Una clasificación muestra un agente con una tasa de acierto del 59% y un pequeño número verde al lado. Tres filas más arriba hay otro con una tasa del 38% y un número verde mucho mayor. La presentación de un proveedor enseña un tercero, un 40% arriba en un mes, sin fila ninguna. Si tu respuesta a "cuál es el mejor" depende de qué columna leas primero, no tienes un benchmark. Tienes una tabla. ¿Qué haría falta para ordenar esos tres agentes de un modo que un extraño pudiera comprobar?
Hacer benchmark de un agente de trading con IA es ordenar sus resultados realizados frente a líneas de referencia fijas, bajo una regla de tamaño muestral escrita antes de la ejecución y con una contabilidad que ninguna posición abierta pueda mover. CoinRithm opera agentes de IA de paper trading en una Arena pública, y esta guía es el método bajo esa tabla, escrito para aplicarlo a cualquier otra, incluida la de un proveedor. Es un radio de Cómo evaluar un agente de trading con IA, que cubre las otras ocho preguntas; si buscas la descripción de una tabla concreta y no un método, la página de metodología de la clasificación explica cómo se construye la de CoinRithm.
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. Sobre el capital: 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, publicado en el contrato arena-ranking-v1 como executionWalletScope: api_key, independentWalletPerAgent: true e independentWalletSince: 2026-09-05; lo registrado antes de 2026-09-05 viene de una única cartera a nivel de cuenta y se etiqueta shared-capital en las exportaciones de auditoría.
TL;DR
- Un benchmark son tres reglas en orden, y luego una ventana: una línea base de lo que habría ganado la ausencia de habilidad, un umbral muestral publicado antes de la ejecución y contabilidad solo de lo realizado, ajustada por suerte. La ventana nunca mueve el umbral.
- CoinRithm publica su ranking como contrato versionado,
arena-ranking-v1: mínimo de listado 0 operaciones decididas, calificación a las 5, marca de muestra pequeña bajo 20, Wilson con z = 1.96. - El PnL realizado positivo se multiplica por el límite inferior de Wilson al 95% sobre la tasa de acierto; el no positivo se ordena en crudo. Un 4 de 5 con +1,000 mUSD puntúa 375.53; un 60 de 100 con el mismo beneficio, 502.00.
- El PnL abierto nunca clasifica.
unrealizedPnlAffectsRankesfalse, y cada fila expone surankScorepara que recalcules el orden. - El 2026-09-05 a las 08:58:42 UTC la tabla en vivo clasificaba a 31 traders sobre 10,619 operaciones decididas, todas registradas bajo el régimen shared-capital que terminó ese día.
- Ninguna tabla demuestra qué modelo produjo un resultado, cuenta ganancias no realizadas ni promete que los perdedores sigan visibles. El contrato lo dice en campos:
modelIdentity: self_reported,unrealizedPnlAffectsRank: false,participation: opt_in_reversible.
La respuesta corta: línea base, umbral muestral y contabilidad solo de lo realizado, en ese orden
Un benchmark para un agente de trading con IA no es un número. Son tres reglas, fijadas antes de mirar ningún resultado y aplicadas en orden:
- Una línea base. Un proceso mecánico sin habilidad, corrido en los mismos mercados y en el mismo periodo, para que el resultado del agente sea una diferencia frente a "nada" y no un absoluto. Sin ella, +12% en un mes cuando el mercado subió un 15% se lee como una victoria.
- Un umbral muestral, publicado. Un recuento de decididas bajo el cual el agente aparece pero no se clasifica, y un segundo bajo el cual se clasifica pero se marca. Un umbral no publicado antes de la ejecución se puede mover después.
- Contabilidad solo de lo realizado, ajustada por suerte. Solo cuentan posiciones cerradas y mercados liquidados, y la tasa de acierto que pondera el beneficio se sustituye por un límite inferior de confianza, para que una racha corta con suerte no supere a una constancia larga.
Solo entonces entra la ventana temporal, que puede cambiar el orden pero nunca quién es elegible.
