Noviembre 2018
Prólogo
Las operaciones en los mercados financieros tradicionales y de criptomonedas son ejecutadas de forma desfavorable para la gran mayoría de los participantes: los operadores minoristas. El acceso a los mercados financieros tradicionales para los operadores minoristas está dominado por casas de corretaje que agresivamente extraen ganancias de sus clientes a través de precios de mercado ajustados artificialmente, brechas entre los precios de demanda y precios de oferta, tarifas poco realistas y comisiones, en muchos casos sin que el operador lo sepa. Además de esto, los compradores y vendedores de criptomonedas pagan comisiones de creador, tomador y apalancamiento, al operar con criptomonedas y son incapaces de apalancarse con sus criptomonedas para operar en los mercados financieros tradicionales.
Las casas de corretaje tradicionales y las casas de cambio de criptomonedas que ofrecen operar apalancado se aprovechan de los operadores minoristas de todo el mundo al forzarlos a posiciones desventajosas contra el mercado. Los comerciantes minoristas compran y venden criptomonedas, pares de divisas, acciones y materias primas a precios menos favorables, pagando varias comisiones y tarifas, mientras no tienen ninguna ventaja en el mercado cuándo deciden qué comprar y vender. Los operadores están obligados a acceder a los mercados a través de las casas de corretaje tradicionales y los intercambios centralizados de criptomonedas cuyos intereses no solo están desalineados con los suyos, sino en oposición directa. Para empeorar las cosas, todavía se extrae aún más valor de las transacciones de los operadores minoristas. Sus datos operativos terminan llegando, de manera fluida, a las manos de los fondos de cobertura y los bancos que los usan para construir estrategias operativas rentables que están en conflicto directo y, por lo tanto, perjudican a los comerciantes minoristas.
Quantfury viene a terminar con estas prácticas de una vez por todas. Hace que operar los mercados tradicionales y de criptomonedas sea gratuito, justo y transparente. Los usuarios operan con los precios en tiempo real directamente desde las principales casas de criptomonedas y corretaje tradicionales sin comisiones, tarifas de apalancamiento, de creador o de tomador.
Tabla de Contenidos
- Prólogo
- Propuesta de Valor
- El Problema
- Opera en todos los mercados con condiciones inigualables
- La Aplicación
- Lista de áctivos negociados
- Arquitectura de la Plataforma
- Tokenizando la economía de Quantfury
- Monetizando los datos operativos
- Matriz de ventajas de Quantfury
- Valores
- Preguntas frecuentes
- Notas y lecturas adicionales
Propuesta de Valor
Quantfury ofrece a los operadores, inversores, y poseedores de criptomonedas, operar en mercados financieros tradicionales y de criptomonedas con condiciones incomparables.
Para poseedores de criptomonedas y operadores minoristas
- Opera libre de comisiones, tarifas de creador, tomador o de apalancamiento.
- Apalanca tus criptomonedas para comprar y vender acciones, criptomonedas, pares de divisas y materias primas.
- Siempre opera al mejor precio disponible de oferta (el más bajo), y al mejor precio disponible de demanda (el más alto).
El Problema
- Las casas de intercambio de criptomonedas sólo ofrecen operar criptomonedas con apalancamiento mientras cotizan precios sintéticos y cobran tarifas innecesarias, colocando al operador en una desventaja constante.
- Las plataformas tradicionales para minoristas apuestan contra sus usuarios y se benefician del ajuste artificial entre los precios de mercado de demanda y oferta, de las comisiones por operar y de las tarifas de apalancamiento.
Todos los operadores minoristas ejecutan sus órdenes de compra al precio de oferta y sus órdenes de venta al precio de demanda, por esa razón, están en desventaja automáticamente en cada vez que entran a una transacción. En pocas palabras, los operadores siempre comprarán más alto y venderán más bajo que el último precio de mercado del activo que operan. Cuando varias plataformas y casas de corretaje ajustan la brecha entre el precio de demanda y el precio de oferta para hacerla incluso más amplia, cobrando comisiones operativas mayores y tarifas de apalancamiento y de retiro superiores, entonces la ventaja en contra del operador crecerá exponencialmente, y las pérdidas de los operadores se volverán mayores.
