signal-postmortem (análisis post-trading)

Signal Postmortem

Resumen

Signal Postmortem registra y analiza los resultados de las señales de trading generadas por el pipeline de edge, screeners y otras habilidades. Compara la dirección prevista del edge con los retornos realizados a 5 y 20 días, categoriza los resultados (verdadero positivo, falso positivo, oportunidad perdida, desajuste de régimen) y genera retroalimentación para ajustar los pesos del agregador de señales y crear entradas en el backlog de mejora de habilidades.

Cuándo usarlo

• Después de cerrar una operación y quieras registrar el resultado
• Al revisar un lote de señales que han alcanzado su período de tenencia (5 o 20 días)
• Para identificar patrones sistemáticos de falsos positivos de habilidades específicas
• Para generar retroalimentación para la calibración de pesos del agregador de señales
• Cuando se construye un backlog de mejora de habilidades a partir de métricas de calidad de decisión
• Para auditorías periódicas (semanales/mensuales) de calidad de señales

Requisitos previos

• Python 3.9+
• Clave de API FMP (opcional, para obtener retornos realizados automáticamente si no se proporcionan manualmente)
• Biblioteca estándar + requests para llamadas a la API
• Entrada: registros de señal en formato JSON (provenientes del agregador de señales o salidas del screener)

Configuración de la clave de API (opcional)

Si deseas obtener automáticamente datos de precios para los cálculos de retorno, configura la clave de API de FMP:

export FMP_API_KEY=tu_clave_api_aqui

Alternativamente, pasa la clave por línea de comandos con --api-key TU_CLAVE. Sin una clave de API, aún puedes registrar resultados manualmente proporcionando --exit-price y --exit-date.

Flujo de trabajo

Paso 1: Preparar registros de señal

Reúne los registros de señal cerrados o madurados. Cada registro debe incluir:

• signal_id: Identificador único
• ticker: Símbolo de la acción
• signal_date: Fecha en que se generó la señal
• predicted_direction: LARGO o CORTO
• source_skill: Habilidad que generó la señal
• entry_price: Precio al momento de la generación de la señal (opcional, para anulación manual)

# Ejemplo: Listar señales listas para postmortem (5+ días de antigüedad)
python3 skills/signal-postmortem/scripts/postmortem_recorder.py \
  --list-ready \
  --signals-dir state/signals/ \
  --min-days 5

Paso 2: Registrar resultados

Ejecuta el grabador de postmortem para obtener retornos realizados y clasificar resultados.

python3 skills/signal-postmortem/scripts/postmortem_recorder.py \
  --signals-file state/signals/aggregated_signals_2026-03-10.json \
  --holding-periods 5,20 \
  --output-dir reports/

Para registro manual de resultados (cuando ya se dispone de datos de precios):

python3 skills/signal-postmortem/scripts/postmortem_recorder.py \
  --signal-id sig_aapl_20260310_abc \
  --exit-price 178.50 \
  --exit-date 2026-03-15 \
  --outcome-notes "Cerrado en objetivo, +3.2% en 5 días" \
  --output-dir reports/

Paso 3: Clasificar resultados

El grabador clasifica automáticamente cada señal en una de cuatro categorías:

Categoría	Definición
TRUE_POSITIVE	La dirección prevista coincidió con el signo del retorno realizado
FALSE_POSITIVE	La dirección prevista fue opuesta al retorno realizado
MISSED_OPPORTUNITY	La señal no fue tomada pero habría sido rentable
REGIME_MISMATCH	La señal falló debido a un cambio de régimen de mercado

Las reglas de clasificación están documentadas en references/outcome-classification.md.

Paso 4: Generar archivos de retroalimentación

Genera retroalimentación para los consumidores posteriores:

# Generar sugerencias de ajuste de pesos para el agregador de señales
python3 skills/signal-postmortem/scripts/postmortem_analyzer.py \
  --postmortems-dir reports/postmortems/ \
  --generate-weight-feedback \
  --output-dir reports/

# Generar entradas de backlog de mejora de habilidades
python3 skills/signal-postmortem/scripts/postmortem_analyzer.py \
  --postmortems-dir reports/postmortems/ \
  --generate-improvement-backlog \
  --output-dir reports/

Paso 5: Revisar estadísticas resumidas

Genera estadísticas agregadas por habilidad, ticker y período de tiempo:

python3 skills/signal-postmortem/scripts/postmortem_analyzer.py \
  --postmortems-dir reports/postmortems/ \
  --summary \
  --group-by skill,month \
  --output-dir reports/

Formato de salida

Registro de postmortem (JSON)

{
  "schema_version": "1.0",
  "postmortem_id": "pm_sig_aapl_20260310_abc",
  "signal_id": "sig_aapl_20260310_abc",
  "ticker": "AAPL",
  "signal_date": "2026-03-10",
  "source_skill": "edge-signal-aggregator",
  "predicted_direction": "LONG",
  "entry_price": 172.50,
  "realized_returns": {
    "5d": 0.032,
    "20d": 0.058
  },
  "exit_price": 178.50,
  "exit_date": "2026-03-15",
  "holding_days": 5,
  "outcome_category": "TRUE_POSITIVE",
  "regime_at_signal": "RISK_ON",
  "regime_at_exit": "RISK_ON",
  "outcome_notes": "Rotura limpia, se mantuvo durante retroceso menor",
  "recorded_at": "2026-03-17T10:30:00Z"
}

Retroalimentación de pesos (JSON)

{
  "schema_version": "1.0",
  "generated_at": "2026-03-17T10:35:00Z",
  "analysis_period": {
    "from": "2026-02-01",
    "to": "2026-03-15"
  },
  "skill_adjustments": [
    {
      "skill": "vcp-screener",
      "current_weight": 1.0,
      "suggested_weight": 0.85,
      "reason": "15% de tasa de falsos positivos en régimen RISK_OFF",
      "sample_size": 42
    }
  ],
  "confidence": "MEDIUM",
  "min_sample_threshold": 20
}

Entrada de backlog de mejora de habilidades (YAML)

- skill: vcp-screener
  issue_type: false_positive_cluster
  severity: medium
  evidence:
    false_positive_rate: 0.15
    sample_size: 42
    regime_correlation: RISK_OFF
  suggested_action: "Agregar filtro de régimen o reducir confianza de señal en RISK_OFF"
  generated_by: signal-postmortem
  generated_at: "2026-03-17T10:35:00Z"

Informe resumido (Markdown)

Los informes se guardan en reports/ con nombres de archivo postmortem_summary_YYYY-MM-DD.md.

Recursos

• scripts/postmortem_recorder.py -- Registra resultados de señales individuales
• scripts/postmortem_analyzer.py -- Genera retroalimentación y estadísticas resumidas
• references/outcome-classification.md -- Reglas de clasificación y casos extremos
• references/feedback-integration.md -- Cómo integrar la retroalimentación con habilidades posteriores

Principios clave

1. Atribución honesta -- Cada resultado se atribuye a su habilidad de origen para garantizar la responsabilidad
2. Conciencia de régimen -- El contexto de régimen se registra para distinguir fallos de habilidad de cambios de régimen de mercado
3. Tamaño de muestra mínimo -- Los ajustes de peso requieren 20+ señales para validez estadística
4. Cierre del bucle de retroalimentación -- Los resultados fluyen de vuelta para mejorar tanto la agregación de señales como la calidad de las habilidades