Inteligencia
shadow only · consultiva
Consultiva por arquitectura, no por política.
A la capa analítica no se le pide que se porte bien: se le impide estructuralmente actuar. Los campos accionables se eliminan en un validador antes de que nada aguas abajo pueda leerlos.
El contrato shadow
La evidencia pasa. Las instrucciones no.
Una pasarela neuronal puede enviar análisis. Si su payload contiene un campo que parece una orden —un multiplicador, un bloqueo, un apply— ese campo se elimina por lista blanca y se registra un aviso. Después, toda decisión se reescribe forzosamente a Mode="SHADOW_ONLY", Applied=false.
Aceptado como evidencia
Campos descriptivos. Informan a un operador; no instruyen nada.
- signal
- confidence
- entry_quality_score
- family
- regime
- model_version
- reason_codes
- data_quality
Eliminado al llegar
Campos imperativos. Retirados por lista blanca y registrados como ignored_actionable_neural_field.
- action
- reduce_risk
- block
- block_new_entries
- lot_multiplier
- multiplier
- override
- apply
- boost_risk
Los payloads que declaran applied=true, operational_use=true o shadow_only=false se rechazan de plano en lugar de sanearse. La ruta heredada POST /api/ai/apply está permanentemente en cuarentena y responde siempre blocked.
Puntuación de salud
Toda puntuación enseña su aritmética.
Cada estrategia parte de 100 y pierde puntos contra reglas explícitas e inspeccionables. No hay embeddings, ni ponderaciones opacas, ni «el modelo lo vio raro». Cada deducción lleva el motivo escrito que la produjo, así que puedes discutir la puntuación en lugar de limitarte a aceptarla.
- ≥ 78 HEALTHY
Rinde en línea con su baseline.
- ≥ 60 WATCHLIST
Se desvía, pero dentro de tolerancia.
- ≥ 42 DEGRADING
Materialmente por debajo del baseline en más de un eje.
- < 42 CRITICAL
Varios deterioros confirmados.
- NO_LIVE
Sin evidencia en vivo contra la que puntuar.
| Condición | Penalización |
|---|---|
| Profit factor en vivo por debajo del 55% del baseline | −26 |
| El asignador ya pide bloqueo | −16 |
| Esperanza a 30 días negativa frente a baseline positivo | −18 |
| Muestra menor de 3 operaciones, o confianza bajo 0.45 | −18 |
| Esperanza negativa en 7d, 14d y 30d | −14 |
| Racha de cuatro pérdidas o más | −12 |
| Sin operaciones en 30 días | −12 |
| Fricción de ejecución (spread + slippage) ≥ 25 pts | −8 |
Contención
Diseñada para reaccionar de menos.
La mayoría de la monitorización fracasa gritando «que viene el lobo» hasta que los operadores dejan de escuchar. Existen cuatro mecanismos precisamente para evitarlo.
0.35–0.92
la confianza está acotada por ambos extremos
nunca puede declarar certeza
3 ventanas
la degradación debe persistir en 7d, 14d y 30d
una mala semana suelta no escala
2 ciclos
un estado debe repetirse antes de darse por confirmado
rastreador de persistencia consecutiva
120 min
enfriamiento entre acciones defensivas automáticas
máx. 2 acciones por ciclo, 2 confirmaciones cada una
La autodefensa se entrega desactivada. Donde la plataforma on-premise puede actuar de forma defensiva, viene desactivada por defecto, exige dos confirmaciones, respeta el enfriamiento y se autolimita. Las recomendaciones construidas sobre evidencia escasa se marcan explícitamente como provisional en lugar de presentarse como conclusiones.
Asignación shadow
Te enseñamos lo que haríamos, y después no lo hacemos.
Los asignadores por familia y entre cuentas publican un peso objetivo junto al actual, con el delta, el multiplicador implícito y el motivo. Tú lees el contrafactual y decides. Nada se aplica, y no existe ningún botón que lo aplicaría.
Ensayo sin un solo tick. Ocho escenarios sintéticos —presión de drawdown, estrés de clúster correlacionado, fallo de bloqueo, deriva de ejecución, par desconectado, shock de noticias— permiten a un operador ejercitar el criterio del sistema con el mercado cerrado. En ese modo nada llega siquiera al backend.
{
"mode": "SHADOW_ONLY",
"applied": false,
"operationalUse": false,
"appliesTradingActions": false,
"signal": "degrading",
"confidence": 0.71,
"reason_codes": ["pf_drift", "streak_4"],
"warnings": [
"ignored_actionable_neural_field: multiplier"
]
}
Lo que esto no es
La parte que casi nadie cuenta.
No hay ningún modelo entrenado dentro de Quantisentry. Los motores de puntuación son C# determinista. «Neuronal» se refiere a un servicio externo que aportas tú, alcanzado por un proxy de solo GET. La predicción directa viene desactivada por defecto tras un feature flag.
La base de conocimiento no aprende en ejecución. Baselines por estrategia, segmentos dentro y fuera de muestra, mapas de pérdida por hora y día, y relaciones de redundancia se cargan de paquetes de datos curados. Son una referencia histórica, no un aprendiz en línea.
Hoy esta capa es on-premise. La API comercial expone alta, configuración e ingesta de telemetría. Salud, copiloto y asignación shadow son capacidades del panel, no endpoints contratables en la nube. Considéralas capacidad de plataforma al evaluarnos.
Lenguaje que no usaremos. Ni autoaprendizaje. Ni deep learning propietario. Ni entrenado con millones de operaciones. Ni una IA que opera por ti. Nada de eso sería cierto, y cada afirmación sería fácil de comprobar.