Estudios anteriores mostraron que se están desarrollando arquitecturas y técnicas de modelos más avanzados para el trading de algoritmos inteligentes, pero las características de entrada de los modelos en estos estudios son muy similares. Esto justifica la creciente necesidad de nuevas características de entrada significativas para explicar mejor los movimientos de precios. Este estudio muestra que la inclusión de características de entrada de Soporte Resistencia diseñadas a partir de la metodología novedosa propuesta aumentó el rendimiento de rentabilidad agregado del modelo de aprendizaje automático en un 65% en ocho pares de divisas en comparación con un modelo de aprendizaje automático idéntico pero sin las características de entrada de Soporte Resistencia. Además, los resultados también mostraron que la distribución de rentabilidad es estadísticamente significativamente diferente entre dos modelos inteligentes idénticos con y sin las características de entrada de Soporte Resistencia, respectivamente. Por lo tanto, el objetivo de este estudio es triple: (1) proponer una metodología novedosa para automatizar la identificación de niveles de precios significativos de Soporte Resistencia; (2) proponer una metodología para diseñar características de Soporte Resistencia para Modelos de Aprendizaje Automático con el fin de mejorar la rentabilidad del trading algorítmico; (3) proporcionar evidencia empírica hacia la contribución incremental significativa de las características de entrada de Soporte Resistencia (Niveles de Precio Psicológicos) hacia la rentabilidad en los modelos de trading algorítmico.