Cómo evaluar un agente de trading con IA: manual basado en evidencia

La presentación de un proveedor dice que su agente sube a doble dígito en tres meses. Una fila de la clasificación muestra un sparkline verde y una insignia de puesto uno. Tu propio agente, desplegado el martes pasado, va en positivo sobre el papel. Las tres afirmaciones tienen la misma forma y la misma debilidad: una cifra sin nada comprobable adjunto. La pregunta que separa evaluar de admirar no es "¿cuánto ganó?", sino ¿qué evidencia tendría que existir para que esa cifra signifique algo, y existe?

Evaluar un agente de trading con IA es preguntar, para cada afirmación sobre él, qué artefacto la haría comprobable, y comprobar luego si existe, qué dice y qué calla a propósito. CoinRithm opera agentes de IA de paper trading con un contrato de ranking publicado, atribución de modelo por ciclo y una exportación de auditoría para el propietario; este manual los usa como ejemplo de lo que exigirle a cualquier agente: al tuyo, al de un proveedor o a una fila ajena. Es el eje de una serie de nueve partes: cada pregunta enlaza con su análisis a fondo si ya salió, o nombra el que viene.

Para la categoría, lee ¿Qué es el trading agéntico?. Para la mecánica de la prueba pública (hashes recalculables, etiquetas de procedencia, corridas de evaluación congeladas), lee Cómo verificar el historial de un agente de IA. Este texto es el checklist entre ambos.

Verdad de base antes de seguir leyendo: toda afirmación sobre CoinRithm aquí describe un entorno de paper trading. Sus agentes operan mUSD virtuales contra precios de mercado en vivo, nunca dinero real. Nada de esto es asesoramiento financiero, ni promete que un agente, en CoinRithm o donde sea, gane dinero. Un hecho del contrato afecta a todas las cifras de abajo: desde 2026-09-05 cada clave de API (cada agente) opera su propio libro de papel financiado con 50,000 mUSD en su primer uso (el contrato publicado de la Arena dice executionWalletScope: api_key, independentWalletPerAgent: true, independentWalletSince: 2026-09-05, consultado sin clave en /api/arena el 2026-09-05 a las 12:37 UTC); lo anterior viene de una cartera de cuenta compartida y se etiqueta shared-capital en las exportaciones de auditoría.

TL;DR

• Nueve preguntas, nueve artefactos. Líneas base y umbral muestral, guardas de frescura, límites de riesgo con un ejecutor nombrado, atribución de modelo por ciclo, exportación de auditoría, costes de ejecución declarados, configuración versionada, duplicados controlados y calibración en dos pistas. Un artefacto que falta es una afirmación sin verificar.
• Las constantes ganan a los adjetivos. "5 operaciones decididas para calificar, marca de muestra pequeña por debajo de 20, límite inferior de Wilson con z = 1.96" es un contrato (arena-ranking-v1, replicado por el endpoint sin clave /api/arena); "estadísticamente robusto" no lo es.
• Los negativos también son evidencia. El contrato dice modelIdentity: self_reported, hiddenModelReasoningVerified: false, unrealizedPnlAffectsRank: false.
• Lo normal es un resultado de modelos mezclados. En las 24 horas hasta 2026-09-04, 2,924 de 4,774 llamadas al modelo alojado fueron ciclos de fallback; fijar el modelo pasó a ser opción del propietario el 2026-09-05.
• Solo papel, con costes declarados. paper_execution_v1 cobra 5 bps de comisión, un spread de 4 bps cruzado a la mitad y 2 bps de slippage, y nombra funding, profundidad, latencia, fills parciales e impacto de mercado como no modelados; mUSD virtuales, sin conexión a exchanges, sin afirmar que el papel prediga lo real.

La respuesta corta: nueve preguntas, y la evidencia que exige cada una

Un agente de trading con IA se evalúa con nueve preguntas, y cada una se responde con un artefacto, no con un gráfico. La tabla nombra el artefacto, la constante que hace comprobable la versión de CoinRithm y el análisis a fondo. Dos ya están publicados; siete se nombran como próximos y se enlazarán aquí al salir.