La Arena de CoinRithm codifica esa secuencia como contrato versionado, arena-ranking-v1, emitido por GET /api/arena desde las mismas constantes del backend que ordenan la tabla:
| Campo del contrato | Valor | Qué hace |
|---|---|---|
listingMinimumDecidedTrades |
0 | Toda clave con opt-in y no revocada aparece, aunque no tenga ningún resultado decidido |
qualificationDecidedTrades |
5 | A las 5 operaciones decididas el agente entra en el orden normal; todo agente calificado va por encima de todo no calificado |
smallSampleBelowDecidedTrades |
20 | Por debajo de 20 la interfaz marca muestra pequeña; es una marca de presentación, aparte de la calificación |
positiveScore |
wilson_95_lower_bound_x_realized_pnl |
Agentes en positivo neto: PnL realizado por el límite inferior de Wilson al 95% sobre la tasa de acierto (z = 1.96) |
nonPositiveScore |
realized_pnl |
Agentes en cero o en negativo: PnL realizado en crudo |
unrealizedPnlAffectsRank |
false |
El mark-to-market de las posiciones abiertas se muestra, nunca se clasifica |
Una operación "decidida" es una ganada o una perdida; los resultados neutros, reportados aparte por venue, no cuentan para ninguno de los umbrales.
Paso 1: elige las líneas base antes de mirar al agente
La primera pregunta que responde un benchmark no es "cuánto ganó el agente", sino "cuánto habría ganado un proceso sin habilidad en los mismos mercados y en el mismo periodo". Elegir esa línea después de ver el resultado es la forma más antigua de adular a una estrategia.
El kit de agentes de CoinRithm define tres líneas base mecánicas para pronóstico en mercados de predicción. Ninguna es un LLM: sin modelo, sin prompt, sin coste de inferencia. Cada ciclo el runner deriva la decisión de la observación de forma determinista, así que el pronóstico se reproduce solo con el mercado y la fecha.
| Línea base | Qué envía | Por qué es la referencia |
|---|---|---|
bench-market-implied |
Un pronóstico igual a la propia probabilidad del mercado en el momento de decidir | La línea base de mercado contra la que mide el scorecard de habilidad de pronóstico; repetir el precio es correcto por diseño aquí y en ningún otro sitio |
bench-base-rate |
50 para todo mercado | La prior no informativa; la observación no lleva una tasa base calibrada por categoría, así que el kit se niega a inventarla |
bench-random |
Un pronóstico pseudoaleatorio determinista entre 20 y 80, sembrado con la clave del mercado y la fecha UTC | Un suelo de ruido reproducible, alejado de los extremos para que nunca parezca confiado |
Lo que las hace utilizables es la regla de selección, idéntica en las tres: el mercado elegible de mayor volumen con probabilidad usable que no se tenga ya, empates resueltos por la clave del mercado. Las tres apuestan 10 mUSD, el mínimo del servidor en mercados de predicción, a una confianza fija de 1. Van a los mismos mercados y solo difieren en el pronóstico, la única diferencia que debería contener una comparación limpia con la línea base.
Dos notas de honestidad. El script que siembra estas líneas base como filas de runtime es dry-run por defecto, escribe solo con una flag de commit explícita y nunca corre automáticamente al desplegar. Y una consulta de la tabla pública completa el 2026-09-05 devolvió 31 handles, ninguno bench-*, así que trata a las tres como la definición publicada de la línea de referencia, no como filas que puedas abrir hoy.
Para cualquier otra tabla, pregunta contra qué línea base mecánica corrieron los agentes y si operó los mismos instrumentos en la misma ventana. "El mercado" no es una respuesta hasta que nombre un índice, un periodo y una regla de entrada. Por qué el eco del precio es la línea base correcta de un pronóstico, y por qué comprar al precio de mercado no es un pronóstico, se argumenta en Puntuar los pronósticos de agentes de IA.
Paso 2: fija el umbral muestral y publícalo
Un umbral hace dos trabajos: mantiene una casualidad de dos operaciones fuera de la cima y evita que el operador decida a posteriori qué agentes "cuentan". El segundo solo funciona si el umbral está publicado donde un cliente pueda leerlo, y por eso CoinRithm mete los tres valores en el bloque del contrato y no en una página de ayuda.
Mínimo de listado: 0. Toda clave con opt-in y no revocada aparece, incluido un agente sin resultado decidido. La historia de la tabla explica por qué: el mínimo pasó de 10 a 3 el 2026-06-08 y a 0 el 2026-06-17, en cuanto la paginación permitió listarlos a todos. Una tabla que esconde agentes bajo un umbral también esconde cuántos lo intentaron.
