo x3 (con tope de seguridad), epsilon decay más rápido, experience replay más frecuente. Para DQN (MT5) además se entrena 5 veces más seguido (cada 10 ticks en vez de cada 50).
Persistencia: al finalizar el backtest, los .bin se guardan en Common/Files/. Usando el mismo Magic Number en demo o live, el EA carga automáticamente el modelo entrenado.
Reporte al finalizar: la función OnTester() imprime un resumen con profit, drawdown, recovery factor, win rate y número de ticks de entrenamiento, para valorar la calidad del entrenamiento antes de pasar a demo.

IMPORTANTE: El entrenamiento en Backtesting es más acelerado, pero puede disminuir considerablemente los resultados y la efectividad del aprendizaje y por lo tanto del EA.

Nodos que se benefician: Strategic Agent (Q-Learning), Filtro de Señales IA (perceptrón), SL/TP Dinámico, DQN Agent (MT5), Actor-Critic (MT5), SVM, Random Forest.

La documentación completa está en Formación Techain, capítulo 10.21 — Entrenamiento de Nodos IA con Backtest Histórico (ES) y 10.21 — AI Node Training with Historical Backtest (EN).

Optimización Guiada por Fases (MT4 y MT5)

Uno de los problemas más frecuentes que nos habéis planteado es la dificultad para optimizar EAs con muchos parámetros: no queda claro por dónde empezar, qué dejar fijo, y los mejores resultados aparecen con muy pocas operaciones. Hemos desarrollado e implementado un sistema completo de optimización guiada que resuelve todo esto.

¿Qué hace? Clasifica automáticamente todos los parámetros del EA en 4 fases ordenadas:

Indicadores — Períodos, desviaciones, profundidades (la base de las señales).
Lógica — Umbrales, confirmaciones, sensibilidad (cuándo se dispara la señal).
Gestión de Riesgo — SL/TP, lotes, límites de drawdown (protección del capital).
Ajuste Fino — Tipos de MA, filtros especializados, parámetros IA.

En MT5 (automático):

Nuevo input OptimizationPhase (0-4). Solo tenéis que poner el número de fase y lanzar la optimización con criterio “Custom max”. El EA configura automáticamente qué parámetros optimizar, con rangos inteligentes centrados alrededor de los valores por defecto.
Workflow: Fase 1 → aplicar mejor resultado → Fase 2 → aplicar → Fase 3 → Fase 4.

En MT4 (guiado):

Cada parámetro muestra una etiqueta [Phase 1], [Phase 2], etc. en la pestaña de Inputs. Solo tenéis que marcar en la pestaña de Optimización los parámetros de la fase que queráis optimizar.

Criterio de optimización compuesto (OnTester):

Todos los EAs generados incluyen ahora un criterio “Custom” que combina Profit Factor (30%), Sharpe Ratio (25%), Win Rate (15-20%), Recovery Factor (20-25%) y volumen de trades (10-15%).
El input MinimumTrades filtra automáticamente los resultados con pocas operaciones, descartándolos con score negativo. Valores recomendados: H1 ≈ 100, M15 ≈ 300, M5 ≈ 600.

Asistente de Optimización en el frontend:

Nuevo botón “Optimizar” (llave inglesa) en el toolbar para planes Elite+.
Muestra todos los parámetros agrupados por fase con sus rangos recomendados.
Permite descargar archivos .set preconfigurados por fase (cargables en MT4/MT5 desde Inputs → Load).

La documentación completa está en Formación Techain, capítulo 14.4 — Optimización Guiada por Fases (ES) y 14.4 — Guided Phase Optimization (EN).

Mejoras de interfaz y experiencia

Botón “Optimizar” en el toolbar principal (icono de llave inglesa) para acceder al Asistente de Optimización Guiada.
Botón de descarga .set en la Previsualización de Código, junto al botón de descarga .mq4/.mq5.

Correcciones técnicas

Corregidos warnings de compilación en MT4 y MT5 por conversión implícita de tipos (double → int) en nodos IA (Strategy Router, Anomaly Guard, SVM, DQN, Actor-Critic).
Corregido el tipado de parámetros ADX/AI en getMQLType() para que se declaren como int cuando corresponde, eliminando la raíz de los warnings.
Corregido bug en MT5 donde ParameterSetRange generaba step=0 para parámetros con rangos pequeños, lo que impedía ejecutar la optimización.

