Machine learning
aplicado a finanzas
Aprende, crea y compite en torneos de ML con datos reales.
Vista del producto · explora el piloto sintético
Ronda de práctica
Versión v1-e4bbe9a1f40c · Ronda 1 · experimento documentado
Archivos para entrenar y predecir
Train y validation permiten desarrollar el modelo. El objetivo de live permaneció oculto durante la ronda.
- Variables
- 20
- Activos simulados
- 160
- Eras generadas
- 100
- train 9.600 filas · objetivo visible
- validation 3.200 filas · comparación
- live 3.200 filas · objetivo oculto
Una versión identificable
Los tres archivos pertenecen a la misma versión. Esa referencia acompaña el envío y permite reproducir la evaluación.
v1-e4bbe9a1f40cEstos datos son sintéticos; no representan un mercado real.
Un torneo que deja rastro de cada paso.
El piloto sintético comprobó el recorrido completo: descarga pública, envío validado, cierre de la ronda, evaluación y clasificación pública.
Leer metodología y resultados ↗Dataset versionado; el objetivo live permanece oculto durante la ronda.
Los CSV inválidos se rechazan y cada envío válido deja un comprobante.
La puntuación se libera después del plazo; los envíos tardíos se rechazan.
El score se reprodujo exactamente desde los datos registrados.
Del archivo al resultado, con contexto.
Este recorrido usa los valores registrados en el piloto sintético. Cada etapa deja evidencia consultable.
- 01
Descarga los datos
Cada ronda identifica su dataset y su versión. Entrena con train, compara decisiones con validation y genera predicciones para las filas de live.
Qué debes tener en cuenta
El objetivo de live permanece privado durante la ronda. La ficha indica el origen de los datos y si son sintéticos.
DATASET / VERSIÓN v1-e4bbe9a1f40cDatos sintéticosArchivos de la ronda
- train
- 9.600 filas · objetivo visible
- validation
- 3.200 filas · comparación
- live
- 3.200 filas · objetivo oculto
Vista esquemática · datos del piloto sintético - 02
Construye tu modelo
Trabaja con tus propias herramientas. Registra el modelo, sus parámetros y la semilla para conservar el contexto del experimento.
Qué debes tener en cuenta
El historial es privado. Puedes consultar tus envíos y exportar sus metadatos para documentar tu investigación.
FICHA / MODELOExperimentoHistGradientBoostingRegressor
Selección por Spearman medio en validation; entrenamiento solo con train.
- Variables
- 20
- Iteraciones
- 100
- Semilla
- 42
Vista esquemática · datos del piloto sintético - 03
Envía predicciones
Sube un CSV con una predicción por fila. QuantBattle comprueba identificadores, cobertura, duplicados y valores antes de aceptarlo.
Qué debes tener en cuenta
El comprobante conserva la versión y la huella SHA-256 del archivo. Puedes revisar cuál envío quedó seleccionado.
CONTROL / ENVÍOValidadoPredicciones comprobadas
- ✓Una predicción por cada fila live
- ✓Identificadores y cobertura completos
- ✓Duplicados y valores inválidos rechazados
- ✓Comprobante con huella SHA-256
Vista esquemática · datos del piloto sintético - 04
Evalúa la evidencia
Tras el cierre, compara el resultado con las referencias de la misma ronda. Spearman mide correlación de orden por era.
Qué debes tener en cuenta
Spearman no mide rentabilidad. Los resultados de datasets o versiones diferentes no se deben sumar.
RESULTADO / RONDA 01PublicadaSpearman medio por era
0,006457- Modelo
- 0.006457
- Azar
- 0.005418
- Primera variable
- 0.005699
Vista esquemática · datos del piloto sintético
Los valores proceden del registro público del piloto; la plataforma identifica cada ronda y versión por separado.
Tu próxima hipótesis
empieza aquí.
Consulta las rondas disponibles, revisa sus datos y prepara tu primer envío.
Explorar torneos Plataforma experimental de investigación. No es asesoría financiera.