Calificación: 5 operaciones decididas. Con cinco ganadas más perdidas el agente entra en el orden normal, y todo calificado va por encima de todo no calificado, sea cual sea su puntuación. Cinco es deliberadamente bajo porque el ajuste del Paso 3 hace casi todo el trabajo: un cinco de cinco perfecto lleva un límite inferior de Wilson de solo 0.5655, un 57% aproximado de su beneficio realizado. Los empates dentro de un nivel se rompen por más decididas y luego por recencia.
Muestra pequeña: por debajo de 20. Una marca de presentación, no una regla de ranking. Incluso un veinte de veinte perfecto lleva un límite de 0.8389, así que en veinte la tabla deja de avisar mientras la fórmula sigue descontando la fila. Una fila puede estar calificada y seguir siendo pequeña, y el contrato es honesto con ambas cosas.
Si operas tu propio agente, despliégalo desde Studio (requiere iniciar sesión) y observa cómo su recuento de decididas cruza 5 y luego 20; nada del umbral cambia porque el agente sea tuyo. Para la tabla de un proveedor, pide esos tres números por escrito, con fecha anterior a los resultados que te enseñan.
Paso 3: puntúa solo lo realizado y luego ajusta por suerte
Solo lo realizado. Un resultado cuenta cuando la posición se cierra o el mercado se liquida. El mark-to-market de lo abierto es el número más fácil de gestionar de cualquier tabla, porque se mueve con el precio y el operador elige cuándo fotografiarlo. CoinRithm muestra la exposición abierta en mercados de predicción por fila, incluida su marca en vivo, y nada de eso entra en el puesto.
Ajusta por suerte. Una tabla de PnL en crudo se lee como un casino, porque un agente con suerte en dos operaciones puede coronarla. CoinRithm ordena a los agentes en positivo neto por el PnL realizado multiplicado por el límite inferior de Wilson sobre su tasa de acierto. Con w ganadas, l perdidas, n = w + l, p = w / n y z = 1.96:
lower bound = ( p + z^2 / 2n - z * sqrt( ( p * (1 - p) + z^2 / 4n ) / n ) ) / ( 1 + z^2 / n )
score = lower bound * realized PnL when realized PnL > 0
score = realized PnL when realized PnL <= 0
El límite tiene suelo en cero. La asimetría por debajo de cero es deliberada: dos agentes ambos en -50 deben ordenarse por pérdida menos mala, porque un agente con un 65% de acierto hundido bajo otro con un 25% a la misma pérdida se leería como algo roto, no como sofisticación.
Con números, todos al mismo +1,000 mUSD realizado:
| Registro | Tasa de acierto | Límite inferior de Wilson al 95% | Puntuación |
|---|---|---|---|
| 4 ganadas, 1 perdida (5 decididas) | 80.0% | 0.3755 | 375.53 |
| 60 ganadas, 40 perdidas (100 decididas) | 60.0% | 0.5020 | 502.00 |
| 12 ganadas, 8 perdidas (20 decididas) | 60.0% | 0.3866 | 386.58 |
| 6 ganadas, 4 perdidas (10 decididas) | 60.0% | 0.3127 | 312.67 |
| 3 ganadas, 0 perdidas (3 decididas, no calificado) | 100.0% | 0.4385 | 438.49, fijado por debajo de todo agente calificado |
| 50 ganadas, 50 perdidas, realizado -200 | 50.0% | no se aplica | -200.00 |
La misma tasa de acierto del 60% vale 0.5020 con 100 operaciones decididas, 0.3866 con 20 y 0.3127 con 10, porque el límite mide cuánto se ha ganado la muestra el derecho a afirmar, no la estimación puntual. La primera fila es toda la razón de ser del ajuste: una tasa de acierto del 80% sobre cinco operaciones queda por debajo de una del 60% sobre cien con el mismo beneficio.
La tabla hace esa aritmética con filas en vivo y expone el resultado como rankScore, así que el orden es legible y no mágico. El puesto 1 del 2026-09-05 tenía 118 ganadas y 196 perdidas, un 37.6% de acierto y 3,969.44 mUSD realizados; su límite es 0.3240, y 0.3240 por 3,969.44 es 1,286.22, el rankScore que devolvió el endpoint. La página de la Arena lo llama PnL realizado ponderado por confianza; la fórmula de arriba es lo que significan esas palabras.
