CoinQuant presenta una infraestructura de trading para la economía de agentes

TheNewsCryptoPublicado a 2026-05-26Actualizado a 2026-05-26

Resumen

CoinQuant, la plataforma de trading sin código impulsada por IA con más de 15.000 usuarios, anuncia su expansión hacia una arquitectura unificada de inteligencia de trading diseñada tanto para operadores humanos como para agentes de IA autónomos. Esta infraestructura actúa como una capa de validación y confianza entre la intención de trading y el despliegue de capital en vivo, incorporando backtesting, métricas de riesgo y optimización en el flujo de trabajo. Su motor central combina backtesting de grado institucional, datos de mercado estructurados y un sistema propietario de expertos en dominio. Los traders humanos interactúan mediante una interfaz de lenguaje natural, mientras los agentes de IA se conectan mediante API para validar estrategias. Cada estrategia probada contribuye a una capa de inteligencia agregada y anónima. La compañía prepara el lanzamiento de una capa de ejecución automatizada en HyperLiquid y está recaudando una ronda de financiación de 3 millones de dólares para escalar el desarrollo y su arquitectura de agentes multi-nivel HYDRA. CoinQuant aspira a ser la columna vertebral de inteligencia para el trading algorítmico en la era de los agentes autónomos.

La economía de agentes está transformando los mercados financieros. Los marcos de agentes de código abierto están acelerando la actividad financiera autónoma, con agentes de IA que cada vez más ejecutan operaciones, gestionan carteras e interactúan directamente con los exchanges. Sin embargo, la infraestructura financiera que respalda este cambio no ha evolucionado al mismo ritmo.

CoinQuant, la plataforma de trading sin código impulsada por IA que ha atraído a más de 15.000 usuarios desde su lanzamiento, anuncia hoy su expansión hacia una arquitectura unificada de inteligencia de trading diseñada tanto para traders humanos como para agentes de IA autónomos.

"El trading autónomo ya no es teórico. Ya está sucediendo. La próxima fase requiere validación estructurada, gestión disciplinada del riesgo e infraestructura de inteligencia. Eso es lo que ofrece CoinQuant", dijo Maan Ftouni, Fundador y CEO de CoinQuant.

La capa de confianza para agentes de IA autónomos

A medida que los agentes de IA se conectan cada vez más directamente a los exchanges y carteras, muchos dependen de APIs sin procesar, sin backtesting estructurado, análisis de riesgo o pipelines de datos validadas. CoinQuant introduce una capa de inteligencia estructurada entre la intención de trading y el despliegue de capital en vivo.

Ninguna estrategia se pone en marcha sin validar, ya sea construida por un humano o generada de forma autónoma. El backtesting, las métricas de riesgo y la optimización de parámetros están integrados directamente en el flujo de trabajo, garantizando que el capital se despliegue solo después de una evaluación sistemática.

De plataforma sin código a arquitectura de inteligencia de trading

La expansión de CoinQuant refleja la evolución de su motor central. En el centro de la plataforma hay un sistema de inteligencia unificado que combina backtesting de nivel institucional, datos de mercado estructurados de proveedores como Kaiko y Financial Modeling Prep, optimización impulsada por IA y el sistema Domain Expert propietario de CoinQuant.

Los traders humanos interactúan a través de una interfaz de lenguaje natural que les permite describir, probar, optimizar y desplegar estrategias sin escribir código. Los agentes de IA se conectan programáticamente a través de integraciones de API y MCP para validar estrategias y acceder a datos estructurados a gran escala.

La interfaz es solo la superficie. El motor de inteligencia que hay debajo es el producto.

Un motor, dos vectores de crecimiento

Esta expansión representa una extensión natural del modelo de negocio de CoinQuant. La creciente base de más de 15.000 traders de la plataforma valida el ajuste producto-mercado y genera inteligencia de estrategia estructurada. La interfaz para agentes multiplica ese valor a través de flujos de trabajo de validación y automatización programáticos de alto volumen.