Estas prácticas representan el núcleo del modelo de negocio adoptado por la mayoría de las casas de corretaje tradicionales y casas de intercambio centralizadas de criptomonedas que ofrecen operar con apalancamiento. Este modelo de negocio es también conocido como el modelo “quemar y desechar”, dónde la retención de los usuarios se convierte en una prioridad menor porque se entiende que los usuarios eventualmente perderán un monto sustancial de sus fondos y dejarán de operar. La meta es quemar tanto capital del operador como sea posible, antes de desecharlo.
Aunque el modelo de “quemar y desechar” puede explicar la profundidad de las pérdidas de los usuarios, todavía no puede explicar por qué un alto porcentaje de operadores minoristas pierden dinero. El hecho de que la mayoría de los operadores pierden dinero es de conocimiento público, sin embargo, la industria guarda las estadísticas exactas de esas pérdidas. Algunas de esas estadísticas están disponibles de vez en cuando debido a que algunas de esas casas de corretaje minoristas tienen que publicar sus reportes de rendimiento comercial como un requisito regulatorio. Estos informes proporcionan pocos detalles, a propósito, sin embargo, aun así señalan el hecho que entre el 65% y el 80% de los operadores pierden dinero (1). Un trabajo de investigación conducido por académicos alrededor del mundo analizando operaciones minoristas en acciones, materias primas y pares de divisas muestran una imagen mucho más sombría de las pérdidas de los operadores. Esa investigación muestra que el 95% de los operadores pierden dinero, mientras que el 4% recupera su inversión y el 1% genera ganancias. Adicionalmente toma un promedio de 3 años para un operador perdedor dejar de especular en el mercado y dejar de operar (2).
Por lo tanto, consideramos que el mercado es ineficiente en el corto plazo cuándo hay un número desproporcionado de participantes del mercado (operadores minoristas) constantemente malinterpretando la información de corto plazo del mismo mercado. La decisión del operador de comprar o vender un instrumento financiero específico no solo se basa en datos del mercado fácilmente disponibles, como el precio del activo, sino que también se basa en patrones de comportamiento. Estos patrones se relacionan específicamente con el proceso de toma de decisiones de la mayoría de los operadores minoristas basado en el valor potencial de pérdidas y ganancias, así como evaluando sus pérdidas y ganancias usando algunas heurísticas (3). En psicología cognitiva y teoría de la decisión, la aversión a la pérdida se refiere a la tendencia de las personas a preferir evitar pérdidas en lugar de adquirir ganancias equivalentes: para ellos es mejor no perder $5 que ganar $5. Este principio es muy prominente en los dominios de la economía y el comercio en el mercado financiero. Lo que distingue la aversión de la pérdida de la aversión al riesgo es que la utilidad de una rentabilidad monetaria depende de qué se experimentó previamente o de lo que se esperaba que sucediera. Algunos estudios han sugerido que las pérdidas son el doble de fuertes, psicológicamente, que las ganancias. De hecho, un artículo de investigación del MIT (4) publicado recientemente analizó los datos de 80,000 operaciones realizadas en casas de corretaje para minoristas y concluyó que en efecto la mayoría de los operadores perdedores mantuvieron sus operaciones perdedoras el doble de tiempo que sus operaciones ganadoras.
Quantfury no va a cambiar el porcentaje de operadores minoristas perdiendo dinero debido a la diferencia existente entre el precio de demanda y de oferta del mercado en tiempo real, mientrás que la psicología de mercado continue estando presente, sin embargo, reducirá significativamente la magnitud de pérdidas de los usuarios.
Opera todos los mercados con condiciones inigualables
La aplicaciónLa aplicación de Quantfury es la opción más accesible, justa y transparente para operar en los mercados.
Quantfury ha desarrollado una aplicación móvil para teléfonos inteligentes, que permite a los propietarios de criptomonedas operar a través de fondos fíat instrumentos financieros, tales como criptomonedas, pares de divisas, acciones y materias primas que cotizan en las bolsas de valores de EE. UU. y Europa, sin pagar comisiones, tarifas de apalancamiento u otros tipos de tarifas. Todos los instrumentos financieros que se operan son siempre cotizados en tiempo real a los precios de demanda y oferta del mercado (5), los cuales nunca son artificialmente ajustados.