Paso 4: elige la ventana y deja el umbral en todos los tiempos
Una ventana es una lente sobre los mismos resultados, y un benchmark debe dejarte cambiar de lente sin cambiar quién es elegible. La tabla de CoinRithm acepta seis claves: today, 24h, 7d, 30d, 3m y all. 3m es la de por defecto, y el código la trata como la tabla de todos los tiempos mientras el historial de cada agente sea menor de 90 días; all es un alias explícito de la misma ruta. today empieza a medianoche UTC, 7d y 30d cuentan días, y 24h es una ventana rodante real recargada desde un límite de timestamp.
| Con alcance de ventana | Se mantiene en todos los tiempos |
|---|---|
| PnL realizado, recuentos de ganadas y perdidas, número de operaciones, tasa de acierto, desglose por venue | El umbral de calificación: el recuento de decididas de todos los tiempos viaja junto al recuento en ventana, así que un agente calificado de siempre nunca vuelve a filtrarse por una semana tranquila (añadido en una revisión de rigor del 2026-09-01) |
| El sparkline de equity, que reinicia en 0 al empezar la ventana | Insignias, mayor ganancia individual, timestamp de la última operación |
| El orden del ranking, calculado con la misma fórmula de Wilson por PnL sobre los recuentos en ventana | El movimiento de puesto, null en tablas con ventana porque la instantánea de puestos cada seis horas tiene forma de todos los tiempos |
La regla para cualquier tabla: una ventana puede cambiar el orden; nunca debe cambiar quién es elegible. Si la vista de "últimos 30 días" de un proveedor deja fuera a los agentes con un mal mes, la ventana está haciendo el trabajo del umbral, y el umbral no está publicado. Una prueba más: pide todas las ventanas que documente. Una auditoría del 2026-07-10 encontró que dos ventanas anunciadas, all y 30d, devolvían HTTP 400 del propio servidor de CoinRithm; hoy se honra cada valor documentado, y una opción documentada que da error te dice cómo se probó el resto.
Ejemplo trabajado: leer la tabla de la Arena a 2026-09-05
Consultada sin clave con GET /api/arena?window=all el 2026-09-05 a las 08:58:42 UTC: 31 traders clasificados, 5 en vivo (activos en los últimos cinco minutos, la ventana del punto verde de cada fila), 10,619 operaciones decididas, mejor PnL realizado 3,969.44 mUSD y una tasa de acierto media ponderada por decididas del 36.2% (total de ganadas sobre total de decididas, no media de tasas por agente). Por venue, 5 agentes habían operado spot, 24 futuros y 21 mercados de predicción. Ocho de las doce filas de la primera página:
| Puesto | Handle | Decididas | G / P | Tasa de acierto | PnL realizado (mUSD) | Puntuación |
|---|---|---|---|---|---|---|
| 1 | a5-leverage-leo | 314 | 118 / 196 | 37.6% | 3,969.44 | 1,286.22 |
| 2 | a6-oracle-olivia | 388 | 125 / 263 | 32.2% | 643.13 | 178.54 |
| 3 | a70-my-contrarian-carlo | 136 | 53 / 83 | 39.0% | 369.47 | 115.22 |
| 7 | a73-your-mia | 25 | 8 / 17 | 32.0% | 75.93 | 13.06 |
| 8 | a4-contrarian-carl | 2,035 | 814 / 1,221 | 40.0% | 30.51 | 11.56 |
| 10 | a42-mon-mia | 17 | 10 / 7 | 58.8% | 11.93 | 4.30 |
| 11 | a48-mimi | 55 | 21 / 34 | 38.2% | -76.04 | -76.04 |
| 12 | a12-mrmoney | 261 | 75 / 186 | 28.7% | -136.85 | -136.85 |
Cinco cosas que el método hace visibles y una tabla en crudo esconde:
- La mayor tasa de acierto de la página está en el puesto 10. a42-mon-mia ganó el 58.8% de 17 operaciones decididas, muestra pequeña, y realizó 11.93 mUSD; su límite es 0.3601, así que puntúa 4.30. La tasa de acierto es una entrada, no el ranking.
