Kunara Celvili analiza la microestructura del mercado en tiempo real y clasifica las estrategias generadas por IA según la varianza predictiva y la reducción histórica, de modo que el capital pueda dirigirse a modelos con un perfil demostrado ajustado al riesgo en lugar de una única opción discrecional.
Kunara Celvili se creó como infraestructura para operadores que ya comprenden la ejecución sistemática pero que carecen de tiempo para realizar pruebas retrospectivas y monitorear docenas de variantes de estrategias en paralelo. En lugar de emitir señales aisladas, la plataforma clasifica un conjunto activo de estrategias generadas por IA de forma continua y expone los parámetros detrás de cada clasificación.
El motor subyacente se mantiene para los requisitos del mercado DACH, incluidos los patrones de liquidez en el horario de negociación local y las limitaciones de latencia de datos relevantes para la ejecución en lugares europeos.
El flujo de pedidos, la correlación entre activos y los datos macro ahora se actualizan más rápido de lo que un solo analista puede conciliarlos en una posición coherente. La fatiga y el sesgo de actualidad agravan el problema durante una sesión de negociación completa, incluso para los profesionales experimentados. La ejecución algorítmica no elimina la incertidumbre, pero sí la inconsistencia que surge al aplicar un umbral diferente a la misma configuración a las 9:00 y a las 15:00.
| Dimensión | Análisis manual | Ejecución algorítmica |
|---|---|---|
| Tiempo de reacción ante nuevos datos. | Segundos a minutos | Subsegundo, continuo |
| Exposición a prejuicios emocionales | Presente, variable por sesión | Excluido estructuralmente |
| Flujos de datos simultáneos procesados | Limitado por la capacidad de atención | Paralelo, activo cruzado |
| Consistencia entre sesiones | Fluctúa con la fatiga | Gobernado por parámetros fijos |
El motor no emite una sola señal de compra o venta. Genera una distribución clasificada de estrategias, cada una con su propia banda de variación predictiva e historial de reducción, que el usuario revisa antes de asignar capital.
La variación predictiva, no los pronósticos puntuales, es el principal resultado que se muestra a los usuarios. Un modelo que predice un precio futuro único hace una afirmación que es difícil de validar; Un modelo que predice una distribución de resultados plausibles se puede comparar con los resultados obtenidos a lo largo del tiempo, que es la base de cómo se clasifican las estrategias en esta plataforma.
El copy-trading en Kunara Celvili significa asignar una parte definida del capital a una estrategia de IA específica del grupo clasificado, con la ejecución manejada automáticamente dentro de los parámetros bajo los cuales se probó esa estrategia.
Explore estrategias activas de IA clasificadas por rendimiento ajustado al riesgo, reducción final y banda de variación predictiva.
Abra una estrategia para ver su ventana de backtesting, el cálculo del índice de Sharpe y las clases de activos con las que opera.
Establezca un tamaño de posición como un porcentaje fijo de su cuenta, con límites máximos de exposición aplicados automáticamente.
Realice un seguimiento de la ejecución en vivo frente a las expectativas comprobadas y reduzca o suspenda la asignación si la variación excede la banda indicada.
Cada estrategia se evalúa con respecto a la cartera de pedidos histórica y los datos de precios utilizando una metodología de avance, lo que significa que el modelo se prueba con datos con los que no fue entrenado, en bloques de tiempo secuenciales. Con ello se pretende limitar el sobreajuste a un único período histórico. Los resultados de las pruebas retrospectivas están etiquetados con el rango de fechas exacto y el universo de activos utilizados, y se mantienen separados de cualquier seguimiento de rendimiento en vivo y futuro que se muestra en el panel.
La latencia depende del lugar y la clase de activo, y se muestra por estrategia como un promedio móvil. El motor está diseñado para minimizar la brecha entre la producción del modelo y la colocación de pedidos, pero las condiciones de la red y del corredor permanecen fuera del control directo de la plataforma.
Los modelos incorporan datos de precios y cartera de pedidos de lugares conectados, junto con datos de publicaciones macroeconómicas e índices de volatilidad. La documentación de cada estrategia enumera el universo de datos específico con el que se entrenó y se realizó una prueba retrospectiva.
La integración se maneja a través de una API de corretaje conectada. Los usuarios conservan la custodia de sus fondos en su propio corredor; Kunara Celvili envía instrucciones de asignación y ejecución pero no retiene directamente el capital del cliente.
Sí. Se pueden ejecutar múltiples estrategias simultáneamente, sujetas a la verificación de correlación que limita la exposición combinada a factores de riesgo similares en todo el grupo activo.
Si la variación en vivo excede la banda predictiva establecida de la estrategia más allá de un umbral definido, la asignación a esa estrategia se pausa automáticamente en espera de revisión y el evento se registra para el usuario.
Solicite una descripción general del protocolo para ver la documentación de backtesting, las definiciones de parámetros y el grupo de estrategias actual antes de conectar una cuenta real.
Leer la Metodología