Mitigación de señales falsas en el comercio de criptoactivos utilizando un mecanismo de confirmación binaria que integra la validación de señales impulsada por IA y el procesamiento de señales financieras.

Este estudio presenta un nuevo marco híbrido de soporte a la decisión que integra técnicas de procesamiento de señales financieras (FSP) con una capa de validación de aprendizaje automático (ML) de múltiples modelos para minimizar los riesgos que plantean la alta volatilidad y las señales falsas en los mercados de criptoactivos. A diferencia de los modelos de pronóstico tradicionales, el sistema propuesto no emplea el componente predictivo como un generador de señales independiente; en su lugar, se presenta como un Mecanismo de Confirmación Binaria (BCM) que valida datos técnicos. La metodología de investigación consiste en cuatro etapas fundamentales: Primero, los parámetros de los indicadores Super Trend (ST), Williams %R (WR) y Williams Fractal (WF) se optimizan utilizando validación cruzada en series de tiempo de 5 pliegues en datos de BTC-USD desde 2014 hasta 2021. Segundo, se derivan nueve escenarios de señales híbridas diferentes que incluyen combinaciones simples, duales y completas de estos indicadores optimizados. Tercero, las señales generadas se filtran a través de ocho algoritmos de ML distintos, que incluyen Random Forest (RF), Máquinas de Soporte Vectorial (SVM) y Perceptrón Multicapa (MLP). En esta etapa, una ejecución de compra requiere una coincidencia entre la señal técnica y la aprobación de ML, mientras que se otorga una prioridad asimétrica a las señales técnicas para las operaciones de venta para garantizar una salida rápida y la preservación del capital. Finalmente, el rendimiento del sistema se evalúa a través de simulaciones de cartera en datos de prueba fuera de muestra de 2021 a 2026. Los hallazgos demuestran que el enfoque híbrido desarrollado mitiga con éxito las señales falsas, eleva la curva de capital acumulado por encima del estándar de Buy & Hold y proporciona una gestión de riesgos más estable al reducir los drawdowns máximos. Este análisis longitudinal que abarca un período de 12 años revela que validar señales financieras optimizadas con inteligencia artificial mejora significativamente la consistencia de ejecución en estrategias de comercio algorítmico.