All (110)Presentación Personal (1)Resumen de IA (8)Gestión de Proyectos (4)Estrategia de Inversión (9)Análisis de Mercados Financieros (6)Ingeniería de Software de IA (9)Investigación en IA (7)Gestión de Contenidos (9)Desarrollo Cognitivo (1)Reflexión Filosófica (3)Emprendimiento (1)Desarrollo de Herramientas de IA (9)Desarrollo de Productos (3)Resolución de Problemas (2)Finanzas Cuantitativas (12)Análisis de Costos de IA (1)Arquitectura de Sistemas (1)Marco de Simulación (1)Registro Técnico (3)Sistemas Sociales de IA (3)Reflexión Personal (1)
La señal FMAB muestra un rendimiento excelente, preparándose para el despliegue en tiempo real
Finanzas Cuantitativas
👤 Operadores de criptomonedas, desarrolladores de estrategias cuantitativas, analistas de inversión
Este informe presenta el excelente rendimiento de la señal FMAB en ETH, con un rendimiento de referencia del 100%, que aumentó al 4600%~120000% después de la apuesta anti-Martingale, superando ampliamente otras estrategias. El autor anuncia la preparación para el despliegue en tiempo real, enfatizando la necesidad de preparar un proyecto de guerra de capital a largo plazo. También señala que la señal FMA tuvo un rendimiento deficiente, lo que causó retrocesos, y reflexiona sobre una gestión de posiciones poco científica. El artículo se basa en los resultados de las pruebas del 11 de febrero de 2026, con el objetivo de compartir la validación de estrategias de señales y los planes de despliegue en tiempo real.
- ✨ La señal FMAB en ETH tiene un rendimiento de referencia del 100%, aumentando al 4600%~120000% después de la apuesta anti-Martingale
- ✨ Preparándose para el despliegue en tiempo real, requiere preparar proyectos relacionados con una guerra de capital a largo plazo
- ✨ La señal FMA tuvo un rendimiento deficiente, causó retrocesos, y se reflexiona sobre una gestión de posiciones poco científica
📅 2026-02-11 · 240 words · ~2 min read
Análisis del Rendimiento de la Estrategia de Apuesta Anti-Martingala en el Trading de BTC
Finanzas Cuantitativas
👤 Operadores cuantitativos, inversores en criptomonedas, desarrolladores de estrategias, analistas de datos financieros
Este artículo analiza la efectividad de la estrategia de apuesta anti-martingala en el trading de BTC. Al importar datos de BTC para pruebas, se encontró que las señales de referencia tienen un rendimiento deficiente en datos de 5m, mientras que la estrategia de seguimiento de tendencias con doble media móvil tiene un rendimiento excelente en datos de 15m, 30m y 1h. La estrategia de apuesta anti-martingala destaca en datos de BTC de 1h, con un rendimiento del 9994.17%, muy superior al 18.94% de la estrategia de referencia, y una curva de valor neto más estable. El artículo señala que existe el fenómeno de agrupación de rachas favorables, y la estrategia anti-martingala puede aprovechar esta característica para aumentar las ganancias. Además, a través de un caso con parámetros extremos (1024x TP), se enfatiza la importancia de la calidad de la estrategia de señales. Finalmente, se propone una dirección futura de investigación basada en la hipótesis de dinámica de tres cuerpos para diseñar un mecanismo de control.
