Vibe Coding #1 - Backtest Estrategias de Trading con Claude Code | CLI Python para IA

Resultado

Ejecutamos 100+ backtests en 7 acciones en minutos - manualmente habría tomado horas.

El problema

Probar estrategias manualmente es tedioso: ejecutar, registrar, cambiar parámetros, repetir
Las combinaciones de parámetros explotan rápido (3 acciones × 5 estrategias × varios params = 100+ ejecuciones)
Los resultados quedan dispersos, difíciles de comparar

La solución

Partimos de los materiales de mi curso en LinkedIn Learning como referencia. El curso cubre backtesting de estrategias y optimización de parámetros - el heatmap muestra cómo diferentes combinaciones de parámetros afectan los retornos.

Heatmap de optimización de estrategias del curso

La librería backtesting.py proporciona un dashboard interactivo mostrando curvas de equity, drawdowns y marcadores de trades para cada ejecución de estrategia.

Dashboard interactivo de backtesting.py

Setup del proyecto

Claude Code generó toda la estructura - CLI con Typer, implementaciones modulares de estrategias, ejecución basada en proyectos. Cada estrategia vive en su propio módulo, y un gestor de proyectos coordina la ejecución de experimentos en todas las combinaciones.

Construyendo el dashboard Streamlit con Claude Code

La clave

Los configs YAML definen la matriz de experimentos. Especificas símbolos, estrategias y rangos de parámetros - el sistema expande todas las combinaciones y las ejecuta automáticamente:

# config.yaml
symbols: [AAPL, MSFT, GOOGL]
strategies:
  sma:
    fast_period: [10, 20]
    slow_period: [50, 100]
  rsi:
    oversold: [30]
    overbought: [70]

Este config genera 3 acciones × (4 combos SMA + 1 combo RSI) = 15 backtests.

Ejecutando experimentos

Crear un nuevo proyecto con las acciones objetivo:

uv run backtest project create portfolio --symbols AAPL,MSFT,GOOGL

Ejecutar todas las combinaciones de estrategias en todas las acciones:

uv run backtest project run portfolio

Resultados de simulación después de ejecutar backtests

Lanzar el dashboard para visualizar resultados:

uv run streamlit run frontend/app.py

Probamos esto en las Magnificent 7. El dashboard Streamlit muestra los resultados como matriz - qué estrategia funciona mejor en cada acción, con Sharpe ratio, max drawdown y win rate.

Dashboard Streamlit mostrando rendimiento de estrategias

Referencia

Estrategias

Estrategia	Parámetros	Lógica
SMA	fast_period, slow_period	Compra cuando rápida cruza sobre lenta
RSI	rsi_period, oversold, overbought	Compra cuando RSI < oversold
MACD	fast, slow, signal	Compra cuando MACD > signal
Bollinger	bb_period, bb_std	Compra en banda inferior
Breakout	entry_period, exit_period	Compra en máximo de N días

Estructura del proyecto

backend

cli.pyCLI con Typer

strategiesSMA, RSI, MACD, Bollinger, Breakout

runnerEjecución de backtests

projectGestión de proyectos

frontend

app.pyDashboard Streamlit

data/projects/{name}

config.yamlDefinición de experimentos

summary.yamlResultados agregados

results/{run_id}Outputs por ejecución

Recursos

Curso LinkedIn Learning - materiales de referencia sobre los que construimos
backtesting.py - motor de backtesting para ejecutar estrategias
yfinance - obtención de datos históricos de acciones
uv - gestor de paquetes Python (rápido, maneja entornos virtuales)
Typer - framework CLI para el comando backtest
Streamlit - dashboard para visualizar resultados