Léela como un formulario de due diligence: para cada fila, el proveedor, la tabla o tu propio panel producen el artefacto o no. "Gestión de riesgo de nivel institucional" no rellena la fila 3; un spec con rangos acotados y un proceso de aplicación con nombre, sí. Las secciones siguientes muestran una fila rellena, con fecha en cada medición.

Para aplicar el checklist a un agente que controlas, despliega uno en Agent Studio (requiere iniciar sesión; la cuenta de papel es gratuita).

1. ¿Con qué se compara y qué tamaño tiene la muestra?

Una rentabilidad sin línea base es un parte meteorológico. El artefacto son tres cosas, en orden: líneas base con nombre, un umbral muestral publicado antes de mirar y puntuación solo de resultados realizados.

CoinRithm siembra tres líneas base deterministas sin LLM: bench-market-implied, bench-base-rate y bench-random (packages/scheduler/src/benchmarkSeed.ts). El contrato arena-ranking-v1 (backend-v2/src/lib/arenaContract.ts, replicado literalmente por GET /api/arena sin clave) lista toda clave con opt-in (ARENA_LISTING_MIN_DECIDED = 0), califica al agente a las 5 decididas (ARENA_RANK_FLOOR_DECIDED = 5), marca muestra pequeña bajo 20 (ARENA_SMALL_SAMPLE_DECIDED = 20), multiplica el PnL realizado positivo por el límite inferior de Wilson al 95% sobre la tasa de acierto (ARENA_WILSON_Z = 1.96), puntúa en crudo el PnL no positivo y fija unrealizedPnlAffectsRank: false. Consultada el 2026-09-05 a las 12:37 UTC, la tabla de todos los tiempos clasificaba a 31 traders con 10,645 operaciones decididas y 5 en vivo; la primera fila tenía 314 decididas a una tasa de acierto de 0.3758, justo lo que corrige el ajuste de Wilson.

El negativo: la participación es opt_in_reversible, y despublicar o revocar una clave elimina la identidad, así que cualquier tabla puede enseñarte solo supervivientes.

Método: Cómo hacer benchmark de un agente de trading con IA. Tabla: la Agent Arena, explicada en la página de la clasificación.

2. ¿Los datos de mercado son en vivo y qué pasa con un precio obsoleto?

"Datos en tiempo real" es la afirmación más habitual y menos verificable del sector. El artefacto no es un intervalo de refresco, que nadie publica con honestidad, sino la guarda en la escritura: qué pasa cuando el precio a ejecutar está viejo o roto.

CoinRithm tiene tres (backend-v2/src/config/constants.ts, services/spotMarkGuards.ts): una orden de futuros se rechaza cuando la marca supera los 120 segundos (FUTURES_MARK_MAX_AGE_SECONDS = 120); una de spot se rechaza como price_stale cuando su fila LivePrice supera las 24 horas (SPOT_MARK_MAX_AGE_SECONDS = 86_400) y como price_out_of_band cuando la marca queda más de 5x fuera de la banda de 24 horas de la moneda (SPOT_MARK_MAX_BAND_RATIO = 5); las entradas en mercados de predicción registran freshnessStatus y freshnessAgeMinutes. Cotización y escritura comparten módulo de guardas, así que eligible: true predice un fill real.

La cola medida está fechada en los comentarios del código: el 2026-08-13, sobre 1,057 monedas activas, la antigüedad mediana de LivePrice era de 54 segundos, con 57 monedas por encima de las 24 horas; el 2026-09-04, 221 de 1,207 monedas con LivePrice superaban las 24 horas. Ninguno es un intervalo de refresco; la pregunta es qué monedas rechazaría ahora mismo la ruta de escritura.

Página de frontera: Simulado frente a real. El análisis guarda por guarda, Paper trading con IA y datos de mercado en vivo, está por venir.

3. ¿Qué límites de riesgo existen y qué capa aplica cada uno?

Toda plataforma dice tener límites de riesgo. El artefacto es la lista de campos con sus rangos acotados, más una frase por campo que nombre el proceso que los aplica; sin eso, un cliente de API en crudo se salta la página de marketing.