Sólo se aceptan criptomonedas (no monedas "fíat") para financiar el saldo de cuenta del usuario necesario para empezar a operar en la aplicación de Quantfury. Los usuarios acceden a un poder operativo constante en dólares de 20 veces el valor del saldo de cuenta original. Este poder operativo se mantiene constante. El saldo de cuenta en criptomonedas asegura las pérdidas potenciales incurridas en la divisa fiat del poder operativo de acuerdo con el tipo de cambio del momento a medida que el usuario realiza sus operaciones. No se permite a los usuarios incurrir en pérdidas superiores al valor del saldo de cuenta en criptomonedas de acuerdo con el valor más reciente del tipo de cambio. El tamaño máximo de poder operativo permitido por la aplicación de trading de Quantfury es de $200,000, el cual requiere $10,000 de saldo de cuenta (su equivalente en criptomonedas).
Por ejemplo:
Los usuarios financian su billetera del saldo de cuenta, por medio de Bitcoin, equivalente a $100 y reciben un poder operativo constante de $2,000 para operar como elijan tanto en el mercado de criptomonedas como en los mercados financieros tradicionales. Este poder operativo de $2,000 que está disponible para asignar en variadas posiciones operativas y por montos variados, siempre se mantiene constante, independientemente de las pérdidas incurridas en las operaciones. Las pérdidas incurridas por las operaciones no pueden exceder el equivalente en fíat del saldo de cuenta; de lo contrario, las operaciones serán detenidas y las posiciones liquidadas.
Acciones y ETFs
475 valores de mediana y gran capitalización cotizados en los Estados Unidos y la Unión Europea.
Pares de Criptomonedas
BTC/USDT, ETH/USDT, EOS/USDT, LTC/USDT, DASH/USDT, IOTA/USDT, NEO/USDT, XMR/USDT, XRP/USDT, ETC/USDT, ZEC/USDT, ADA/USDT, QTUM/USDT, XTZ/USDT, LINK/USDT, DOT/USDT
Futuros
S&P 500 E-mini, Dow E-mini, NASDAQ-100 E-mini, Crude Oil, Natural Gas, Gold, Platinum, Silver, Copper
Pares de divisas
USD/CAD EUR/USD EUR/GBP USD/JPY GBP/USD AUD/USD NZD/USD USD/CHF EUR/JPY CAD/JPY GBP/JPY AUD/JPY NZD/JPY CHF/JPY
La plataforma Quantfury utiliza una arquitectura de microservicios para ofrecer escalabilidad de última generación para la base de usuarios de su aplicación operativa. Su plataforma marca la pauta en cuanto a la entrega de datos fiables, escalables y de alto rendimiento para servicios basados en transacciones, dividiendo el trabajo en múltiples servicios sin conexión directa que pueden actualizarse y escalarse de forma independiente en varias dimensiones.
La plataforma operativa de Quantfury está diseñada para emparejar internamente las operaciones de los usuarios y proporcionar una actividad continua de creación de mercado que garantice la ejecución de cualquier orden operativa de algún usuario que no haya sido emparejada. La plataforma Quantfury es la única "light pool" de la industria disponible para el acceso directo de los operadores minoristas. La plataforma de Quantfury es totalmente opuesta al concepto de "dark pool" que existe principalmente para los operadores institucionales. En la "light pool" de Quantfury cada participante obtiene condiciones operativas inigualables en la industria, todos los participantes son operadores minoristas, y toda la actividad de la plataforma operativa puede ser auditada y verificada a través de la cadena de bloques. Cualquiera puede ser el propietario de la "light pool" y beneficiarse de sus operaciones a través de la propiedad de los tokens. Por lo tanto, los intereses de los participantes, de los propietarios de tokens y de la propia plataforma Quantfury están siempre totalmente alineados.
Quantfury garantiza que todas las operaciones de sus usuarios se cotizan y ejecutan en los mejores precios de oferta y demanda, sin comisiones operativas, ni comisiones de apalancamiento, independientemente del número de usuarios activos diariamente.
