Se busca un programador con experiencia en desarrollo de sistemas algorítmicos para implementar y optimizar un Bot de Trading Híbrido de Alta Frecuencia (HFT). El objetivo es un sistema Python robusto, diseñado para explotar ineficiencias en mercados de Criptomonedas/Forex mediante dos estrategias primarias y con un control de riesgo riguroso. Estrategias a Implementar El bot debe operar con dos módulos paralelos, priorizando la baja latencia:1. Módulo de Scalping de Momentum (Clasificación)Activo Principal: Criptomonedas de alta liquidez (ej. ETH/USDT).Modelo ML: Random Forest Classifier (pre-entrenado), diseñado para predecir la dirección del precio a corto plazo (subir/bajar).Features de Entrada (Input):Volatilidad/Riesgo: ATR (Average True Range, período 14).Momentum: RSI (Relative Strength Index, período 14) y MACD.Lógica de Ejecución: La orden se lanza solo si la predicción del modelo cumple el criterio de Esperanza Matemática ($\text{E}[X] > 0$).2. Módulo de Arbitraje Estadístico (Reversión a la Media)Activos Secundarios: Par de activos cointegrados (ej. ETH/BTC).Modelo ML: Regresión Lineal (pre-entrenado), para calcular el hedge ratio ($\beta$) y establecer la paridad histórica. Lógica de Entrada: Se abre la posición cuando el spread (desviación de la paridad) excede $\pm 2$ Desviaciones Estándar históricas. La salida es cuando el spread regresa a la media (reversión a la media). Requisitos Técnicos y Parámetros Cuantitativos. El código fuente (Python/Pandas/Scikit-learn) debe ser capaz de manejar los siguientes parámetros y cumplir con estas directivas:A. Gestión de Riesgo (Risk Management) ParámetroValorFunción y Base TeóricaCapital Inicial$100,000.00Punto de partida para el cálculo de PnL y Drawdown. Riesgo por Trade1.0% del capitalLímite estricto de pérdida máxima por operación. Fundamento del Criterio de Kelly (Position Sizing).Stop-Loss (SL)1.5 $\times$ ATRSL dinámico, ajustado a la volatilidad actual del mercado.Take-Profit (TP)$\geq$ 1.5 $\times$ SLRelación Riesgo/Recompensa mínima de 1:1.5, esencial para mantener la Esperanza Matemática positiva.B. Ingeniería de Software y Ejecución Framework de Datos: El sistema debe procesar datos en tiempo real (o simulado) utilizando estructuras Pandas para el cálculo eficiente de indicadores. Manejo de Estado: Implementar una clase/módulo (TradingSimulator o similar) para manejar el estado de la cartera (capital, PnL, posiciones abiertas) y prevenir el sobreapalancamiento.Algoritmo de Ejecución: Priorizar los métodos que minimicen el Impacto en el Mercado, como TWAP (Time-Weighted Average Price) o la lógica de POV (Percentage of Volume), en lugar de órdenes market directas, en la medida de lo posible. Optimización de Latencia: El código debe ser limpio y parsimonioso. Se aplica la Ley de Hicks al diseño del árbol de decisión para garantizar la menor latencia posible en la generación de la señal y la ejecución de la orden. Entregables Código fuente completo en Python. Funcionalidad de Backtesting probada, mostrando la Esperanza Matemática y el Sharpe Ratio histórico de la estrategia. Documentación del código que explique la implementación de los modelos ML y los parámetros cuantitativos. Este bot es para usarlos en plataformas de criptomonedas como Binance, entre otras.