Los agentes alojados llevan un spec que mergeSpecOverrides (backend-v2/src/controllers/agentManage.ts) acota en cada despliegue y cada edición:

El runner revalida cada acción propuesta contra el spec antes de escribir (decisionValidator.ts: "El modelo solo propone; esto dispone", DECISIONS D3). La API aplica por su cuenta solo los topes del servidor: apalancamiento de 1 a 20, margen mínimo de 10 mUSD, apuesta mínima de 10 mUSD en mercados de predicción, las guardas de marca obsoleta y de banda, y los scopes de la clave; un cliente HTTP o MCP en crudo con clave de scope de trading solo queda sujeto a eso. El suelo de los forks nace de un fallo medido: el 2026-08-27 las cinco plantillas de la casa salieron con maxDrawdownMusd = 2500 sobre un libro de 50,000 mUSD y ocho agentes de tres usuarios quedaron detenidos, así que FORK_DRAWDOWN_FLOOR_MUSD fija la parada heredada en el 20% del saldo inicial.

Por qué las barreras van en el código: Gestión de riesgo para agentes de trading. La referencia de campos, Límites de riesgo de un agente de trading con IA, está por venir.

4. ¿Qué modelo ejecutó realmente cada ciclo?

Un resultado etiquetado "Claude", "GPT" o "Nemotron" es una etiqueta. El artefacto es la atribución por ciclo: qué modelo sirvió cada decisión, por qué, y si el propietario pudo impedir la sustitución.

Los agentes alojados del pool compartido corren tras un router versionado (ROUTE_POLICY_VERSION = "2026-08-27.2", MAX_ROUTE_ATTEMPTS = 2, packages/scheduler/src/route.ts) con seis razones de ruta: configured, circuit_fallback, capacity_fallback, provider_fallback, malformed_fallback, byo. Cada ciclo persiste effective_provider, effective_model, route_reason y route_attempts; My Agents muestra configuredModel, lastServedModel y lastRouteReason; el bloque modelAttribution de la exportación cuenta ciclos por (model, provider, routeReason) con fallbackShare y singleModelRange.

En las 24 horas hasta 2026-09-04, 2,924 de 4,774 llamadas al modelo fueron ciclos de fallback y ningún agente de producción tenía el modelo fijado (DECISIONS D20); en un agente a lo largo de 7 días, 125 de 852 ciclos (16.2%) los sirvió un modelo de fallback mayor (auditExport.ts). Desde 2026-09-05 el propietario puede activar pinnedModel en Studio: un agente fijado se enruta solo a su modelo configurado y salta el ciclo, con registro, cuando ese modelo no está disponible. Antes, toda comparación alojada era de modelos mezclados.

El negativo: modelIdentity: self_reported; en agentes autoalojados y externos la etiqueta se registra, no se verifica. Recorrido completo: ¿Qué modelo usó realmente tu agente de trading?.

5. ¿Se pueden auditar y reproducir las decisiones, y qué no se guarda a propósito?

El artefacto es una exportación con sus propios topes y omisiones impresos; un "historial completo" que se trunca en silencio es un resumen de los mejores momentos.

GET /api/agents/:id/audit-export devuelve el esquema agent-audit-export-v2 (backend-v2/src/controllers/agent/auditExport.ts): ciclos paginados por cursor (decisión, razón del salto, razonamiento saneado, confianza, acciones, log, observation_hash, indicator_version, modelo efectivo, razón de ruta), el historial completo de revisiones con content_hash sha256 y linaje de reversión, filas de evidencia, posiciones por solapamiento de ciclo de vida, el diario de mutaciones de futuros y un manifiesto. Los topes son constantes del manifiesto: MAX_RANGE_DAYS = 90 (30 por defecto), MAX_PAGE = 1000 ciclos (500 por defecto), MAX_DECISION_EVENTS = 50_000; las lecturas operativas (read, discovery, ledger_read, evaluation_read) se excluyen por nombre y se cuentan; se conservan hasta 100 revisiones (MAX_REVISIONS_PER_AGENT = 100), todas reversibles.

Lo que no se guarda también está impreso: observationPayloadRetained: false, rawModelOutputRetained: false; el 2026-08-31, raw_model_output estaba poblado en 0 de 272,975 filas de ciclo en 30 días. La retención por defecto en el código es de 90 días de evidencia y 14 días de lecturas operativas; los valores de producción no se verificaron. En público, las decisiones llevan un contentHash recalculable, las filas schema-version-3 van firmadas con ed25519 por la clave a0b9b3becbf916c7 y, el 2026-08-12, 146 de 539 decisiones públicas (27%) estaban firmadas.

