Investigación
La Investigación Es el Producto, No el Marketing
El machine learning financiero es fácil de engañar y fácil de usar para engañarse a uno mismo. Gran parte de lo que parece una ventaja en un backtest es fuga de datos, suerte, o una regla de evaluación que cambió silenciosamente. Nuestro proceso de investigación existe para descartar eso antes de que algo reciba confianza.
Por qué el ML financiero necesita controles fuertes contra fugas
Un modelo que ha visto, incluso indirectamente, información del futuro parecerá mejor de lo que realmente es. Dado que los datos de mercado son secuenciales y están autocorrelacionados, es fácil introducir fugas por accidente — a través de un scaler compartido, una feature construida con una ventana que mira hacia adelante, o una label que se asoma más allá del punto de decisión. Tratamos la prevención de fugas como un requisito de ingeniería de primer nivel, no como algo secundario.
Pruebas cronológicas
Cada paso de división, ajuste y evaluación sigue el orden temporal. Nada de un período posterior se usa para informar una decisión anterior, incluidos el preprocesamiento y la selección de hiperparámetros.
La aceptación de Investigación y Producción están separadas
Un método que funciona bien en investigación es un resultado de investigación, no una afirmación de Producción. La promoción de la investigación a cualquier estado de mayor confianza es una decisión distinta y explícita — nunca inferida automáticamente a partir de una buena métrica.
Resultados negativos
La mayoría de los métodos probados no califican. Registramos por qué: qué verificación falló, qué suposición se rompió, qué evidencia fue insuficiente. Un resultado negativo comprendido vale más que un resultado positivo que no se comprende.
Comparación de modelos y métodos
Los modelos y métodos candidatos se comparan bajo las mismas reglas congeladas y los mismos límites de datos, de modo que las diferencias reflejen el método — no una configuración de evaluación inconsistente.
Auditorías independientes
Las conclusiones materiales de investigación son revisadas por alguien que no construyó lo que se está revisando, verificando hashes, divisiones, predicciones y métricas en lugar de confiar en un autoinforme.
Robustez y reconstrucción causal
Los métodos aceptados se someten a pruebas de estrés frente a cambios de nivel y escala, ruido, datos faltantes y extrapolación temporal, y las features se reconstruyen para reflejar solo la información causalmente disponible en cada momento.
Por qué los experimentos fallidos mejoran el sistema
Un método rechazado todavía nos enseña algo sobre los datos, el régimen de mercado, o un punto ciego en nuestro propio proceso. Publicar esa lección es parte de Build in Public — y parte de por qué se puede confiar más, no menos, en nuestros resultados aceptados.
La Escalera de Evidencia
Un resultado no se convierte en una afirmación por ser interesante. Sube esta escalera — un peldaño a la vez, en orden — o no se promueve.
Hipótesis
Una idea o método candidato se formaliza bajo un contrato explícito y versionado antes de tocar cualquier dato.
Backtest
La idea se prueba contra datos históricos bajo reglas de evaluación congeladas y seguras frente a fugas, definidas antes de ver el resultado.
Validación walk-forward segura frente a fugas
La validación cronológica y reconstruida causalmente confirma que el resultado no es un artefacto de la propia configuración de evaluación.
Auditoría independiente
Un revisor que no construyó el método verifica hashes, divisiones, predicciones y métricas — no un autoinforme.
Aprobación final
Una decisión distinta y explícita acepta, rechaza o devuelve el resultado para más trabajo. Nada se promueve a sí mismo.
Observación live-paper
Solo después de la aceptación se observa un método frente a los mercados en vivo — todavía virtual, todavía reportado públicamente.
Nuestra Posición
Tantoryn AI no intenta reinventar el machine learning. Usamos investigación sólida ya existente y métodos probados, y luego aplicamos validación causal específica de Tantoryn, segura frente a fugas, y pruebas de compatibilidad antes de confiar en algo para decisiones de mercado reales.
Más allá de la disciplina de investigación, vea los informes en vivo MAIN/SHADOW →