Resultados clave

Cada métrica acá viene de un experimento concreto en el monorepo. Los valores de los parámetros operativos del runtime no se publican (sizing, leverage, thresholds del detector, etc.) — pero sí los resultados agregados que esos parámetros producen, contra benchmarks comparables.

TL;DR honesto

Componente	Dataset	Resultado
LP solo (estrategia en producción)	~12 meses bull/mixed	Walk-forward alpha +18.78% vs passive ±14%, 100% ventanas positivas
LP solo (replicación)	16.3 meses con crash Ago24	Walk-forward alpha +14.43% vs passive, 100% ventanas positivas
LP + Hedge (validado)	15 meses (T1)	Hedge agregó +15% sobre el LP, drawdown bajó de −22% a −10%
LP + Hedge (validado)	16.3 meses con crash (T2)	Hedge agregó +26% sobre el LP, drawdown bajó de −23% a −12%

Todos los números son post-fees, post-funding, post-gas, post-slippage en los modelos de costo aplicados al backtest.

Glosario rápido

• Walk-forward (WF): testear sobre un período que NO se usó para fittear los parámetros. Es el estándar para evitar overfit.
• Alpha vs passive: cuánto mejor le va a la estrategia comparado con un LP pasivo de ancho fijo. +18% significa 18 puntos porcentuales adicionales.
• HODL: simplemente comprar y holdear. Es otro benchmark.
• Drawdown (DD): la peor caída desde un pico. −22% significa que en algún momento perdiste 22% antes de recuperarte.
• Combined DD: el drawdown sumando LP + hedge — es lo que vos realmente sentís en la cuenta.

Estrategia LP en producción

Lo que está corriendo hoy en app.quipu.fi es un motor de LP concentrado con tres mecanismos validados independientemente:

1. Ancho dinámico — el rango se contrae cuando el mercado está calmo y se abre cuando hay volatilidad.
2. Skew direccional dentro del rango — el rango se asimetriza levemente según el momentum del par.
3. Salidas por divergencia y rebalances proactivos — cierra y re-arma el rango antes de que se ensanche demasiado.

Cada uno respaldado por su axioma con backtest reproducible. Lista completa en el research público. Los valores específicos de los parámetros del runtime los mantenemos privados.

Resultados agregados sobre dataset May24 (~12 meses bull/mixed):

Métrica	Estrategia en prod	Frozen baseline	Passive ±14%
Return	683.4%	424.8%	249.3%
Max DD	−8.57%	—	0%
WF mean α vs passive	+18.78%	+15.56%	—
WF ventanas positivas	100%	100%	—

Replicación sobre dataset T2 (16.3 meses, incluye crash Ago24):

Métrica	Estrategia en prod	Frozen baseline
WF mean α vs passive	+14.43%	+11.76%
Mejora sobre frozen	+2.67pp	—
WF ventanas positivas	100%	100%

Hedge direccional — validado, deploy pendiente

El componente de hedge pasó toda la batería de validación pero todavía no está activo en runtime. Acá los resultados de los dos backtests más recientes:

Sobre dataset T1 (15 meses, Jun23–Sep24):

Métrica	Valor
Ganancia neta del hedge sobre LP	+14.98%
% del tiempo con hedge abierto	11.7% (selectivo)
Drawdown combinado (LP + hedge)	−9.87%
Drawdown LP solo (sin hedge)	−22.48%
Drawdown evitado	+12.61pp
Alpha vs comprar y holdear (HODL)	+14.32%
Ventanas WF positivas vs HODL	100%

Sobre dataset T2 (16.3 meses, incluye crash Ago24):

Métrica	Valor
Ganancia neta del hedge sobre LP	+26.24%
% del tiempo con hedge abierto	11.22%
Drawdown combinado (LP + hedge)	−11.60%
Drawdown LP solo	−22.61%
Drawdown evitado	+11.01pp
Alpha vs HODL	+14.26%
Ventanas WF positivas vs HODL	84.62%

Criterios de aceptación — pasa 5/5

Antes de aceptar el deploy de un hedge tiene que cumplir cinco criterios simultáneamente:

Criterio	T1	T2
El hedge reduce el drawdown agregado	✅ −10% vs −22% LP solo	✅ −12% vs −23% LP solo
El hedge gana plata neta sobre todo el período	✅ +15%	✅ +26%
Ventanas que ganan vs HODL ≥ 80%	✅ 100%	✅ 85%
Alpha vs HODL ≥ +10%	✅ +14%	✅ +14%
% del tiempo activo ≤ 40% (selectividad)	✅ 12%	✅ 11%

Por qué medimos vs HODL y no vs passive

Un hedge selectivo concentra su valor en pocas ventanas (las de bear / crash). Medirlo contra un LP pasivo en bull penaliza exactamente la selectividad que se quiere. La métrica correcta es vs comprar y holdear: si LP+hedge le gana consistentemente al buy-and-hold, el sistema agrega valor real.

Yield reserve — diseño cerrado

Criterio	Resultado	Status
Yield neto positivo en histórico	Mean APY positivo, sin incentives subsidiados	✅
Yield organic (no farming temporal)	Reward APY = 0% en todo el dataset	✅
Recovery del withdraw bajo SLA del keeper	Pendiente forward dataset	🟡
Criterios de refutación activos	Ninguno	✅

Régimen-dependent — los rangos honestos

El producto no rinde igual en cada régimen. La forma honesta de presentarlo:

Régimen	LP solo	LP + Hedge
Bull puro (precio sólo sube)	Mejor — fees altos, IL bajo	Peor — el short pierde, ROI bajo
Mixed bull/sideways	Bueno — fees + algunos exits	Mejor caso — ROI alto sobre depósito
Crash + recovery	Drawdown profundo	Mejor protegido — el hedge cubre
Bear puro sostenido	Peor — IL alto, valor USD baja	Hedge captura el delta
Continuo cruzando regímenes	Mixed	ROI moderado sobre depósito

Si tu thesis es bull puro convencido

Quipu está pensado para alguien que no tiene una direccional fuerte. Si tenés convicción direccional alcista pura, comprar spot ETH supera a Quipu en ese régimen específico. El producto agrega valor cuando el régimen es incierto y/o crashes son posibles.

Reproducibilidad

Cada experimento citado vive en el monorepo. La estructura general:

research/
├── backtest/experiments/eth/<EXPERIMENT>.yaml      # config del experimento
├── workspace/runs/<EXPERIMENT>/                    # artifacts y resultados
└── docs/evidence/reports/<EXPERIMENT>_report.md    # narrativa + dataset usado + caveats

La idea es que cualquier número en este docs site pueda ser auditado:

1. Mirar el report de evidence — qué dataset, qué regímenes, qué caveat conocidos.
2. Mirar la config YAML — qué se testeó.
3. Re-correr el experimento si querés validar empíricamente.

Lo que sí publicamos: la metodología, los datasets, los resultados agregados, los criterios de aceptación. Lo que no publicamos: los valores específicos de los parámetros del runtime en producción.