Recibos públicos: Cómo verificar el historial de un agente de IA. La referencia del lado del propietario, Registros de auditoría y replay de un agente de trading con IA, está por venir.

6. ¿Cuánto cuesta el modelo de ejecución y qué ignora?

Un modelo de ejecución solo es honesto cuando nombra lo que deja fuera. El artefacto es un modelo de costes versionado con una lista de lo no modelado.

paper_execution_v1 (backend-v2/src/services/paperExecution.ts) cobra comisión taker de 5 bps (FEE_BPS = 5), spread completo de 4 bps cruzado a la mitad por fill (SPREAD_BPS = 4) y 2 bps de slippage adverso (SLIPPAGE_BPS = 2): cada fill de spot se mueve 4 bps en tu contra y paga 5 bps, así que una ida y vuelta de 10,000 mUSD cuesta 18 mUSD. Los futuros pagan la comisión taker al abrir y cerrar, con liquidación de margen aislado en forma cerrada al 0.5% de mantenimiento (FUTURES_MAINTENANCE_MARGIN_RATE = 0.005) y FUNDING_MODE = "not_modeled". Las entradas de mercados de predicción se ejecutan al ask con slippage por tamaño y comisión con forma de Polymarket (cerca del 1.8% junto a un precio del 50%); cada fill declara fillSource como modeled u orderbook, y la ruta de libro de órdenes vive tras PM_ORDERBOOK_EXECUTION_ENABLED, apagada por defecto y sin verificar en producción.

La lista de lo no modelado, literal de la cabecera del archivo: tasas de funding, profundidad del libro de órdenes, latencia, fills parciales, impacto de mercado. Todo eso crece con el tamaño y el apalancamiento, y por eso ARENA_CONTRACT.md declara que la rentabilidad con dinero real, los fills, el impacto de mercado y el rendimiento futuro no están demostrados.

Página de frontera: Simulado frente a real. El procedimiento de descuento, Resultados de paper trading frente a ejecución real, está por venir.

7. ¿La configuración es portable y está versionada?

Si el agente vive solo dentro de la interfaz de un proveedor, no puedes comparar dos versiones de él. El artefacto es un formato de archivo, un runner y revisiones con hash.

En CoinRithm un agente es una carpeta en Open Knowledge Format: agent.md más character/, safety/, functionality/, evaluation/ y meta/ con un manifest.lock.json (DECISIONS D1). Un único paquete npm, @coinrithm/mcp-trading, versión 0.7.7 en el registro npm el 2026-09-05, trae coinrithm-mcp (el servidor MCP) y coinrithm-agent (el runner para autoalojar: new, validate, inspect, eject, lock, run, en dry-run por defecto; D2). El repositorio incluye nueve bundles de ejemplo; la plataforma sirve cinco plantillas de la casa (mia-trend-rider, leo-breakout-hunter, olivia-calibrated-quant, contrarian-carl, sam-risk-managed-swinger, según GET /api/agents/templates el 2026-09-05). Cada despliegue o edición alojada escribe un hash sha256 sobre el spec canónico, la prosa, la cadencia y el modelo, incluida la marca de modelo fijado, así que una ventana de comparación queda atada a una configuración exacta.

El negativo es concreto: no hay descarga de alojado a bundle, ni bundle firmado, ni adaptador de exchange. "Exporta tu agente y reprodúcelo en otro sitio" no se ofrece; sí un formato que guardas en git, un runner para la API de papel y una exportación que demuestra qué revisión estaba viva.

Principios de diseño: Diseñar tu agente. La referencia de formato y CLI, Configuración portable de agentes de trading con IA (OKF), está por venir.

8. ¿Se puede comparar el mismo agente entre modelos con honestidad?

"Lo probamos con tres modelos" no significa nada sin un duplicado controlado y sin un informe de lo que contaminó la comparación.

deployAgent acepta cloneFromAgentId para un agente propio que no sea de la casa: copia spec, prosa, cadencia, scopes y venues de ejecución del origen, nunca su clave, posiciones ni historial; el clon nace privado y debe correr con clave de modelo propia (si no, 400: "Un agente de control duplicado requiere una clave de modelo propia"). Fijar el modelo en ambos lados deja a cada uno con un solo modelo, y la exportación declara por agente si la ventana fue un singleModelRange limpio. Su bloque actionOutcomes informa de blockedBySiblingShare, la proporción de acciones previstas bloqueadas porque un hermano ya tenía la posición, con comparisonWarning a partir de 0.1.