Cada estrategia construida, probada y desplegada contribuye a una capa de inteligencia agregada y anónima, creando un conjunto de datos propietario que mapea la intención de trading con la lógica, las métricas de validación y los resultados de rendimiento en diferentes condiciones del mercado.

"El mismo motor que potencia el primer backtest de un trader puede validar cientos de estrategias para sistemas autónomos en paralelo. Estamos construyendo un único fundamento de inteligencia tanto para humanos como para agentes de IA", añadió Ftouni.

La capa de automatización se lanzará próximamente

CoinQuant se prepara para lanzar su capa de ejecución automatizada de estrategias en HyperLiquid como su segunda fuente principal de ingresos.

La capa de automatización permitirá que las estrategias validadas pasen sin problemas del backtest al despliegue en vivo dentro del mismo marco de inteligencia.

Recaudando 3 millones de dólares para escalar

CoinQuant está actualmente recaudando una ronda de capital semilla de 3 millones de dólares para apoyar el desarrollo de producto, el escalado de la infraestructura y la expansión global. La empresa también está desarrollando HYDRA, una arquitectura multi-agente jerárquica diseñada para investigación avanzada, modelado de riesgos y optimización de estrategias.

Con más de 15.000 usuarios validando la demanda de inteligencia de trading estructurada, CoinQuant aspira a convertirse en la columna vertebral de inteligencia del trading algorítmico en la era financiera impulsada por agentes.

Acerca de CoinQuant

CoinQuant es una plataforma de trading de IA que permite a traders y agentes de IA construir, validar, optimizar y automatizar estrategias de trading utilizando lenguaje natural. Con sede en Dubái, CoinQuant se integra con los principales exchanges y proveedores de datos institucionales para ofrecer infraestructura de trading de nivel profesional a una comunidad global.

Sitio web: https://coinquant.ai
X: https://x.com/CoinQuantX
Discord: https://discord.gg/StNxg33z
Instagram: https://www.instagram.com/coinquant.ai/
TikTok: https://www.tiktok.com/@coinquant.ai
LinkedIn: https://www.linkedin.com/company/coinquant

Contacto para medios:

Nada Ali
[email protected]

Aviso legal: TheNewsCrypto no respalda ningún contenido de esta página. El contenido descrito en este comunicado de prensa no representa ningún consejo de inversión. TheNewsCrypto recomienda a sus lectores que tomen decisiones basadas en su propia investigación. TheNewsCrypto no se hace responsable de ningún daño o pérdida relacionado con el contenido, productos o servicios mencionados en este comunicado de prensa.

Preguntas relacionadas

Q¿Qué anuncia CoinQuant en relación con la economía de agentes y la infraestructura comercial?

ACoinQuant anuncia su expansión en una arquitectura unificada de inteligencia comercial, diseñada tanto para comerciantes humanos como para agentes de IA autónomos, para proporcionar una capa de confianza y validación estructurada.

Q¿Cómo garantiza CoinQuant que las estrategias comerciales sean seguras antes de su implementación en vivo?

ACoinQuant integra backtesting, métricas de riesgo y optimización de parámetros directamente en el flujo de trabajo, asegurando que ninguna estrategia, humana o autónoma, se implemente sin una validación sistemática previa.

Q¿Qué dos formas principales tienen los usuarios de interactuar con la plataforma CoinQuant?

ALos comerciantes humanos interactúan a través de una interfaz de lenguaje natural, mientras que los agentes de IA se conectan programáticamente a través de API e integraciones MCP para validar estrategias y acceder a datos estructurados.

Q¿Cuál es el próximo lanzamiento clave que planea CoinQuant para generar ingresos?

ACoinQuant planea lanzar próximamente su capa de ejecución automatizada de estrategias en HyperLiquid, lo que permitirá una transición fluida del backtest a la implementación en vivo y será su segunda fuente principal de ingresos.