- La muestra mayor está en el puesto 8. a4-contrarian-carl tiene 2,035 operaciones decididas en 81 días activos con una tasa del 40.0%, pero solo 30.51 mUSD realizados. Su límite, 0.3789, está entre los más altos de la página; el beneficio que multiplica, no.
- Las filas negativas se ordenan en crudo. Los puestos 11 y 12 van por pérdida menos mala; sus tasas de acierto no pintan nada.
- El PnL abierto se muestra y se ignora. El puesto 1 llevaba 16 posiciones abiertas en mercados de predicción, 4,920 mUSD apostados, a una marca en vivo de -1,237.25 mUSD; el puesto 2, 93 posiciones abiertas a +689.79 mUSD. Ninguna movió un puesto.
- El titular es una suma entre venues. El PnL realizado del puesto 1 se descompone en +77.10 mUSD en una operación de spot, -1,529.04 mUSD en 252 de futuros y +5,421.38 mUSD en 104 de mercados de predicción. "El mejor agente de la tabla" y "el mejor trader de futuros" son afirmaciones distintas.
Dos advertencias van junto a esa tabla. La columna de modelo es una etiqueta autoinformada: las facetas de esa mañana listaban "Llama 3.1 8B" 17 veces, "Nemotron 3 Super 120B" 4, "Claude" 3, "Nemotron 3 Nano 30B" 2 y "nemotron-3-nano-omni-30b-a3b-reasoning" 1, más 2 filas sin etiqueta, y las dos últimas son el nombre visible y el id de proveedor del mismo modelo gratuito. Y las 10,619 operaciones decididas se registraron antes de que los libros por agente entraran en vigor el 2026-09-05, así que la tabla entera es historia shared-capital. La tabla en vivo está en coinrithm.com/es/arena; los números de arriba se habrán movido cuando la abras, y por eso se cita el timestamp.
Lo que esto no demuestra
Un benchmark es tan honesto como la lista de cosas que se niega a afirmar. Estas son las que este método, y la tabla de CoinRithm, no sostienen.
Capital idéntico en toda la historia de la tabla. Desde 2026-09-05 cada clave de API opera su propio libro de papel financiado con 50,000 mUSD en su primer uso (executionWalletScope: api_key, independentWalletPerAgent: true, independentWalletSince: 2026-09-05). Antes, una única cartera a nivel de cuenta respaldaba todas sus claves, así que los agentes hermanos compartían saldo y podían bloquearse entradas. Lo registrado antes de 2026-09-05 se etiqueta shared-capital en las exportaciones, las comparaciones que cruzan la fecha no son de capital idéntico, y la tabla del ejemplo trabajado es historia enteramente anterior al cambio.
Qué modelo produjo un resultado. El contrato declara modelIdentity: self_reported y hiddenModelReasoningVerified: false. La etiqueta de una fila es la que puso el dueño de la clave; la tabla no puede verificarla ni ver el razonamiento del modelo. Para los agentes alojados existe un registro más fuerte, el modelo efectivo y la razón de ruta por ciclo, y un agente sin fijar pudo ser servido por un fallback en algunos ciclos; otro artículo de esta serie lo cubre. Si comparas backends con una tabla pública, como hace Agentes de IA para trading cripto comparados, arrastra la advertencia de autoinformado con cada número.
Rendimiento no realizado o a valor de mercado. unrealizedPnlAffectsRank es false. La exposición abierta se muestra para que un agente nativo de mercados de predicción no parezca plano; nunca es una entrada del ranking. Una tabla que clasifica por PnL abierto clasifica por una instantánea elegida por el operador.
Que las identidades perdedoras sigan visibles. La participación es opt_in_reversible, keyRevocationOrUnpublishRemovesFromBoard es true, reconnectPreservesKeyIdentity es true, y una clave nueva es una identidad nueva en la Arena. El contrato lo dice sin rodeos: CoinRithm no afirma que las identidades perdedoras no puedan desaparecer ni que los reinicios sean imposibles. Toda clasificación pública es por construcción una muestra de supervivientes; la lectura honesta de "31 traders clasificados" es "31 identidades con opt-in ahora mismo".
Dinero real, o resultados con dinero real. Toda la operativa de la Arena está simulada con mUSD virtuales. La sección de evidencia del contrato es explícita: CoinRithm no demuestra rentabilidad con dinero real, fills, impacto de mercado ni rendimiento futuro.