- ✨ La estrategia de apuesta anti-martingala en datos de BTC de 1h alcanza un rendimiento del 9994.17%, significativamente mejor que la estrategia de referencia
- ✨ Existe el fenómeno de agrupación de rachas favorables, y la estrategia anti-martingala puede aprovechar esta característica para aumentar las ganancias generales
- ✨ La calidad de la estrategia de señales tiene un impacto decisivo en la efectividad de la estrategia de apuesta anti-martingala; parámetros extremos pueden llevar a un valor neto a cero
- ✨ En el futuro, se puede diseñar un mecanismo de control basado en la hipótesis de dinámica de tres cuerpos para optimizar el rendimiento cíclico de las estrategias de seguimiento de tendencias
📅 2026-02-10 · 563 words · ~3 min read
Mecanismo de Puerta de Señales Basado en Dinámica de Tres Cuerpos y Análisis de Variables de Estado del Mercado
Finanzas Cuantitativas
👤 Investigadores de trading cuantitativo, desarrolladores de estrategias, analistas interesados en dinámica del mercado y mecanismos de puerta de señales
Este artículo introduce primero un mecanismo de puerta de señales basado en dinámica de tres cuerpos, que determina el momento de entrada y salida de estrategias estimando las variables de estado del mercado δ (prima), μ (momento) y σ (volatilidad), para maximizar los rendimientos de la estrategia. El autor explica en detalle la comprensión intuitiva de estas tres variables: el núcleo de δ es el efecto de anclaje psicológico, que se puede analizar mediante la distribución del volumen; el núcleo de μ es la velocidad de cambio de precios, que se puede medir con la media móvil del rendimiento logarítmico; el núcleo de σ es la magnitud del cambio de precios, que se puede medir con la desviación estándar del rendimiento logarítmico. El artículo también discute los criterios para juzgar la efectividad de los métodos de estimación, evaluándolos por la calidad del efecto de puerta, y señala que las estrategias de señales avanzadas a menudo ya incluyen estimaciones de estas variables, pero requieren una comprensión sistemática. Finalmente, el autor sugiere que, al desacoplar la puerta de señales, estas variables pueden servir como factores clave, mientras que la estrategia de señales en sí misma podría adoptar una forma más simple.
- ✨ Propone un mecanismo de puerta de señales basado en dinámica de tres cuerpos, que ajusta dinámicamente la entrada de estrategias estimando δ, μ y σ
- ✨ Explica en detalle la comprensión intuitiva y los métodos de estimación de las variables de estado del mercado δ, μ y σ, enfatizando el anclaje psicológico, la velocidad y magnitud del precio
- ✨ Discute los criterios para juzgar la efectividad de la estimación, es decir, la mejora en los rendimientos de la estrategia debido al efecto de puerta
- ✨ Señala que las estrategias de señales avanzadas ya incluyen estimaciones de las variables de estado del mercado, pero requieren una comprensión sistemática
- ✨ Sugiere que, al desacoplar la puerta, las variables de estado pueden servir como factores clave, simplificando el diseño de estrategias de señales
📅 2026-02-10 · 1,494 words · ~7 min read
Esquema de modelado de variables de estado de mercado para el control de tres cuerpos
Finanzas Cuantitativas
👤 Analistas cuantitativos financieros, investigadores de mercados, técnicos interesados en modelado de mercados financieros y mecanismos de control
Este artículo, continuando con la hipótesis de dinámica de tres cuerpos y la idea de mecanismos de control, sistematiza el esquema de modelado de las variables de estado de mercado δ (prima), μ (momentum) y σ (volatilidad). La innovación central radica en la definición de δ: mediante el modelo de campo gravitacional de volumen, se introducen operaciones no lineales (función kernel gaussiana y cálculo de gradiente) para mantenerla independiente de μ y σ. μ se define como la media móvil exponencial de los rendimientos, extrayendo información de tendencia; σ se define como la desviación estándar de los rendimientos, midiendo la amplitud de la volatilidad; δ se basa en la distribución del volumen en el eje de precios, calculando la fuerza de regresión cuando los precios se desvían de las zonas de alta concentración de transacciones. El artículo detalla los pasos específicos para calcular estas tres variables a partir de series de velas japonesas, incluyendo la configuración de parámetros y la argumentación de independencia, proporcionando un nuevo marco de modelado para el análisis de mercados financieros.