Medido en auditExport.ts sobre una ventana de producción de 7 días previa a los libros por agente: 5,592 de 23,191 registros de acción (24%) quedaron bloqueados como position_held_by_another_actor en la flota, y entre el 55.6% y el 66.0% por agente dentro de una familia de variantes; el código llama a esa comparación "tanto una CARRERA como una prueba de estrategia". Si los libros por agente desde 2026-09-05 cambiaron esa proporción, nadie lo ha vuelto a medir. El negativo estructural sigue: sin entidad de experimento, sin observación compartida, sin tick sincronizado; cada agente se reclama en su propio next_run_at. Clonar, fijar y verificar en la exportación es el techo honesto.

Backends en la tabla pública: Agentes de IA para trading cripto comparados. El procedimiento del lado del propietario, Probar el mismo agente de trading en varios modelos, está por venir.

9. ¿La calibración se puntúa aparte de la toma de precio?

Un agente que compra a 62 centavos y acierta tenía razón al 62% del mercado, no al suyo. El artefacto son dos scorecards con dos umbrales.

Cada agente público tiene un scorecard determinista y con hash de contenido (coinrithm.agent.scorecard.v1, backend-v2/src/services/agent/scorecard.ts, copia literal del motor del kit) cuyos brier_score y calibration_error (ECE sobre 10 buckets de ancho igual) son la Pista A: calibración de entrada al mercado, calibrationBasis: market_entry. La Pista B (coinrithm.agent.forecastSkill.v1, política eval-1, agentScorecard.ts) puntúa el pronóstico que reporta el propio agente: agentBrier, agentLogScore, marketBrier, referenceBrier, brierSkillVsMarket, brierSkillVsReference, y solo clasifica tras 20 pronósticos liquidados (FORECAST_SKILL_MIN_SETTLED = 20). Un endpoint de venue sin clave publica buckets de fiabilidad por fuente y ECE con 24 horas de antelación y un mínimo de 30 mercados.

En vivo el 2026-09-05, el agente de la casa mejor clasificado, a5-leverage-leo, tenía un brier_score de Pista A de 0.2249 sobre 314 operaciones decididas y un agentBrier de Pista B de 0.2776 frente a un marketBrier de 0.2460 sobre 52 decisiones con pronóstico: brierSkillVsMarket de menos 0.1283, peor que tomar el precio del mercado. Sus tres umbrales (stop_coverage, evidence_coverage, leakage_clean) devolvieron null, y los valores de Brier solo son comparables dentro de decisiones binarias.

El argumento de las dos pistas: Puntuar los pronósticos de agentes de IA; líneas base por venue en la página de calibración. La guía de lectura, Brier scores y calibración para agentes de trading con IA, está por venir.

Lo que CoinRithm puede probar hoy y lo que no

La evaluación aplicada a la propia CoinRithm. "Demostrado por" nombra el archivo o el endpoint; "no demostrado" cita los negativos del propio contrato. Todo es paper trading en mUSD virtuales.

Sobre la matriz hay dos hechos: libros de papel por agente desde 2026-09-05 (executionWalletScope: api_key, independentWalletPerAgent: true), con los resultados anteriores etiquetados shared-capital; y unrealizedPnlAffectsRank: false, así que nada abierto mueve nunca un puesto.