Estabilidad y seguridad

Seguimos trabajando en la estabilidad y seguridad del servicio para que podáis usarlo con total tranquilidad.

Próximos pasos

Seguimos incorporando vuestras sugerencias para que el generador de bots sea cada vez más flexible y útil en vuestros backtests y en cuenta real.

Gracias por formar parte de la comunidad Techain. Cualquier duda o sugerencia, ya sabéis dónde estamos.

— El equipo Techain

rafamont · 24 Febrero, 2026 07:34

Continuando sobre el Backtesting (Strategy Tester). ¿Es posible hacer un backtesting por ejemplo con más un nodo de IA, por ejemplo, tener el SVM y el FOrest en un mismo bot? ¿El Multi Strategy Agent se le puede hacer Backtest para que se entrene con el tester conectado a múltiples nodos?

rafamont · 24 Febrero, 2026 07:34

Hola. Tengo muchas expectativas con esta nueva funcionalidad. Tengo un par de dudas antes de generar el bot que voy a probar.

En otro post me indicaste que el Random Forest y el SVM no generan archivos, sino que simplemente aprenden en unos segundos desde que se les coloca en el gráfico. En ese caso, para hacer un backtest que me genere un .bin entiendo que debería conectarlo al Strategic Agent, cierto?
En el caso del Random Forest (y creo que el SVM también), como se entrena con velas del pasado de manera natural, al hacer un backtest en tester, ¿él tomaría las velas del pasado de la fecha de inicio del backtest? ¿Mientras el backtest se ejecuta haría la actualización cada 200 barras, por ejemplo?

rafamont · 24 Febrero, 2026 07:35

Hola, no encuentro en la formacion este tema:

“La documentación completa está en Formación Techain, capítulo 10.21 — Entrenamiento de Nodos IA con Backtest Histórico (ES) y 10.21 — AI Node Training with Historical Backtest (EN).”

Salta del tema 10.19 al tema 11.

Techain · 24 Febrero, 2026 08:21

Hola Rafa,

Ya deberían aparecerte.

Las actualizaciones desde que salen hasta que están 100% tardan un poco.

Un saludo,

Ignacio

rafamont · 25 Febrero, 2026 15:29

Hola. Me puse a hacerle backtest y correr optimizaciones usando el Random Forest + Strategy Agent. Sólo moviendo los parametros de SL min max y TP min max.

Tengo unas inquietudes:

Hice varios backtest de 1 año que resultaron al final negativos, las operaciones arrancaron ganando y en los ultimos meses perdiendo. ¿No se supone con el aprendizaje debería ir ganando al final del tiempo?
Me llama la atención al hacer optimizaciones solo con SL min max y TP min max que algunos salen profit y otros en negativo, solo por estas dos variables. Es decir, que yo puedo poner en demo o real una configuracion de estas que terminan en perdida y al final no me irá bien posiblemente. Entonces, ¿no sería bueno que la misma IA analice el activo, temporalidad, etc y coloque un SL min max y TP min max apropiado sugerido?

Saludos cordiales,

Techain · 25 Febrero, 2026 15:39

Hola Rafa,

Gracias por compartir tus pruebas con Random Forest + Strategy Agent y por las preguntas. Te resumo cómo encaja todo y qué cambia con la actualización de hoy que justamente va un poco encaminada con esto que comentas.

Cómo encaja Random Forest + Strategy Agent

Random Forest es un modelo que, una vez entrenado con datos históricos, genera señales BUY/SELL/HOLD. No “aprende en vivo” durante el backtest, usa lo que ya aprendió en el entrenamiento. Su trabajo es clasificar el contexto (indicadores, precio, etc.) y decir “compra”, “venta” o “espera”.
Strategy Agent es quien sí aprende durante la ejecución, con Q-Learning va ajustando en tiempo real cómo colocar SL, TP y tamaño de lote dentro de los rangos que tú defines (SL min/max, TP min/max). Ese aprendizaje se controla en parte con el épsilon.

¿Por qué empieza ganando y luego puede acabar en negativo?

El agente usa exploración vs explotación:

Al principio, épsilon es alto (por ejemplo 100 %): el bot “investiga” muchas combinaciones de SL/TP/lote. Eso suele dar resultados variados y a veces muy buenos al inicio.
Con el tiempo, épsilon baja (hasta un mínimo, p. ej. 0 % o 5 %): el bot “confía” en lo aprendido y explota esa política. Si el mercado ha cambiado y esa política ya no encaja, el rendimiento puede empeorar hacia el final del backtest. No es un fallo del Random Forest ni del bot, es el comportamiento típico cuando el entorno (mercado) deja de parecerse al que había cuando el agente aprendió. En ese momento el bot se auto-pausa. Para ponerlo en marcha se le debería reiniciar el épsilon y volvería a funcionar con normalidad.