La Transparencia de Quantfury
El principal activo de la plataforma de Quantfury, los datos de las operaciones de los usuarios, se digitalizan y se publican utilizando un contrato inteligente e IPFS, un sistema de almacenamiento direccionable del contenido:
1. Una vez que se cierra una posición, el identificador de operaciones anonimizado junto con los datos de la transacción, incluyendo los precios de demanda y oferta, el último precio y su respectiva fecha y hora, se almacenan de forma encriptada en el contrato inteligente IPFS;
2. Un hash de esos datos se almacena en la blockchain de Ethereum;
3. Quantfury publica la clave para desencriptar esos datos sobre una base de tiempo diferido (30 días) para fines de auditoría. La clave desencripta los datos de las operaciones mensuales cerradas de los usuarios y es guardada en el contrato inteligente de Quantfury en Ethereum;
4. Esta clave se puede ver a través de la DAPP de Quantfury o ejecutando el comando del contrato inteligente de Quantfury para recibirla.
Monetizando los datos operativos
Para generar ingresos, la inteligencia artificial desarrollada por Quantfury emplea múltiples estrategias comerciales cuantitativas impulsadas por el aprendizaje automático de modelos, entrenados basándose en los datos operativos de los usuarios. Tal modelo no es práctico si es aplicado en casas de corretaje tradicionales, donde la exactitud de los datos operativos está negativamente sesgada debido al ajuste de las brechas, las tarifas, las comisiones, la falta de límite en el tamaño de los depósitos de los usuarios y los requisitos hacia los mismos para obtener el apalancamiento. El ecosistema de Quantfury está impulsado por la necesidad de generar los datos operativos perfectos, que sean los menos sesgados y representen el sentimiento de mercado más "puro" por parte de los operadores. Este ecosistema se alcanza permitiendo que los usuarios operen con los mejores precios de oferta y demanda en tiempo real, sin comisiones, ni tarifas y con un poder operativo constante.
La mayoría de las decisiones de los operadores minoristas se basan en la psicología de las ganancias y pérdidas, descrita en la Teoría del Prospecto (3). Las respuestas de los operadores a las fluctuaciones del mercado pueden ser formuladas en patrones de comportamiento cuantitativos basados en las reacciones del operador a sus ganancias o pérdidas operativas.
Durante mucho tiempo ha sido práctica común que los datos individuales operativos sean monetizados por parte de las instituciones financieras mediante la adquisición o posesión (6). de flujos significativos de órdenes de compraventa que les permiten formular estrategias operativas rentables. Los operadores minoristas pagan comisiones y diversas tarifas para operar, sin obtener nunca una parte de la monetización de los datos operativos que ellos generan.
Las instituciones financieras analizan los flujos de órdenes operativas de los clientes de una manera unidimensional, sin tener en cuenta la profundidad total del comportamiento del cliente detrás de sus órdenes operativas. Este comportamiento es en gran medida determinado por el tamaño de las cuentas del cliente, el tamaño del apalancamiento que utiliza, y su historial previo de operaciones.
El ecosistema de Quantfury está diseñado para construir una base de datos paradigmática para los datos operativos de los usuarios por medio de:
- Agrupar los factores de "miedo y avaricia" de los usuarios de forma eficaz, ofreciendo un poder operativo constante, independientemente de el rendimiento;
- Cantidad fija de montos de financiamiento inicial requerido inicial al comienzo de la operación con Quantfury, lo que ocasiona varios grupos de operadores con similares proporciones de miedo y avaricia;
- Capturando el sentimiento de mercado menos sesgado o "más puro" de los operadores, haciendo que los usuarios operen con los mejores precios de demanda y oferta en tiempo real, sin comisiones, ni tarifas; y
- Manteniendo el rango y el historial completo de las decisiones comerciales de los usuarios.
Quantfury constantemente aplica y actualiza el aprendizaje automático basándose en los datos operativos generados dentro de su ecosistema. Estos algoritmos de aprendizaje automático producen operaciones automatizadas que compran, venden o no hacen nada en relación con cada una de las órdenes operativas de los usuarios entrantes de Quantfury. El aprendizaje automático del comportamiento de los operadores, tanto a nivel individual como grupal, es llevado a cabo en cada momento por el ecosistema de Quantfury en tiempo real, por lo tanto, constantemente se mejora el bienestar financiero de la plataforma.