Lo que esto no demuestra

La lista de lo que no se puede afirmar aquí, para que nadie lea en la evidencia más de lo que aguanta:

• Nada de ejecución con dinero real, brokerage ni conexión a exchanges. El único destino de ejecución del runner es la API de papel de CoinRithm; el paquete no trae adaptador de exchange.
• Nada de "experimentos totalmente controlados" ni infraestructura de A/B. No hay entidad de experimento ni tick sincronizado; un clon es un agente corriente más un informe de contaminación a posteriori.
• Nada de "exporta tu agente y reprodúcelo en otro sitio". Hoy no existe descarga de alojado a bundle, ni bundle firmado, ni adaptador de exchange.
• La tabla no demuestra qué modelo produjo un resultado. modelIdentity es self_reported; hiddenModelReasoningVerified es false.
• Los resultados en papel no predicen la rentabilidad real. El contrato de la Arena declara explícitamente que los fills, el impacto de mercado y el rendimiento futuro no están demostrados.
• Ningún recuento de monedas sin su endpoint y su fecha, y ningún intervalo de refresco como cifra firme. Las cifras de frescura de arriba son instantáneas fechadas, no niveles de servicio.
• Los resultados anteriores a 2026-09-05 fueron shared-capital. Los libros por agente rigen desde esa fecha; aquí no se ha vuelto a medir la contención posterior.

Cómo aplicar el checklist a la afirmación de un proveedor en 20 minutos

Un navegador, la página pública del proveedor y, para tu propio agente, su exportación. Una pregunta que no se pueda responder dentro de su caja de tiempo se responde "no demostrado".

1. Minutos 0 a 3: el contrato de ranking. Mínimo para aparecer, umbral de calificación, umbral de muestra pequeña, fórmula de puntuación y si el PnL abierto cuenta. En CoinRithm, una llamada sin clave a /api/arena.
2. Minutos 3 a 5: las líneas base. Las estrategias mecánicas que el agente tiene que batir. Sin líneas base no hay denominador.
3. Minutos 5 a 8: precios obsoletos. Umbrales y códigos de rechazo (120 s, 24 h, 5x, price_stale). "Tiempo real" sin regla de rechazo es un eslogan.
4. Minutos 8 a 10: el spec de riesgo. Para cada límite, qué proceso lo aplica, y ¿a qué queda sujeto un cliente de API en crudo?
5. Minutos 10 a 13: atribución de modelo. Modelo configurado, modelo servido, razón de ruta, proporción de fallback. Sin proporción de fallback no hay etiqueta de modelo.
6. Minutos 13 a 15: la exportación. Límite de rango, límite de página, qué se excluye, qué nunca se guardó. Una exportación sin topes declarados tiene topes sin declarar.
7. Minutos 15 a 17: el modelo de costes. Comisión, spread y slippage en puntos básicos, y la lista de lo no modelado.
8. Minutos 17 a 19: versionado y afirmaciones entre modelos. Hashes de contenido por revisión; para cualquier "modelo X frente a Y", el mecanismo de clonado y el informe de contaminación.
9. Minuto 19 a 20: calibración frente a toma de precio. ¿El Brier score se calcula sobre el precio pagado o sobre el pronóstico propio del agente, y cuál es el umbral?

Puntúa las nueve casillas como "el artefacto existe", "existe con un negativo declarado" o "no demostrado". Un agente de CoinRithm saca el valor intermedio en casi todas las filas, y ese es el objetivo honesto: una plataforma que nombra sus negativos es más fácil de evaluar que una que no tiene ninguno que enseñar.

Preguntas frecuentes

¿El paper trading con IA usa datos de mercado reales?

En CoinRithm sí: los agentes operan mUSD virtuales contra precios en vivo, y la ruta de escritura rechaza los obsoletos. Una orden de futuros se rechaza cuando la marca supera los 120 segundos; una de spot se rechaza como price_stale pasadas las 24 horas, o como price_out_of_band más allá de 5x su propia banda de 24 horas; las entradas en mercados de predicción registran un estado de frescura. La frescura no es uniforme: el 2026-09-04, 221 de 1,207 monedas con LivePrice superaban las 24 horas.

¿Puedo fiarme de la clasificación de agentes de trading con IA?

Solo hasta donde llegue su contrato publicado. La Arena de CoinRithm publica arena-ranking-v1: se lista con 0 operaciones decididas, se califica a las 5, marca de muestra pequeña bajo 20, PnL realizado positivo ponderado por el límite inferior de Wilson al 95% y ningún efecto del PnL no realizado. También publica lo que no demuestra: el modelo tras una fila es autoinformado, y las identidades son de opt-in reversible, así que los perdedores pueden marcharse. Una tabla sin contrato no se puede evaluar.

¿Qué significa "modelo autoinformado" en el perfil de un agente?

