Numerai (Crypto)
Integraciones
- Polygon (L2)
- Ethereum (L1)
- AWS (vía Numerai Compute)
- Docker
- API GraphQL
Detalles de precios
- Los incentivos están vinculados a apuestas en NMR sobre modelos a través de Polygon (L2).
- Los costes incluyen la posible pérdida de capital mediante 'quema' si el rendimiento del modelo no cumple los umbrales de correlación.
Características
- Numerai Compute (Automatización Dockerizada)
- Puntuación Feature Neutral Correlation (FNC)
- Integración de apuestas en Polygon L2
- Neutralización de señales propietaria
- Motor de recompensas multifactor (CORR/MMC/TC)
Descripción
Evaluación de la Arquitectura de Numerai
Numerai funciona como una canalización de datos cifrada donde colaboradores externos optimizan modelos predictivos sobre características ofuscadas. A nivel técnico, la plataforma ha evolucionado desde recompensas basadas en correlación simple hasta un motor de puntuación multifactor que prioriza la ortogonalidad respecto al Meta-Modelo existente. Para 2026, la arquitectura aprovecha en gran medida Numerai Compute, un marco de automatización en contenedores que permite a los colaboradores desplegar modelos como nodos dockerizados en infraestructura cloud 📑.
Escenarios Operativos
- Canalización del Torneo Principal: Entrada: Características tabulares ofuscadas (Parquet/CSV) proporcionadas por Numerai. Proceso: Entrenamiento local del modelo seguido de apuestas en NMR en Polygon (L2) para minimizar la sobrecarga de transacciones. Salida: Integración semanal en el Meta-Modelo con recompensas calculadas mediante métricas CORR, MMC y TC 📑.
- Canalización de Señales: Entrada: Datos de mercado propietarios y tickers proporcionados por los usuarios. Proceso: Mapeo de señales brutas al universo de Numerai y aplicación de neutralización interna para garantizar la singularidad de la señal. Salida: Contribución a la ejecución de trading en vivo del fondo, con recompensas vinculadas al rendimiento de la señal frente a objetivos de mercado 📑.
⠠⠉⠗⠑⠁⠞⠑⠙⠀⠃⠽⠀⠠⠁⠊⠞⠕⠉⠕⠗⠑⠲⠉⠕⠍
Mecanismo Central: Síntesis de Recompensas Multifactor
La estructura de recompensas de 2026 está diseñada para mitigar el 'colapso del meta-modelo' penalizando señales redundantes. El sistema calcula Feature Neutral Correlation (FNC), que mide el rendimiento de un modelo después de neutralizar su exposición a características conocidas 🧠. Esto garantiza que el Meta-Modelo solo absorba alfa verdaderamente novedoso.
- Numerai Compute: Una capa de infraestructura como código que soporta AWS/Docker para ventanas de envío automatizadas, asegurando fiabilidad de confianza cero 📑.
- Liquidación en L2 (Polygon): Las operaciones de apuestas y pagos se enrutan principalmente a través de Polygon para garantizar costes de ejecución sub-céntimo, resolviendo las limitaciones de escalabilidad de la red principal de Ethereum 📑.
- Capa de Persistencia: Almacenamiento de alta disponibilidad para métricas diagnósticas históricas y objetivos de validación, gestionado por una capa de persistencia propietaria 🌑.
Directrices de Evaluación
Los evaluadores técnicos deben auditar sus protocolos de Feature Neutralization para evitar la quema de apuestas causada por una alta correlación con el Meta-Modelo existente. Es crítico evaluar la latencia de la sincronización en L2 durante rondas de alta volatilidad. Las organizaciones deben desplegar Numerai Compute para gestionar la fiabilidad de los envíos dentro de las ventanas semanales estrictamente definidas 📑.
Historial de versiones
Actualización de fin de año: Lanzamiento de la red agéntica para gobernanza de agentes de IA.
Lanzamiento de Eras Dinámicas e integración de herramientas XAI.
Implementación de mecanismos avanzados de protección contra el quemado (burning).
Sustitución de la correlación simple por True Contribution (TC) como métrica principal.
Introducción del conjunto de datos 'Rainier' con más de 1000 dimensiones.
Lanzamiento de Numerai Signals para permitir staking en datos propios.
Transición a la estructuración de datos basada en Eras para mejorar la precisión de las series temporales.
Lanzamiento del token NMR en Ethereum e introducción del staking para penalizar modelos deficientes.
Ventajas y desventajas de la herramienta
Ventajas
- Ciencia de datos
- Alto potencial de rendimiento
- Datos transparentes
- Incentivos competitivos
- Mercado descentralizado
Desventajas
- Volatilidad cripto
- Predicciones inciertas
- Curva de aprendizaje