- ✨ δ (prima) se define mediante el modelo de campo gravitacional de volumen, introduciendo operaciones no lineales para garantizar independencia con μ (momentum)
- ✨ μ se define como la media móvil exponencial de los rendimientos, σ se define como la desviación estándar de los rendimientos
- ✨ Pasos específicos y recomendaciones de parámetros para calcular δ, μ, σ a partir de series de velas japonesas
- ✨ Argumentación de independencia de las tres variables (δ, μ, σ) basada en operaciones no lineales y diferentes fuentes de información
- ✨ Funciones kernel (como la gaussiana) modelan el efecto de anclaje psicológico, con ancho de banda adaptable a la volatilidad
📅 2026-02-10 · 1,863 words · ~9 min read
Inicio del Proyecto de Arbitraje en Mercados de Predicción y Selección Tecnológica
Finanzas Cuantitativas
👤 Lectores interesados en mercados de predicción, trading de alta frecuencia, programación en Rust o desarrollo de proyectos tecnológicos
Este artículo describe el inicio del proyecto de arbitraje en mercados de predicción el 8 de febrero de 2026, que pertenece al ámbito de trading de alta frecuencia (HFT) y requiere una alta eficiencia de ejecución. La selección tecnológica decidió usar Rust para construir un sistema de ejecución de transacciones de baja latencia, para enfrentar la rápida desaparición de oportunidades de arbitraje. La pila tecnológica actual del equipo es limitada, planea avanzar mediante vibe coding y aprovechar esta oportunidad para profundizar en el ecosistema y herramientas de Rust, preparándose para futuros proyectos. El artículo también menciona que el equipo tiene experiencia básica en Rust con contratos inteligentes de Solana, pero no es profunda, y espera enfrentar desafíos a través de este proyecto.
- ✨ Inicio del proyecto de arbitraje en mercados de predicción, perteneciente al ámbito de trading de alta frecuencia (HFT)
- ✨ Selección tecnológica utiliza Rust para implementar un sistema de ejecución de transacciones de baja latencia
- ✨ La pila tecnológica del equipo es limitada, planea avanzar mediante vibe coding
- ✨ Aprovechar esta oportunidad para aprender el ecosistema y herramientas de Rust, preparándose para el futuro
- ✨ El proyecto requiere alta eficiencia de ejecución para capturar rápidamente oportunidades de arbitraje
📅 2026-02-08 · 214 words · ~1 min read
Derivación del sistema de ecuaciones SDE de dinámica de tres cuerpos en mercados de capitales
Finanzas Cuantitativas
👤 Investigadores en modelado financiero, analistas cuantitativos, economistas interesados en la dinámica de los mercados de capitales
Basándose en el artículo 'Hipótesis de dinámica de tres cuerpos en mercados de capitales', este trabajo deriva un sistema completo de ecuaciones diferenciales estocásticas (SDE) para describir la interacción entre capital de impulso (M), capital de valor (V) y capital de liquidez (L) en los mercados de capitales. El artículo define variables rápidas (como prima logarítmica, impulso, volatilidad) y variables lentas (volúmenes de los tres tipos de capital), y extrae 12 restricciones centrales formalizables. Mediante un análisis detallado del sistema de ecuaciones SDE, el artículo valida una por una estas restricciones, incluyendo retroalimentación positiva de M, retroalimentación negativa de V, retroalimentación sin dirección de L, bucles de retroalimentación positiva y negativa, matriz de rendimientos y efectos de congestión. Todas las restricciones se validan, lo que indica que este sistema SDE puede implementar completamente los mecanismos cualitativos del artículo original, como agrupación de volatilidad, distribuciones de cola pesada y comportamiento caótico. El artículo también realiza análisis de fase y validación de características estadísticas, proporcionando una base para simulaciones numéricas posteriores, análisis de bifurcación y calibración de parámetros.