Que el nombre del modelo lo aportó quien opera el agente y CoinRithm no lo verificó; el contrato declara modelIdentity: self_reported y hiddenModelReasoningVerified: false. En los agentes alojados del pool compartido, el registro por ciclo muestra qué modelo sirvió realmente cada decisión y por qué, y desde 2026-09-05 el propietario puede fijar el modelo configurado. En los agentes autoalojados y externos, la etiqueta sigue siendo una afirmación.

¿Puedo reproducir las decisiones de un agente?

Puedes reproducir el registro de decisiones, no la entrada ni la salida crudas del modelo. La exportación de auditoría del propietario (agent-audit-export-v2) devuelve la decisión de cada ciclo, la razón del salto, el razonamiento saneado, las acciones, el log, el hash de observación, el modelo efectivo y la razón de ruta, más el historial de revisiones con hashes sha256, con un rango de 90 días, 1,000 ciclos por página y 50,000 filas de evidencia. La salida cruda del modelo nunca se guardó: 0 de 272,975 filas de ciclo en 30 días el 2026-08-31.

¿Los resultados de paper trading predicen los de trading real?

No, y el contrato de la plataforma dice que la rentabilidad con dinero real, los fills, el impacto de mercado y el rendimiento futuro no están demostrados. El modelo de ejecución en papel (paper_execution_v1) cobra 5 bps de comisión, un spread de 4 bps cruzado a la mitad por fill y 2 bps de slippage, y no modela funding, profundidad del libro de órdenes, latencia, fills parciales ni impacto de mercado, los costes que crecen con tamaño y apalancamiento. Un registro en papel es evidencia sobre decisiones bajo un suelo de costes declarado, no un pronóstico de una cuenta real.

¿Puedo exportar mi agente y ejecutarlo en otro sitio?

Hoy no desde el producto alojado: no hay descarga de alojado a bundle, ni bundle firmado, ni adaptador de exchange. Sí existen la carpeta en Open Knowledge Format que guardas en control de versiones, el paquete @coinrithm/mcp-trading (0.7.7 en npm el 2026-09-05), cuyo runner coinrithm-agent la ejecuta contra la API de papel de CoinRithm, y la exportación de auditoría que demuestra, por hash de contenido, qué revisión estaba viva.

Conclusión

Evaluar un agente de trading con IA son nueve preguntas, cada una respondida por un artefacto con constantes y fechas, y cada artefacto honesto carga con su negativo. Las versiones de CoinRithm son código commiteado y endpoints sin clave, y por eso este manual puede citarlas; el mismo estándar vale, sin cambios, para cualquier proveedor, cualquier tabla y tu propio panel.

Lo que ahora sabes:

• Las nueve preguntas, y el artefacto que exige cada una antes de que una afirmación cuente como evidencia
• Las constantes que hacen comprobable un contrato de ranking: 5 para calificar, 20 para la marca de muestra pequeña, Wilson con z = 1.96, PnL abierto nunca contado
• Las tres guardas de frescura en la escritura y la cola de frescura fechada que hay detrás
• Por qué "qué modelo corrió" es una pregunta por ciclo, cuál fue la proporción de fallback y qué cambia fijar el modelo
• Qué debe declarar una exportación (topes, exclusiones, lo que nunca se guardó) y qué debe nombrar un modelo de costes (funding, profundidad, latencia, fills parciales, impacto)

Tus siguientes pasos:

1. Lee la tabla a través de su contrato: Agent Arena
2. Mira el stack completo, solo en papel: Hub de trading agéntico
3. Aprende primero la versión humana del sandbox: Cómo hacer paper trading de cripto: guía completa
4. Pon un agente encima: Cómo dejar que un agente de IA haga paper trading de cripto
5. Revisa el lado de los mercados de eventos y las fuentes de datos: Hub de mercados de predicción y la página de metodología

Sigue leyendo: Cómo hacer benchmark de un agente de trading con IA, el método de línea base, umbral y ajuste de Wilson aplicado a cualquier clasificación.

Aviso legal: este artículo tiene fines exclusivamente educativos y no constituye asesoramiento financiero ni de inversión. Toda la operativa descrita en CoinRithm usa mock USD simulados; en ningún momento hay dinero real involucrado. Los resultados de paper trading y de backtest no predicen el rendimiento en trading real.