¿Por qué al degradarse la métrica el bot se detiene?

Cuando el rendimiento reciente empeora (p. ej. win rate, rachas de pérdidas), el EA puede auto-pausar el trading para limitar el daño. Es una medida de protección. El aprendizaje no se borra, solo se deja de abrir nuevas operaciones hasta que tú decidas reanudar.

¿Qué puedes hacer para volver a ponerlo en marcha y mantener el ratio?

Para que vuelva a “probar” y adaptarse sin borrar lo aprendido, basta con subir de nuevo el épsilon (por ejemplo a 0,15–0,25). Así el agente vuelve a explorar más, reajusta SL/TP/lote al contexto actual y puede recuperar un buen ratio. Es el mismo mecanismo que al inicio del backtest, pero aplicado cuando el mercado ya ha cambiado.

Sobre los rangos SL min/max y TP min/max

Tiene sentido que solo cambiando esos dos rangos unos backtests salgan en profit y otros en negativo, el Strategy Agent solo puede elegir SL/TP dentro de esos límites. Si pones un SL máximo muy bajo para la volatilidad del activo, el agente no puede colocar un SL razonable y las salidas serán peores. Por eso es importante que los rangos sean coherentes con el activo y el timeframe. Por lo que si no se conoce el rango, es mejor poner uno amplio.

Actualización de hoy: entre otras cosas que podéis ver en el reporte completo del roadmap, todo esto de forma automática

Hoy hemos lanzado una actualización que precisamente automatiza lo que comentas entre otras cosas:

Aprendizaje adaptativo (ALS)

El bot ya no depende solo de bajar el épsilon con el tiempo. Si el rendimiento reciente empeora (p. ej. win rate bajo, rachas de pérdidas), el sistema sube automáticamente el épsilon y, si hace falta, hace un “soft reset” parcial de la Q-Table para que vuelva a explorar y se adapte. Así no hace falta que tú subas el épsilon a mano para reanudar y mantener el ratio.

SL/TP según el activo

Al iniciar el EA se calcula el ATR del activo y temporalidad, y en el log (pestaña Experts) se muestran rangos sugeridos de SL min/max y TP min/max. Si los valores que tienes configurados están muy fuera de ese rango, el EA puede ajustarlos automáticamente y avisarte en el log. Así reduces el riesgo de poner en demo/real unos límites que “estrangulan” al agente.

Menos sobreajuste en backtest

Hemos suavizado el aprendizaje en backtest (decay de épsilon, límite del learning rate, velocidad de entrenamiento) para que el agente no se “enganche” tanto al inicio del período y se comporte mejor cuando el mercado cambia hacia el final.

El objetivo de estas mejoras es que el sistema sea cada vez más autónomo y os libere de carga, que se adapte solo cuando el mercado cambia, que sugiera rangos de SL/TP coherentes con el activo y que funcione bien tanto si le dedicas mucho tiempo como si solo quieres configurar y dejar que el bot aprenda y se adapte.

Si tienes el EA ya generado, vuelve a generar/exportar el bot desde la app para llevarte el código con la nueva lógica. Cualquier duda concreta (parámetros, qué ves en el log, etc.), coméntala y lo vemos.

Un saludo,

Ignacio

rafamont · 25 Febrero, 2026 16:28

Ufff! Wow! Excelente! Voy a generar todo y te dejo saber. Muchas gracias!

Techain · 25 Febrero, 2026 16:31

Perfecto.

El objetivo no es solo automatización, si no autonomía con IA, por lo que cualquier acción, función etc., que realicéis normalmente, podéis enviarla como feedback y se se puede implementar, se implementará. El objetivo de Techain es generar la máxima autonomía para que cualquier persona independientemente de su nivel o conocimiento, puede hacer trading de forma responsable, profesional y rentable.

Un saludo,

Ignacio

rafamont · 25 Febrero, 2026 16:41

Gracias! Pregunta,

¿Al Multi Strategy Agent también se le puede hacer Backtest para que llene la QTable?