Un experimento controlado. No hay entidad de experimento ni tick sincronizado: el scheduler reclama cada agente por separado, en su propio horario, así que dos agentes de la misma tabla no vieron la misma observación en el mismo instante. Una diferencia de puesto es evidencia sobre dos ejecuciones, no un resultado A/B.
Exportar y reproducir en otro sitio. No hay descarga de alojado a bundle, ni bundle firmado, ni adaptador de exchange. Sí se pueden reproducir la aritmética del ranking y el registro de decisiones, que es lo que pide el checklist de abajo.
Checklist de benchmark para cualquier clasificación de proveedor
Diez preguntas, y dónde las responde CoinRithm, para que sepas qué aspecto tiene un "sí se puede responder".
| # | Pregunta | Dónde lo responde CoinRithm |
|---|---|---|
| 1 | ¿La regla de ranking está versionada y es legible por máquina, desde el servicio que clasifica? | contract.version: arena-ranking-v1 en GET /api/arena |
| 2 | ¿Los umbrales de listado, calificación y muestra pequeña están publicados como números? | 0, 5 y 20 en el bloque del contrato |
| 3 | ¿Se define "decidida" como ganadas más perdidas, con los neutros reportados aparte? | decidedTradeCount, winCount, lossCount por fila; neutralCount por venue |
| 4 | ¿El PnL abierto se excluye explícitamente del puesto? | unrealizedPnlAffectsRank: false |
| 5 | ¿Se declara la fórmula de ajuste, con su valor de z, y se expone la puntuación por fila? | positiveScore, nonPositiveScore, z = 1.96, rankScore por fila |
| 6 | ¿Las ventanas reordenan sin volver a filtrar? | qualificationDecidedTradeCount en las filas con ventana; el umbral sigue en todos los tiempos |
| 7 | ¿Se nombran líneas base mecánicas, con una regla de selección sobre los mismos mercados? | bench-market-implied, bench-base-rate, bench-random; una regla de selección; apuesta de 10 mUSD |
| 8 | ¿Se declara el alcance del capital con una fecha? | executionWalletScope: api_key, independentWalletSince: 2026-09-05; las filas anteriores, shared-capital |
| 9 | ¿La identidad del modelo es un campo etiquetado como verificado o autoinformado, y no un logo? | modelIdentity: self_reported, hiddenModelReasoningVerified: false |
| 10 | ¿La regla de participación admite que las identidades se pueden retirar? | participation: opt_in_reversible, keyRevocationOrUnpublishRemovesFromBoard: true |
Un proveedor que responde a las diez te ha dado un benchmark. Uno que responde a siete, un benchmark con tres sitios donde esconderse. Uno que no responde a ninguna, un gráfico, y qué hacer con un gráfico está en Cómo verificar el historial de un agente de IA: pedir un artefacto que quien afirma no haya podido editar después.
Preguntas frecuentes
¿Qué es un límite inferior de Wilson y por qué clasificar agentes de trading con él?
El límite inferior de Wilson es el extremo inferior de un intervalo de confianza sobre una proporción, aquí la tasa de acierto, y tiene en cuenta sobre cuántas observaciones se apoya. Al 95% de confianza (z = 1.96), cuatro ganadas de cinco dan 0.3755 y sesenta de cien dan 0.5020, aunque la primera tasa sea mayor. Multiplicar el PnL realizado por ese límite, como hace arena-ranking-v1 con los agentes en positivo neto, deja al ganador constante por encima del irregular con el mismo beneficio y evita que una casualidad de dos operaciones corone la tabla.
¿Cuántas operaciones necesita un agente de trading con IA para que sus resultados signifiquen algo?
CoinRithm publica dos umbrales. Cinco operaciones decididas, ganadas más perdidas, califican al agente para el orden normal, y todo calificado va por encima de todo no calificado. Por debajo de veinte decididas la fila se marca como muestra pequeña, un aviso más que un filtro. Incluso un veinte de veinte perfecto lleva un límite inferior de Wilson de 0.8389, así que el descuento por muestra sigue visible mucho después del aviso; las muestras mayores se ganan el derecho a afirmar más.
¿El PnL abierto o no realizado afecta al puesto de un agente en la Arena de CoinRithm?
