Trading bot — ¿MQL5 o Python? Comparativa honesta y solución híbrida

Elegir un lenguaje para automatizar una estrategia de divisas casi nunca se decide por elegancia sintáctica. Se decide por la rapidez con que el bot llega a una cuenta real y por la comodidad con que vive allí durante años. MQL5 te da eso de inmediato, dentro de la plataforma que ya ofrece la mayoría de los brókers minoristas. Python cuesta unas horas de configuración inicial, pero a cambio entrega el ecosistema completo de análisis de datos, aprendizaje automático y operativa multi-bróker desde un solo script. La elección depende de lo que quieres construir mañana, no del lenguaje que sea «mejor» en abstracto.

¿Qué comparamos exactamente?

MQL5 es el lenguaje integrado en MetaTrader 5 por MetaQuotes, diseñado específicamente para escribir Expert Advisors e indicadores personalizados. Python es un lenguaje de propósito general que introduces en el trading a través de un paquete externo — habitualmente el módulo oficial MetaTrader5 de MetaQuotes, o la librería API de otro bróker. La comparación solo tiene sentido en el contexto de lo que el bot necesita hacer. Si una estrategia clásica de tendencia o ruptura (breakout) debe funcionar en una cuenta MT5 y ejecutar unas pocas operaciones al día, MQL5 es la ruta más corta hacia un resultado. Si la señal depende de un modelo estadístico, datos macroeconómicos, varios brókers o un mercado fuera de MetaQuotes, el ecosistema Python se vuelve difícil de reemplazar. La diferencia de enfoque entre los dos mundos queda bien encuadrada en nuestra comparativa de trading algorítmico frente a trading manual, y la mecánica de los EA en el artículo sobre fundamentos de los Expert Advisors en MQL5.

Dónde MQL5 gana en silencio

La mayor ventaja de MQL5 es mundana y frecuentemente infravalorada: la conexión con el bróker es gratuita. Colocas el archivo EA en la carpeta de MetaEditor, lo compilas a .ex5, lo adjuntas a un gráfico y el bot opera — sin capa de ejecución adicional, sin autenticación API, sin tuberías REST. El Strategy Tester maduro, con su modo «every tick based on real ticks», reproduce la historia de ticks de tu bróker a lo largo de varios años usando los spreads (la horquilla) y comisiones reales escritos en la especificación del símbolo. La comunidad MQL5.com publica miles de indicadores y librerías, de modo que copiar un esqueleto de cruce de medias móviles o un módulo de gestión del riesgo lleva minutos y no días. El terminal incluye un depurador integrado, un perfilador y un optimizador distribuido que usa la granja en la nube, sin instalaciones adicionales. Un buen punto de entrada complementario es nuestro artículo sobre cómo hacer backtesting de una estrategia, donde detallamos el flujo completo dentro del Strategy Tester.

Dónde Python justifica su complejidad

La primera ventaja es los datos. pandas, numpy y statsmodels son el estándar científico para series temporales, regresión y pruebas estadísticas — en MQL5 el mismo cálculo vive dentro de un bucle escrito a mano, un orden de magnitud más lento y con más margen para errores aritméticos. La segunda es el aprendizaje automático. Si una señal necesita un random forest, gradient boosting o una red neuronal pequeña, scikit-learn y TensorFlow lo resuelven en pocas docenas de líneas; MQL5 sencillamente no carga ese stack de forma nativa. La tercera es el backtesting (prueba retrospectiva). Las pruebas vectorizadas en vectorbt de Oleg Polakov, o las pruebas event-driven en backtrader de Daniel Rodriguez, barren cientos de combinaciones de parámetros en el tiempo que el Strategy Tester necesita para dos ejecuciones. La cuarta es la abstracción del bróker. Si colocas una capa de ejecución delgada frente a tu estrategia, el mismo script puede hablar con MT5, con Interactive Brokers a través de ib_insync y con plataformas de criptomonedas a través de ccxt. Si necesitas validar la robustez de un modelo estadístico antes de ponerlo en real, nuestra guía sobre el análisis walk-forward explica cómo evitar el sobreajuste en el proceso de optimización.

La solución híbrida en la que se instalan los traders minoristas serios

En la práctica, una tercera opción resulta ser la más pragmática, y la menos obvia en el marketing de ambos bandos. La investigación, los datos históricos y el trabajo estadístico se mueven a Python; la ejecución se queda dentro de MT5. El puente es el paquete oficial MetaTrader5 de MetaQuotes — instalado a través de pip, tu script se conecta al terminal en ejecución, extrae barras y ticks de la misma calidad que ve el EA, y envía órdenes a través de order_send y position_close. El ecosistema científico corre en Python mientras la plataforma amigable con el bróker y tu granja VPS se mantienen dentro de MetaQuotes. La alternativa, si prefieres no mezclar dos capas en tiempo real, es hacer toda la investigación en Python y reescribir las reglas validadas en MQL5 para el despliegue. La elección entre los dos modos depende de si la señal en vivo necesita las librerías de Python durante la sesión, o únicamente en la fase de diseño.