¿Si se puede y le conecto varios nodos de IA, todos al mismo tiempo llenarían su QTable (en caso de que sea un nodo que aplique)?

¿Al Multi Strategy Agent se le puede hacer tambien proceso de Optimizacion en el Tester?

Pregunta general del Backtest y QTable, ¿qué pasa si genero un backtest con magic number 123123, y luego ahi mismo buscando nuevos comportamientos cambio parametros y genero otro backtest con el mismo magic number, ¿sobre escribe el QTable que ya habia generado?

Techain · 25 Febrero, 2026 16:51

Hola Rafa,

1. ¿Al Multi Strategy Agent también se le puede hacer Backtest para que llene la QTable?

Sí. El Agente Multi-Estratégico tiene 5 Q-Tables independientes (una por slot). Cuando ejecutas un backtest en el Strategy Tester, el sistema detecta automáticamente que está en modo backtest, acelera el aprendizaje (x2 en MT4, x3 en MT5), y las 5 Q-Tables se van llenando durante el backtest. Al finalizar se guardan en Common/Files/ (MT4: AI_MS_QTable_[Symbol]_[baseMagic].bin, MT5: AI_MS5_QTable_[Symbol]_[baseMagic].bin). Después, en demo/live con el mismo baseMagicNumber, las Q-Tables se cargan solas.

2. Si le conecto varios nodos de IA, ¿todos llenarían su QTable al mismo tiempo?

Sí. El Multi-Estratégico entrena sus 5 Q-Tables, y cada nodo de IA que conectes como señal (Random Forest, DQN, SVM, etc.) que tenga aprendizaje propio también entrena su modelo. Cada uno tiene su magic number y su archivo .bin. En un mismo backtest todos entrenan en paralelo.

3. ¿Al Multi Strategy Agent se le puede hacer también proceso de Optimización en el Tester?

Sí. Pero en modo optimización el sistema no carga ni guarda Q-Tables: cada pasada empieza con Q-Tables vacías (para evaluar parámetros de forma justa). La optimización sirve para encontrar mejores hiperparámetros. Luego hay que hacer un backtest individual con esos parámetros para entrenar las Q-Tables. Flujo: 1) Optimización → mejores parámetros, 2) Backtest individual → entrenar Q-Tables, 3) Demo/Live con el mismo magic → cargar Q-Tables.

4. ¿Qué pasa si genero un backtest con magic 123123, cambio parámetros y genero otro con el mismo magic? ¿Sobrescribe la QTable?

Sí. Al iniciar el segundo backtest se carga la Q-Table existente; durante el backtest se sigue aprendiendo sobre ella y al final se guarda sobrescribiendo el archivo. No borra y empieza de cero: acumula aprendizaje. Si cambias mucho los parámetros, puede “contaminar” lo ya aprendido. Si quieres entrenamiento limpio con nuevos parámetros, usa otro magic number. Si quieres acumular experiencia con los mismos parámetros, usa el mismo. Puedes hacer copia del .bin en Common/Files/ antes de otro backtest si no estás seguro.

Un saludo,

Ignacio

marrocoxlvsdb · 25 Febrero, 2026 20:20

A mi me toco hacer pruebas con DQN y Actor Crítico y me sucedió lo mismo.

Vamos a generar de nuevo y volver a probar para validar todo lo que indicas.

Realmente te agradecemos el interés por mejorar todos estos temas, y logremos a alcanzar un bot qué sea totalmente autónomo con las 5 señales de IA con sus filtros, votaciones, gestión de riesgo, anomalías y principalmente que ejecute con TS y BE.

Generamos de nuevo e informamos

rafamont · 28 Febrero, 2026 20:46

Hola, una pregunta. Donde puedo especificarle al BOT IA para que se entrene en un backtest que aprenda de X fecha a X fecha? Es vez, por ejemplo, de tener un aprendizaje, por ejemplo de 2 o 6 meses, que pueda especificarle cuantos meses quiero que entrene, es decir, que vaya guardando el registro de las operaciones antes de tomar decisiones si operar o no y el SL y TP que deberia tener.

Se que existe un parametro en el Strategy Agent para prolongar o acortar el aprendizaje, pero como funciona segun lo voy variando? Si tiene X valor significa que se entrenara con X cantidad de operaciones, y si lo subo a X valor con X cantidad, etc?

