Referencia técnica · Paso 4b · Indicadores — target y depuración

Target y depuración

La segunda mitad del paso de indicadores: la etiqueta (target) que consumirán el lift y las combinaciones, y las tres defensas del dataset — winsorización, chequeo de leakage y limpieza de NaN.

§0Notación

Hhorizonte (candle_exhibition)

entryclose de la barra de entrada

tp_px/sl_pxprecios de TP y SL

med(·)mediana

MADdesviación absoluta mediana

σ_robsigma robusto (MAD·1.4826)

§1Excursiones (intermedias)

Sobre la ventana futura [i+1, i+H] se miden tres cantidades auxiliares. Se calculan, sirven de insumo, y luego se eliminan del dataset (no son features — mirarían el futuro).

Max_Upside_i = max(high_i+1..i+H) − entryentry
Max_Downside_i = entry − min(low_i+1..i+H)entry
Return_i = close_i+H − entryentry

§2Target · TP-antes-que-SL

La etiqueta binaria: ¿el trade que arranca en la barra i habría tocado el TP antes que el SL dentro de las H barras siguientes? Se resuelve por barrido, con el primer toque decidiendo.

long entry = close_i ; tp_px = entry·(1+TP) ; sl_px = entry·(1−SL)
scan j = 1..H :
  hit_tp = high_j ≥ tp_px ; hit_sl = low_j ≤ sl_px
  hit_tp ∧ hit_sl → desempate: bullish(close_j≥open_j) → 0 (SL), si no → 1 (TP)
  hit_sl → 0 ; hit_tp → 1 ; break al primer toque
sin toque en H → −1 → NaN (timeout, excluido del label)

Target_Long ∈ { 1 (TP), 0 (SL), NaN (timeout) }
Target_Short = espejo (TP abajo, SL arriba) · Target = nanmax( Target_Long, Target_Short )

El desempate intra-barra (cuando TP y SL caen en la misma vela) es conservador: en una vela alcista se asume que primero bajó (SL), en una bajista que primero subió — nunca acredita una ganancia que pudo no ocurrir. Mismo criterio que usa el Monte Carlo de la calibración.

§3Targets alternativos · dirección

Opción additional_targets: una etiqueta agnóstica de magnitud, útil en activos sin drift claro donde el TP/SL fijo deja demasiados timeouts.

Target_Long_Direction = 1 si close_i+H > close_i , si no 0 // empate exacto → 0
Target_Short_Direction = espejo

§4Winsorización MAD-sigma

Recorta outliers extremos con una escala robusta (mediana, no media) para que un par de valores locos no distorsionen los percentiles que usan los pasos siguientes.

compute / apply med = med(x) ; MAD = med( |x − med| ) ; σ_rob = MAD · 1.4826
z_rob = | x − med |σ_rob
detectar: #{ z_rob > 10 } // 10 MAD-sigma
si hay outliers → bounds = med ± 5·σ_rob ; x ← clip(x, bounds)

1.4826 = factor teórico que lleva MAD a la escala de σ bajo distribución normal. Detecta a 10, clipea a 5 MAD-sigma. Excluye OHLCV, targets, temporales y time; columnas con MAD==0 se saltean. El fit (aprender bounds) va separado del apply: los bounds se aprenden en IS y se aplican a OOS sin recalcular → sin leakage OOS→IS.

§5Chequeo de leakage

Escanea los nombres de columna contra un catálogo de patrones. Un solo hallazgo CRITICAL bloquea el pipeline (HTTP 422); los WARNING solo informan.

Tipo	Ejemplos	Severidad
substring	max_upside · max_downside · return_ · target_ · leaked_	CRITICAL
prefix	y_ · output_	CRITICAL
regex	shift(-N) · _-N	CRITICAL
suspicious	close_next · price_future · high_ahead	WARNING
whitelist	day_of_* · Target · Target_Long/Short · Target_*_Direction	seguro

passed = ( sin ningún CRITICAL ) · CRITICAL → bloquea (422)

La whitelist es necesaria: Target, Target_Long/Short y los *_Direction son la y del problema (los genera este mismo paso), no leakage; y day_of_week contiene "day" pero no mira al futuro.

§6Limpieza de NaN

Los indicadores con lookback dejan NaN en las primeras barras (antes de que el período se complete).

estrategia = drop_rows // descarta las filas del lookback inicial con NaN

Viene de 4a: familias, fórmulas propias, desfasajes y alineación multi-timeframe.

Fuentes:
· domain/indicators/transform.py — Max_Upside/Downside/Return, Target_Long/Short, additional_targets, drop_rows
· domain/indicators_quality/winsorize.py — MAD-sigma, compute/apply bounds
· domain/indicators_quality/leakage.py + binary_rules/leakage.py — patrones, scan, validate_column_map