Para mantener la eficiencia e integridad de los algoritmos de aprendizaje automático de Quantfury y sus decisiones operativas automatizadas, es un requisito fundamental proporcionar condiciones operativas inigualables a los usuarios de la aplicación de trading, lo que a su vez asegura la obtención de los datos más imparciales del mercado por los operadores minoristas. Además, los poderes de predicción de la plataforma se fortalecen continuamente como resultado de permitir que la actividad de la plataforma ocurra de manera totalmente imparcial.
Algoritmos de aprendizaje automático usados en Quantfury:
A. “Multilayer Perceptron” (MLP por sus siglas en inglés), es una forma bastante simple de red neuronal artificial conocida como una “Feedforward Neural Network” (FNN por sus siglas en inglés). Las FNN se llaman así porque los flujos de información pasan a través de ellos en una sola dirección. Los MLP consisten en una capa de entrada, una o más capas ocultas y una capa de salida. Cada neurona dentro del MLP realiza una suma ponderada de cada salida de la capa anterior (estas neuronas son por lo tanto conocidas como densamente conectadas), añaden un número adicional llamado "sesgo", y aplican una función no lineal para producir su resultado. La no linealidad es importante, ya que técnicamente permite a la MLP aproximarse a cualquier función.
A continuación, se muestra un simple MLP de 4 capas:
Los MLP aprenden (son entrenados), de manera similar a la mayoría de las otras redes neuronales artificiales, con el algoritmo de retro propagación. Este algoritmo es una forma de aprendizaje supervisado en la que se permite que la entrada (input) se propague a través de la red y luego se compara el resultado (output) con el resultado ideal (output ideal). La diferencia entre ese resultado en particular y el resultado ideal se conoce como el “error". El algoritmo determina qué neuronas, capa por capa, han contribuido al "error" y en qué medida luego las ajusta iterativamente, como muestra el ejemplo.
B. Autoencoder
Un “Autoencoder” es una red neuronal con el propósito de destilar los aspectos importantes de los datos de entrada (input) en un formato abreviado, o código. Esta forma abreviada es útil en la medida en que es eficiente con respecto al tamaño de los datos, pero también porque el autoencoder elimina la información menos relevante de los datos de entrada (input). Esto permite que otros algoritmos de aprendizaje automatizado puedan aprender más eficientemente si sus datos de entrada (inputs) son primero auto codificados.
Un autoencoder suele tomar la forma de un MLP con capas ocultas que disminuyen de tamaño hasta cierto punto, y a continuación, vuelven a aumentarlo hasta el tamaño original con el mismo número de capas en lo sucesivo. El algoritmo es luego entrenado de tal manera que intenta recrear la entrada de datos (input) en relación con el resultado (output). Esto puede parecer trivial, pero a medida que el tamaño de las capas ocultas se reduce progresivamente, el algoritmo debe aprender a reconstruir la entrada de datos (input) a partir de la información que falta. Por lo tanto, el proceso de capacitación aprende intuitivamente a conservar solo los aspectos más importantes de los datos.
La primera parte de la red se conoce como el "encodificador", mientras que la segunda parte se conoce como el "decodificador". Una vez finalizado el proceso de entrenamiento, sólo se utiliza el "encodificador" para transformar los datos. A continuación, se muestra un diagrama que resume estas partes de la red:
C. Q-learning encoder
Q-learning es parte de un subconjunto de técnicas de aprendizaje automático conocidas como "reinforcement learning". El "reinforcement learning" se refiere a la optimización de la forma en que un agente artificial realiza acciones dentro de su entorno para maximizar alguna noción de recompensa a largo plazo (de manera muy parecida a como se entrena a un animal).
En Q-learning, existe un conjunto de "states" (S), y un conjunto de "actions" (A) que se pueden realizar en cada estado posible. Al realizar una de estas acciones en un estado en particular, el agente pasa de un estado a otro y gana una recompensa particular dependiendo de la acción y el estado.
El objetivo entonces, del algoritmo de Q-Learning es encontrar una función Q que sea capaz de decirle al agente cuál es la mejor acción en cualquier estado en particular. Ésta función se encuentra a través de un proceso de entrenamiento donde el algoritmo recibe un objetivo de alto nivel que trata de maximizar una recompensa acumulativa de todas sus acciones. Ejemplos de esto son el retorno total de la inversión de un bot operativo, o la puntuación más alta para un bot que intenta aprender a jugar 'pong'. La función Q puede tomar muchas formas, y es comúnmente un MLP como se discutió anteriormente.