- ✨ Derivó un sistema completo de SDE que describe la interacción de tres tipos de capital
- ✨ Validó 12 restricciones centrales, incluyendo retroalimentación positiva y negativa y matriz de rendimientos
- ✨ El sistema puede explicar características del mercado como agrupación de volatilidad y distribuciones de cola pesada
📅 2026-02-07 · 2,224 words · ~10 min read
Experimento de guerra de capital asistido por IA y comunidad de trading subjetivo
Finanzas Cuantitativas
👤 Traders cuantitativos, investigadores en aplicaciones de IA, desarrolladores de estrategias de inversión, profesionales interesados en la combinación de trading subjetivo y cuantitativo
Basado en experiencias experimentales del 3 de febrero de 2026, este artículo discute el papel de la IA en mejorar la eficiencia de los experimentos de guerra de capital, enfatizando que la reestructuración del diseño experimental puede evaluar sistemáticamente estrategias de señales y de apuestas. El autor propone que el trading subjetivo solo debe usarse para diseñar estrategias de señales, evitando intervenir en estrategias de apuestas para superar decisiones irracionales en la gestión humana del capital. Para abordar el posible problema de que los humanos revisen cuentas de apuestas, se sugiere un modelo de trading comunitario donde múltiples traders subjetivos proporcionen estrategias de señales, una cuenta de apuestas integrada sea gestionada por programas y las ganancias se distribuyan según la contribución, equilibrando equidad y eficiencia para fomentar mejores diseños de estrategias de señales y controlar riesgos.
- ✨ La IA mejora la eficiencia de los experimentos de guerra de capital, logrando un salto cualitativo
- ✨ La reestructuración del diseño experimental evalúa sistemáticamente estrategias de señales y de apuestas
- ✨ El trading subjetivo solo debe aplicarse a estrategias de señales, evitando intervenir en estrategias de apuestas
- ✨ La gestión humana del capital tiene problemas de decisiones irracionales, requiriendo ejecución programada
- ✨ El trading comunitario puede evitar que traders subjetivos ajusten estrategias basadas en cuentas de apuestas
📅 2026-02-03 · 1,053 words · ~5 min read
Diseño Experimental de la Guerra de Capital Persistente
Finanzas Cuantitativas
👤 Operadores cuantitativos, investigadores de estrategias de gestión de capital, inversores interesados en la estrategia Anti-Martingale.
Este artículo detalla el diseño experimental de la guerra de capital persistente, cuyo núcleo es utilizar una cuenta de referencia como base y aplicar la estrategia Anti-Martingale en la cuenta de apuesta para ajustar dinámicamente las posiciones. Los puntos clave incluyen: la escala temporal t como momentos discretos del mercado; la cuenta de referencia opera con posiciones fijas, proporcionando una curva de ganancias y pérdidas acumuladas; la cuenta de apuesta calcula el flujo de efectivo de entrada C(t) y el stop loss de referencia StopLoss(t) según el rendimiento de la referencia, construye la línea de control de riesgo RiskLine(t) y el capital de riesgo VC(t), y determina el tamaño de la posición mediante la fórmula Position(t) = floor(VC(t) / StopLoss(t)); define la lógica de manejo de eventos de toma de ganancias y stop loss, así como las condiciones de pausa de operaciones durante el período de observación. El objetivo general es maximizar la eficiencia en el uso del capital de riesgo, logrando apuestas agresivas pero controladas.
- ✨ La escala temporal t son momentos discretos del mercado, utilizados para todas las series temporales.
- ✨ La cuenta de referencia opera con posiciones fijas, proporcionando las ganancias y pérdidas acumuladas BasePnL(t) como referencia.
- ✨ La cuenta de apuesta utiliza la estrategia Anti-Martingale, ajustando dinámicamente las posiciones según el rendimiento de la referencia.
- ✨ El flujo de efectivo de entrada C(t) y el stop loss de referencia StopLoss(t) se calculan a partir del historial de rendimiento de la cuenta de referencia.
- ✨ La línea de control de riesgo RiskLine(t) se desplaza hacia abajo con el tiempo, asegurando que las ganancias y pérdidas no realizadas no caigan por debajo de esta línea.