«Python se ha convertido en un lenguaje de programación y ecosistema potente para la industria financiera — para todo, desde el análisis de datos financieros hasta el trading algorítmico y la gestión del riesgo.» — Yves Hilpisch, Python for Finance: Mastering Data-Driven Finance, O'Reilly, 2018

Ejemplo práctico — la misma ruptura escrita en ambos lenguajes

Imagina una ruptura en la apertura de Londres en EUR/USD: en la primera hora de la sesión londinense compras cuando el precio supera el máximo de la hora asiática precedente, vendes en la ruptura de su mínimo, el stop loss (orden de stop) se coloca al ATR de veinte períodos y el take profit al doble del stop. En MQL5 escribes una clase CExpertAdvisor, dos funciones auxiliares para el rango asiático y una sola llamada a OrderSend. Todo cabe en un archivo .mq5 de unas 250 líneas, gran parte de las cuales es manejo de errores. El despliegue lleva cinco minutos: compilar, arrastrar al gráfico, activar AutoTrading. En Python la misma idea tiene una apariencia diferente. Importas MetaTrader5, cargas las barras en pandas, calculas el ATR y los niveles de ruptura en una expresión vectorizada, y luego introduces la ejecución en un bucle que sondea un nuevo tick cada pocos segundos. El archivo tiene una longitud similar, pero además pagas el manejo de excepciones de red y vigilas las caídas de conexión entre Python y el terminal. A cambio obtienes un backtesting gratuito en vectorbt sobre cinco años de historial — en MQL5 ese mismo barrido puede tardar decenas de minutos dentro del Strategy Tester. Todos los números de este ejemplo son ilustrativos.

Un veredicto honesto

Para un trader minorista que ejecuta estrategias clásicas en una sola cuenta MT5, con uno o dos instrumentos, MQL5 es la ruta más corta hacia un resultado. Un primer bot escrito en MQL5 desde cero llega a una cuenta demo más rápido que un entorno Python recién configurado en un portátil nuevo. Para quien busque métodos estadísticos, modelos de aprendizaje automático, fuentes de datos fuera de MetaQuotes o cuentas en varios brókers, Python gana en el largo plazo — aunque las primeras semanas parezcan menos espectaculares. La solución híbrida Python-más-MT5 es el estándar de trabajo para traders con uno o dos años de práctica en cualquiera de los dos campos que quieren una investigación honesta sin abandonar la plataforma en la que ya corre su cuenta real. La peor decisión es elegir un lenguaje por la fuerza de un tutorial visto por la mañana; las diferencias son reales, pero pertenecen al objetivo, no al lenguaje en sí. El oficio más amplio vive en el taller del trader de ForexMechanics.

Si operas desde Latinoamérica, consulta tu regulador local — CNBV (México), CNV (Argentina), CMF (Chile), SBS (Perú) u otro organismo competente en tu país.

Qué hacer mañana

1. Escribe tres frases sobre la estrategia que de verdad quieres automatizar — entrada, salida, gestión de la posición — y responde una pregunta con honestidad: ¿la señal necesita algo más que las cotizaciones del bróker (un modelo estadístico, datos macro, una señal de otro mercado)? Si la respuesta es no, empieza en MQL5. Si la respuesta es sí, empieza en Python aunque la primera semana se sienta más lenta que MetaEditor.
2. Instala MetaEditor con la plataforma MT5 de cualquier bróker minorista, más Python 3.11 con los paquetes MetaTrader5, pandas y backtrader, y escribe el mismo esqueleto mínimo en ambos entornos: un EA en MQL5 que abre una compra de mercado de 0,01 lotes y la cierra dos minutos después, y un script en Python que hace lo mismo a través de order_send. Ese ejercicio ocupa una tarde y revela la diferencia real de sensación más rápido que diez horas de leer documentación.
3. Ejecuta el Strategy Tester en modo «every tick based on real ticks» sobre tu propio EA a lo largo de dos años de historial, y compara el informe con la misma idea reescrita en forma vectorizada en vectorbt. La brecha entre los dos informes te dice cuánto pierde de verdad tu estrategia al spread real del bróker, y cuánto era una aproximación amable en la versión vectorizada — el dato que necesitas para decidir qué plataforma aloja la cuenta real.
4. Si optas por la solución híbrida, reserva un fin de semana para conectar el paquete MetaTrader5 como única capa entre la investigación y la ejecución. El script Python genera la señal, coloca la orden a través de order_send y registra cada paso en un archivo CSV, mientras un EA clásico en MQL5 permanece en segundo plano como red de seguridad que cierra posiciones si se cae el enlace con Python.
5. Después de dos semanas de trabajo en la variante elegida, responde dos preguntas con honestidad: ¿cuánto tiempo fue a luchar con el lenguaje, y cuánto a mejorar de verdad la estrategia? Si la proporción supera dos a uno en favor de pelear con las herramientas, la elección es incorrecta para tu etapa actual y es más sano dar un paso atrás hacia un stack más sencillo que seguir empujando uno que no sirve a la investigación.