Techain · 28 Febrero, 2026 20:52

Hola Rafa,

Sobre el tema fechas de entrenamiento (de X a Z fecha):

El Strategy Agent no tiene parámetros para definir fechas concretas. El rango de fechas lo eliges en el Strategy Tester de MetaTrader. Con eso defines el período del backtest.

Si quieres entrenar en un intervalo y luego validar en otro, puedes hacer dos backtests, primero uno con las fechas de entrenamiento, y después otro con las fechas de validación, usando el mismo Magic Number para que cargue el modelo ya entrenado.

¿Cuántos meses de entrenamiento?

No hay parámetro de “meses” en el nodo. Simplemente eliges las fechas en el Strategy Tester, por ejemplo, 6 meses, 1 año, 2 años, lo que quieras. Lo normal suele ser al menos 6 meses y, si puede ser, 1–2 años para tener más variedad de mercado.

El parámetro que alarga o acorta el aprendizaje

El parámetro es “Modo Rápido” (fastLearningMode), y es un on/off, no un número que subas o bajes.

Con Modo Rápido desactivado (normal): objetivos de unos 500 episodios (trades cerrados), 30% de cobertura de pares estado-acción y unas 3 visitas por par.
Con Modo Rápido activado: esos requisitos se reducen aproximadamente a la mitad (unos 250 episodios, 15% de cobertura, 2 visitas por par). Sirve para pruebas más rápidas, pero la precisión puede ser menor.

No hay un parámetro que diga explícitamente “entrenar con X operaciones” y vayas subiendo o bajando un valor. El aprendizaje se va llenando con cada trade que cierra el bot.

Registro de operaciones antes de operar

En la práctica, el agente opera desde el inicio. Hay una fase inicial en la que las primeras operaciones contribuyen más al aprendizaje, pero no hay un modo “solo observar” configurable. El modelo aprende con cada trade que se cierra.

Si necesitas entrenar con un período concreto, lo haces seleccionando esas fechas en el Strategy Tester antes de iniciar el backtest.

Si quieres, puedo ayudarte a concretar las fechas o el flujo que quieres usar (entrenamiento vs validación).

Un saludo,

Ignacio

rafamont · 4 Marzo, 2026 07:35

Hola. Me esta pasando lo siguiente usando los nodos de IA (Strategy Agent, Forest, Critic, DQN). Hago una optimizacion y me da unos resultados. Ejecuto ese backtest y me da otros resultados.

A que se debe? Esto no pasa con una estrategia que no sea IA.

Lo malo es que la diferencia es para peor, es decir, en el optimizador da un 1.7 de PF, al ejecutar backtest da un 1.14.

Techain · 4 Marzo, 2026 07:44

Hola Rafa,

Lo que describes es el comportamiento esperado cuando usas nodos de IA (Strategy Agent, Forest, Critic, DQN, etc.). Te explico:

¿Por qué pasa?

Los nodos de IA que comentas usan Random Seed (aleatoriedad) en varios puntos:

Inicialización aleatoria de redes neuronales, perceptrones y árboles
Exploración (epsilon-greedy en DQN, Actor-Critic, etc.)
Muestreo aleatorio en Experience Replay y Random Forest
Semillas no fijas: cada ejecución arranca con una semilla distinta

Las estrategias sin IA (RSI, MACD, etc.) son determinísticas: mismos parámetros → mismos resultados. Los nodos de IA no: cada backtest es distinto aunque los parámetros sean los mismos. Por ello hay usuario que este mes han reportado un +8% de rentabilidad y otros un +37% con el mismo bot, en el mismo mercado y time frame.

Esto se debe a que los bots IA (si no se activa la reproducibilidad de la semilla) son como las personas en cierto sentido. Aun siendo todas personas, cada uno vemos el mundo de una forma, tenemos una linea de pensamiento, experiencia, carácter etc. Y todo ha sido definido en gran medida por nuestra experiencia en la vida (educación, relaciones personales y profesionales etc.).

Con los bots IA pasa lo mismo, cuando lo arrancas sobre el mercado se fijan una serie de componentes aleatorios que son los que van a influir en el comportamiento y desempeño del bot IA, unos saldrán mejores y otros peores, aun siendo el mismo bot y mismo mercado. Por eso es importante que una vez que tienes un bot (y su aprendizaje) como a ti te gusta (rentable), que no borres los archivos, para preservar ese comportamiento.

Por qué el optimizador suele dar mejores resultados

En la optimización se hacen muchos backtests y se elige el mejor. Algunas ejecuciones dan buenos resultados por azar (inicialización favorable, exploración afortunada, etc.). Esa es la que guarda el optimizador.