📅 2026-02-02 · 1,015 words · ~5 min read
Reestructuración del Sistema de Backtesting en Tres Niveles y Rediseño del Diseño Experimental
Finanzas Cuantitativas
👤 Investigadores de inversión cuantitativa, desarrolladores de sistemas de backtesting, analistas de estrategias de inversión
Este artículo propone reestructurar el sistema de backtesting en tres niveles: la secuencia de mercado como objeto de inversión, la estrategia de señales como reacción y la estrategia de apuestas como sujeto de inversión. El autor sugiere dividir cada experimento en la combinación de estos tres componentes y enfatiza la necesidad de modificar completamente el diseño experimental y el sistema de evaluación. El nuevo enfoque de evaluación cambia de la expectativa de pico a la frecuencia y características de distribución de los eventos de toma de ganancias, especialmente el intervalo de tiempo promedio de los eventos de toma de ganancias dado M_T, para proporcionar una guía de inversión más significativa.
- ✨ El sistema de backtesting debe reestructurarse en tres niveles: secuencia de mercado, estrategia de señales y estrategia de apuestas
- ✨ La secuencia de mercado es el objeto de inversión, que puede generarse a partir de datos sintéticos o históricos
- ✨ La estrategia de señales es la reacción a la secuencia de mercado, produciendo señales de compra y venta
- ✨ La estrategia de apuestas determina la asignación de capital y la gestión de riesgos, reflejando las preferencias del sujeto de inversión
- ✨ El diseño experimental debe evaluar cada estrategia de señales bajo todas las secuencias de mercado y estrategias de apuestas
📅 2026-02-01 · 654 words · ~3 min read
Experiencia con OpenClaw y el modelo Opus, y experimento de guerra de capital persistente
Finanzas Cuantitativas
👤 Entusiastas técnicos interesados en el despliegue de herramientas de IA y comparación de modelos, así como investigadores o inversores enfocados en estrategias de trading cuantitativo.
Este artículo documenta la experiencia del autor al usar la herramienta de IA OpenClaw el 31 de enero de 2026, incluyendo su despliegue en un servidor ECS de Alibaba Cloud y la conexión con un bot de Feishu. El autor señala que OpenClaw es más adecuado para despliegues locales, ya que los servidores en la nube tienen costos elevados y las funciones están limitadas por la instalación de herramientas. Se comparan los rendimientos de los modelos MiniMax M2.1 y Opus, concluyendo que Opus es claramente superior en tareas de programación. El autor utilizó OpenCode+Opus para completar el código del experimento de guerra de capital persistente, lo publicó en GitHub y reveló las conclusiones preliminares: en un modelo de mercado de alta volatilidad GBM, la estrategia de reversión a la media combinada con gestión de capital anti-Martingale puede lograr un crecimiento exponencial del capital bajo costos de transacción, mientras que la estrategia de seguimiento de tendencias no puede, destacando la ventaja de las estrategias de alta tasa de éxito. El autor indica que aún se requiere más validación e invita a seguir el proyecto de código abierto.
- ✨ La herramienta de IA OpenClaw puede desplegarse en servidores en la nube y conectarse a un bot de Feishu, pero es más adecuada para máquinas locales vacías.
- ✨ Los servidores en la nube tienen costos altos, y las funciones de OpenClaw están limitadas por la instalación de herramientas como navegadores.
- ✨ OpenClaw con MiniMax M2.1 tuvo un rendimiento deficiente; el autor considera que este modelo es débil.
- ✨ El modelo Opus es significativamente mejor que MiniMax M2.1 en tareas de programación, siendo elogiado como el modelo SOTA para codificación.
- ✨ El autor utilizó los créditos de Opus de GitHub Copilot para completar el código del experimento de guerra de capital persistente y lo publicó como código abierto.
📅 2026-01-31 · 462 words · ~3 min read
Introducción al Proyecto EA: Fondo de Prioridad con Trading Cuantitativo Impulsado por IA
Finanzas Cuantitativas
👤 Inversores interesados en inversiones en blockchain, trading cuantitativo y rendimientos estables, especialmente aquellos que buscan fondos de prioridad de bajo riesgo con protección del capital.
