# Algodesks — plataforma de optimización de trading algorítmico

Plataforma de trading algorítmico de criptofuturos para crear, hacer backtests, optimizar y ejecutar estrategias en paper trading sobre Bybit. El sistema recorre rejillas de parámetros en workers de Fly.io, valida candidatas mediante backtests y actualmente se está probando en modo paper trading.

- **Author:** Fedor Chishchin
- **Role:** Solo founder-engineer
- **Period:** 2025 — presente
- **Stack:** Python · FastAPI · Next.js · PostgreSQL · Redis · Fly.io · Bybit
- **Source:** https://fedorthinks.com/es/work/algodesks

---

## El problema

El trabajo de trading algorítmico suele fragmentarse en herramientas separadas: scripts de investigación,
backtests locales, notebooks de parámetros, ejecutores de exchange y paneles operativos. Eso crea una
brecha peligrosa: la estrategia que parecía aceptable en investigación no siempre es lo mismo que termina
ejecutándose contra un exchange real.

Algodesks cierra esa brecha para las estrategias de criptofuturos. La promesa pública del producto es
directa: crear, hacer backtests y ejecutar estrategias de trading con validación walk-forward y ejecución
en Bybit, usando el mismo motor en investigación y en producción.

## Qué hace el producto

Algodesks permite a un usuario definir una estrategia, ejecutarla contra datos históricos de mercado de
Bybit, optimizar sus parámetros, armar un portfolio y luego ejecutar el resultado en modo paper trading.
El sistema se está probando actualmente contra Bybit en paper trading antes de habilitar la ejecución con
dinero real.

Hoy esto no es un sistema de ML. El núcleo es la optimización de parámetros: recorrer configuraciones
candidatas, ejecutar backtests, descartar las configuraciones débiles, comparar métricas objetivas y aplicar
la mejor candidata de vuelta a la estrategia o al portfolio.

## Un vistazo al producto

## Qué construí

**El backtesting como contrato.** Las mismas reglas de trading que se prueban sobre datos históricos son
las que usa la ruta de ejecución en runtime. Las comisiones, los supuestos de slippage, los trailing stops,
los filtros de tendencia y las reglas de aceptación se tratan como entradas de primer nivel, no como notas
de hoja de cálculo fuera del sistema.

**Optimización de parámetros en Fly.io.** La optimización es intensiva en cómputo, así que las ejecuciones
se envían a servidores de Fly.io en lugar de bloquear la app web. Un job recorre las rejillas de parámetros
para los instrumentos seleccionados, ejecuta backtests para cada candidata e informa del progreso de vuelta
al producto.

**Validación walk-forward.** El sistema separa el ajuste de la prueba, de modo que un conjunto de parámetros
tiene que sobrevivir a una ventana posterior antes de considerarse útil. El objetivo es reducir el overfit,
no pretender que el optimizador puede predecir el mercado.

**Paper trading en Bybit.** La etapa de validación actual es el paper trading en Bybit. Eso le da al sistema
una interacción realista con el exchange, timing de mercado en vivo y modos de fallo operativos sin activar
el riesgo de dinero real demasiado pronto.

**Superficie de producto.** La app pública incluye el bucle de investigación, los planes de precios, el
inicio de sesión con Google, los flujos de portfolio/backtest y la ruta operativa que va de la optimización
a una sesión de paper trading.

## Decisiones arquitectónicas

**Nada de ML hasta que el sistema se lo gane.** Sería fácil promocionar esto como AI/ML. Eso sería incorrecto
para el producto actual. El sistema usa optimización y backtesting; el ML solo puede añadirse más adelante si
supera al enfoque más simple bajo la misma disciplina de validación.

**Los mismos conceptos en investigación y en runtime.** Los parámetros de estrategia, los filtros de
tendencia, los trailing stops, los filtros de comisiones y las patas del portfolio son objetos de dominio,
no campos de formulario que solo existen en la UI. Eso mantiene alineados el backtest, el optimizador y el
ejecutor.

**Jobs asíncronos por defecto.** Los backtests y las ejecuciones de optimización son trabajo de larga
duración. Necesitan estado de job, cancelación, eventos de progreso, reintentos y modos de fallo claros.
Tratarlos como trabajo normal de petición/respuesta HTTP haría el producto frágil.

**Paper trading antes que dinero real.** El producto pasa deliberadamente por una fase de paper trading en
Bybit. Ahí es donde se pueden probar las credenciales del exchange, la colocación de órdenes, el timing en
vivo y la recuperación de sesiones antes de poner en riesgo capital real.

## Estado actual

Algodesks está en vivo en [algodesks.com](https://algodesks.com). El sitio público posiciona el producto en
torno al trading adaptativo de criptofuturos, el backtesting, la optimización y la ejecución en Bybit. Los
planes de pago están diseñados alrededor de la capacidad de investigación, las ejecuciones de optimización,
el paper trading y, eventualmente, el trading con dinero real.

La plataforma está actualmente en validación de paper trading en Bybit. El siguiente hito importante no es
«añadir ML»; es demostrar que el optimizador, los backtests, la configuración de portfolio y la ruta de
ejecución en vivo se comportan de forma consistente bajo condiciones reales de exchange.