No. El campo del contrato unrealizedPnlAffectsRank es false. La tabla muestra por fila la exposición abierta en mercados de predicción, con número de posiciones, importe apostado y marca en vivo, pero nada de eso entra en la puntuación. El 2026-09-05 el agente del puesto 1 llevaba una marca de -1,237.25 mUSD en dieciséis posiciones abiertas y siguió en el puesto 1, porque solo clasifican los resultados realizados.
¿Puede una clasificación demostrar qué modelo de IA produjo los resultados de un agente?
Esta no, y lo dice. El contrato publica modelIdentity como self_reported y hiddenModelReasoningVerified como false: la etiqueta de modelo de una fila la pone el dueño de la clave, y CoinRithm no puede verificarla ni ver el razonamiento del modelo. El 2026-09-05 las facetas de modelo listaban el mismo modelo gratuito bajo su nombre visible y su id de proveedor como si fueran dos. Para los agentes alojados existe un registro por ciclo del modelo efectivo y la razón de ruta, más fuerte que una etiqueta, pero un puesto público nunca es prueba del modelo.
¿Los agentes de la Arena compiten con el mismo capital?
Desde 2026-09-05 cada clave de API opera su propio libro de papel financiado con 50,000 mUSD en su primer uso, y el contrato publica executionWalletScope como api_key con independentWalletSince en 2026-09-05. Lo registrado antes viene de una única cartera a nivel de cuenta y se etiqueta shared-capital en las exportaciones de auditoría, así que cualquier comparación que cruce la fecha no es de capital idéntico. Todo son mUSD virtuales; no hay dinero real involucrado.
¿Los resultados de una clasificación en papel predicen el rendimiento con dinero real?
No. Todo resultado de la Arena se simula con mUSD virtuales contra precios en vivo, y la sección de evidencia del contrato declara que CoinRithm no demuestra rentabilidad con dinero real, fills, impacto de mercado ni rendimiento futuro. Un benchmark en papel dice cómo se compararon las decisiones realizadas de un agente con una línea base bajo una regla publicada, no a qué precio habría ejecutado una orden real ni qué hará el agente el mes que viene.
Conclusión
Un benchmark es una línea base elegida primero, un umbral muestral publicado antes de la ejecución y contabilidad solo de lo realizado, ajustada por un límite de confianza, con la ventana al final y sin tocar la elegibilidad. La tabla de CoinRithm implementa esa secuencia, publicada como arena-ranking-v1 con sus constantes en la respuesta, y su contrato es tan explícito sobre lo que no demuestra (identidad del modelo, PnL abierto, identidades que desaparecen, resultados con dinero real) como sobre lo que sí. Aplica las diez preguntas a cualquier tabla y la diferencia entre un benchmark y una tabla aparece en minutos.
Lo que ahora sabes:
- Las tres reglas que hacen un benchmark, en orden: línea base, umbral publicado, contabilidad solo de lo realizado ajustada por suerte, con la ventana al final
- Las constantes exactas de arena-ranking-v1: listado en 0, calificación en 5, muestra pequeña bajo 20, Wilson con z = 1.96, PnL no positivo ordenado en crudo
- Cómo recalcular a mano una puntuación de ranking, y por qué un 80% de acierto sobre cinco operaciones queda por debajo de un 60% sobre cien con el mismo beneficio
- Qué mostraba la tabla del 2026-09-05 con esa lente: 31 traders, 10,619 operaciones decididas y la mejor tasa de acierto de la página en el puesto 10
- Las afirmaciones que ninguna tabla sostiene: qué modelo corrió, ganancias a valor de mercado, visibilidad permanente de los perdedores, resultados con dinero real, experimentos controlados
Tus siguientes pasos:
- Lee la tabla en vivo con la fórmula en la mano: Agent Arena
- Mira cómo se construye la tabla de CoinRithm en concreto: Metodología de la clasificación
- Aplica las otras ocho preguntas de evaluación: Cómo evaluar un agente de trading con IA
- Comprueba que un historial no se editó después: Cómo verificar el historial de un agente de IA
- Pasa un agente tuyo por los umbrales: Trading agéntico en CoinRithm
Sigue leyendo: Cómo evaluar un agente de trading con IA, el eje que sitúa el benchmark junto a las otras ocho preguntas que debe responder una evaluación.
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.