Al repetir el backtest con esos parámetros, es una ejecución nueva con otra semilla: el resultado suele acercarse más al promedio real de esa configuración (p. ej. PF ~1.14), no al outlier de 1.7.

Qué puedes hacer para controlarlo

Los EAs generados con nodos de IA incluyen el parámetro ReproducibilitySeed:

Valor	Comportamiento
0 (por defecto)	Semilla automática. En el Journal verás algo como Auto seed=12345678 \| Set ReproducibilitySeed=12345678 to reproduce. Puedes copiar ese valor para reproducir exactamente ese run.
> 0 (ej. 12345)	Que fijes tu la semilla. Los resultados serán idénticos en cada backtest u optimización con los mismos parámetros.

Formas de usarlo:

Resultados reproducibles desde el inicio

Pon ReproducibilitySeed = 12345 (o cualquier valor fijo) antes de optimizar.
Todas las pasadas usarán la misma semilla y serán comparables.

Reproducir un backtest que te ha gustado

Ejecuta con ReproducibilitySeed = 0.
Mira el Journal y copia el valor de Auto seed=…
Pon ese valor en ReproducibilitySeed y vuelve a lanzar el backtest para obtener los mismos resultados.

Un saludo,

Ignacio

rafamont · 4 Marzo, 2026 13:58

Hola gracias por la explicación. Sin embargo, quisiera por favor, si pudieras enviar capturas de pantallas o algún video sobre esa parte por favor, ya que yendo a MT5 y buscando lo que indicas no me queda muy claro. Y te confirmo que lo que he probado es lo siguiente y en cada uno pasa lo mismo:

Random Forest + Strategy Agent
DQN + Strategy Agent
Actor-Critic + Strategy Agent

No sé si con el Señal Libre pasará lo mismo o alguna estrategia discrecional conectada al Strategy Agent.

Para mí es un punto crítico ya que la idea con el backtest a los nodos IA, es confirmar si la configuración o la temporalidad o el activo, tiene potencial o no. Entonces si el optimizador me dice una cosa y al hacerle el backtest me dice otra, en verdad me sentiría demasiado perdido.

De hecho, a estos nodos le he colocado filtros con EMA’s o con Hurst, etc. Pero si encuentro un buen setup en el optimizador pero al ejecutar backtest es otra cosa… imagínate…

Y disculpa si es algo muy básico, pero en verdad no supe encontrar lo que indicabas.

Techain · 4 Marzo, 2026 14:01

Hola Rafa,

Te paso captura del parámetro y su ubicación:

Un saludo,

Ignacio

PD: si no te aparece vuelve a generar el bot, porque seguramente la versión que tengas sea de una anterior a la aplicación de la random seed.

rafamont · 4 Marzo, 2026 14:57

Hola. Pero generé unos 5 bots (5 créditos) anoche a eso de las 10pm NY. Con mi caché refrescado y todo, y ese parámetro no me sale. ¿O es algo que se implementó hoy?

rafamont · 4 Marzo, 2026 16:37

Quiero afinar bien ese procedimiento por favor, pues como te decía, para mí es crítico.

¿Cada vez que ejecuto un backtest me habías dicho (o así entendí) el archivo .bin se sobreescribe, cierto?
¿Se supone que entonces si dejo ese parámetro en 0 y hago un backtest para que se entrene y se genere un archivo .bin, y por ejemplo, con esos mismos parámetros realizo otro backtest tendría los mismos resultados? Sin embargo, si cambio el parámetro de semilla y en vez de 0 le coloco 123, ¿tendré resultados diferentes al que tiene la semilla 0, aunque los demás parámetros sean iguales?
¿Si hago una optimización, debería dejar el parámetro de semilla fijo, cierto? Y pondría variable otros que los que quiero evaluar para optimizar. Entonces luego tomo, por ejemplo, el mejor comportamiento y ejecuto un backtest, pero colocando el mismo número de semilla que había colocado, cierto? ¿O es que en la optimización cada estrategia generada va a tener un número de semilla distinto y tengo que ir a otro lugar a ver qué número de semilla tenía?
¿Cuando ponga en demo o real el setup que vi mejor, tengo que colocarle el mismo número de semilla en el setup del bot?
¿Lo del número de semilla es 1 por bot o es uno por nodo IA? Pues puedo tener un bot como te dije con varios nodos IA.