El proceso de aprendizaje del Q-learner se puede describir matemáticamente de la siguiente manera:
Se puede ver que la función se actualiza para considerar la recompensa que el agente puede ganar de una acción actual, además de cómo esa acción podría afectar a la capacidad de realizar acciones futuras que también tienen sus correspondientes recompensas.
Objetivo y descripción de la arquitectura de aprendizaje automático de Quantfury:
A. Objetivo
El objetivo de la arquitectura de aprendizaje automático de Quantfury es maximizar la rentabilidad ajustada al riesgo. Monitoreando la actividad de los operadores a través de la plataforma de Quantfury, así como integrando indicadores técnicos desde todos nuestros instrumentos, somos capaces de construir un panorama integral del estado del mercado, desde el cual nuestro Q-learner puede tomar decisiones operativas rentables. Es este sistema el que permite a Quantfury seguir siendo rentable a la vez que ofrece a los usuarios un ambiente operativo justo y bajos márgenes.
B. Flujo de datos
Quantfury incorpora varios flujos de datos diferentes en su arquitectura de aprendizaje automático con el fin de evaluar con precisión su universo. Los flujos de datos se pueden dividir en datos del operador y datos de los instrumentos financieros.
Los datos de los operadores se componen del comportamiento de los operadores en la plataforma. Estos datos son anónimos y se utilizan simplemente para modelar las acciones de los agentes en la plataforma, no para realizar un seguimiento individual. Los datos de los operadores consisten en un historial completo de operaciones, incluyendo el retorno de la inversión por posición, si la posición era en largo o en corto, el nivel de exposición, etc. Estos datos se procesan posteriormente en ventanas de tiempo y posición, que dan una idea de cómo han evolucionado las acciones de un operador en cada posición abierta, en relación con el tiempo transcurrido.
El otro flujo de datos contiene información cotejada sobre todos los instrumentos financieros que se negocian en Quantfury. Esto incluye un gran número de indicadores técnicos, como las medias móviles y la volatilidad, y cómo han evolucionado estos indicadores a lo largo del tiempo para ese instrumento en particular.
C. La arquitectura de inteligencia artificial de Quantfury se compone de 3 elementos principales: un sistema de "autoencoders", una red de predicción de posiciones y un sistema de Q-learners.
Los "autoencoders" están entrenados para extraer de forma inteligente la información más vital contenida en los flujos de datos superiores. Se necesita un "autoencoder" diferente para cada flujo de datos, ya que cada flujo de datos tiene diferentes características que deben ser codificadas. Esto no solo permite mejorar el rendimiento, sino que los "autoencoders" permiten la compresión de datos, lo que permite atenuar las restricciones de ancho de banda y mejorar la latencia del sistema, la cual es vital para operaciones precisas y sin demoras.
Después de que todos los flujos de datos se autocodifican, un MLP hace una predicción sobre el rendimiento de la posición actual de un operador en particular, tomando toda la información actual e histórica en consideración. Esto se realiza para cada posición abierta en cada uno de los instrumentos y en un modelo separado.
La predicción descrita anteriormente se adjunta a todos los flujos de datos autocodificados en el momento actual. Esto crea un estado que describe completamente el universo de Quantfury. Tal estado puede ser utilizado por el "Q-learner" para dictar una acción que Quantfury debería tomar, en este caso, qué posición adoptar con respecto a un instrumento en particular y el tamaño de la posición que se va a adoptar. Un "Q-learner" es entrenado para cada instrumento de tal manera que pueda aprender a tratar con la dinámica específica de ese instrumento en particular.
De esta manera, todos los modelos trabajan juntos para crear una lista autónoma en tiempo real de las decisiones que Quantfury debe tomar en cualquier momento, teniendo en cuenta la totalidad del riesgo de la plataforma y del riesgo sistémico global.
La aplicación operativa de Quantfury fue creada para ser la plataforma de elección para operar el mercado de criptomonedas y los mercados financieros tradicionales, ofreciendo una propuesta de valor innegable a los operadores de criptomonedas, así como a los clientes de las casas de corretaje tradicionales.