EA (Earnby.AI) es un proyecto de fondo de prioridad desplegado en la cadena BSC, liquidado en USDC, que ofrece rendimientos estables a los inversores a través de estrategias de trading cuantitativo impulsadas por IA. El proyecto emplea una estructura de capital de prioridad/subordinación, donde el capital prioritario goza de protección del principal, y el capital subordinado asume el riesgo con fondos propios del equipo del proyecto. El equipo de gestión está compuesto por profesionales en trading cuantitativo y blockchain, incluyendo 5 cofundadores. El proyecto ofrece un rendimiento variable, actualmente con una tasa anual del 12%, y los inversores pueden retirar fondos en cualquier momento. Las estrategias incluyen combinaciones direccionales y estrategias delta neutral, con un historial que muestra un rendimiento acumulado del 39.22% y una tasa anualizada de aproximadamente el 22%. El proyecto no cobra comisiones de gestión, tiene períodos de bloqueo flexibles y tiene como objetivo proporcionar rendimientos sostenibles de bajo riesgo para los inversores.
- ✨ EA es un proyecto de fondo de prioridad desplegado en la cadena BSC, liquidado en USDC
- ✨ Emplea estrategias de trading cuantitativo impulsadas por IA, incluyendo combinaciones direccionales y estrategias delta neutral
- ✨ El capital se divide en prioridad y subordinación, con protección del principal para el capital prioritario
- ✨ El equipo de gestión está compuesto por 5 profesionales en trading cuantitativo y blockchain
- ✨ Ofrece un rendimiento variable, actualmente con una tasa anual del 12%, y los inversores pueden retirar fondos en cualquier momento
📅 2025-11-01 · 1,767 words · ~8 min read
Análisis de Espectro Completo: Método Óptimo para Monetizar Información
Finanzas Cuantitativas
👤 Traders cuantitativos, desarrolladores de estrategias de inversión, ingenieros financieros e inversores avanzados interesados en la fórmula de Kelly y optimización de apalancamiento.
Este artículo propone el Análisis de Espectro Completo (FSA), un marco de estrategia de inversión y trading optimizado según el criterio de Kelly. Primero, analiza las limitaciones de la fórmula tradicional de Kelly en aplicaciones de inversión, como la falta de consideración de apalancamiento y ventas en corto, y problemas de timing de liquidación. Luego, FSA construye un modelo sistemático de decisión de trading definiendo el espacio de resultados, calculando el apalancamiento óptimo y la tasa de rendimiento compuesta. El artículo detalla los principios matemáticos de FSA, incluyendo el cálculo del rendimiento esperado y la tasa de rendimiento compuesta, así como el algoritmo para resolver el apalancamiento óptimo usando el método de iteración de Newton. Además, introduce métodos de backtesting histórico (como el cálculo del Margen Bruto de Beneficio, GPM), consideraciones para módulos de trading en tiempo real, y medidas para enfrentar eventos cisne negro. La ventaja clave de FSA radica en su capacidad para utilizar información probabilística imperfecta, optimizando decisiones de apalancamiento para maximizar ganancias a largo plazo, reduciendo así los altos requisitos de calidad de la información.
- ✨ El Análisis de Espectro Completo (FSA) se basa en el criterio de Kelly, optimizando el apalancamiento de inversión para maximizar la tasa de crecimiento compuesto
- ✨ Define el espacio de resultados, distribución de probabilidad y tasa de rendimiento, calculando el apalancamiento óptimo y la tasa de rendimiento compuesta
- ✨ Utiliza el método de iteración de Newton para resolver el apalancamiento óptimo, manejando dominios factibles y problemas de convergencia
- ✨ Introduce el Margen Bruto de Beneficio (GPM) para backtesting histórico, evaluando la rentabilidad y capacidad de la estrategia
- ✨ Incorpora probabilidades simétricas de eventos cisne negro, limitando el apalancamiento para prevenir abusos y riesgos extremos
📅 2025-08-10 · 3,234 words · ~15 min read