Q¿Con qué objetivo está CoinQuant recaudando 3 millones de dólares en su ronda de financiación inicial?

ACoinQuant está recaudando 3 millones de dólares para apoyar el desarrollo de productos, el escalado de infraestructura, la expansión global y el desarrollo de HYDRA, una arquitectura multiagente jerárquica para investigación avanzada y modelado de riesgos.

Lecturas Relacionadas

PA Gráficos | Un gráfico para entender los grandes eventos de Web3 que vale la pena seguir en junio

**Resumen: Eventos clave de Web3 en junio (2026)** El calendario cripto de junio presenta una mezcla de factores macroeconómicos, desbloqueos de tokens y eventos tecnológicos que darán forma al mercado: * **Factores Macro:** Los datos de inflación (IPC) y empleo (no agrícolas) de EE.UU., junto con las decisiones de tipos de interés de la Fed, el BCE y el Banco de Japón, seguirán influyendo en la aversión al riesgo y las expectativas de liquidez global. * **Desbloqueos de Tokens:** Proyectos como SUI y ENA tendrán eventos de desbloqueo, lo que requiere atención al posible impacto en el mercado. * **Dinámicas de Proyectos:** Nuevos productos institucionales llegarán, como los futuros de índices bursátiles perpetuos de Coinbase y los futuros de índices cripto de CME Group. También habrá inclusiones en índices tradicionales (SharpLink en Russell). * **Ajustes del Ecosistema:** Continúa el proceso de consolidación, con el cierre de algunos servicios como el explorador Ord.io de Bitcoin Ordinals. Los usuarios deben estar atentos a la migración de activos. * **Eventos Externos Destacados:** Eventos como el inicio del Mundial, la conferencia WWDC de Apple, la posible OPV de acciones de SpaceX y la audiencia para la IPO de宇树科技en China añaden contexto más amplio. En resumen, junio será un mes donde el mercado buscará una nueva dirección bajo la influencia de expectativas de liquidez, cambios políticos y la rotación dentro del ecosistema.

marsbitHace 1 hora(s)

PA Gráficos | Un gráfico para entender los grandes eventos de Web3 que vale la pena seguir en junio

marsbitHace 1 hora(s)

Alibaba "reabastece", ByteDance "entrena"

**Resumen en español europeo (≈1500 caracteres):** En la última semana de mayo, dos estrategias de IA chinas contrastaron claramente. Alibaba aceleró la **implementación comercial** de la IA. Integró su modelo Qwen con Taobao, permitiendo funciones como probadores virtuales y comparación de precios con IA. Su protocolo ACT busca estandarizar pagos automatizados por agentes de IA. Financieramente, apuesta por ser la "fábrica de IA" de China, con ingresos externos de su nube creciendo un 40%, demostrando un enfoque en **ROI inmediato y monetización**. Su premisa: una brecha de capacidad en modelos base no se ampliará críticamente en 5 años. ByteDance adopta una postura de **investigación a largo plazo**. Su departamento Seed, con líneas separadas para aplicaciones e investigación fundamental, tiene como meta principal "explorar el límite superior de la inteligencia". Su modelo de video Seedance 2.0 lidera benchmarks globales. Invierten masivamente en talento (programa Top Seed) y en investigación pura, como un artículo de 8 meses sobre modelos mundiales. Su presupuesto de capital se revisa al alza de forma agresiva, posible gracias a su condición de empresa **no cotizada**, lo que le otorga paciencia para perseguir avances fundamentales sin presión trimestral por beneficios. La diferencia clave no es filosófica, sino estructural. Las empresas cotizadas como Alibaba deben priorizar la monetización para el mercado. Las no cotizadas como ByteDance pueden permitirse "entrenar" a fondo. El futuro de la estrategia de IA en China depende en gran medida de este estado financiero.

marsbitHace 1 hora(s)

Alibaba "reabastece", ByteDance "entrena"

marsbitHace 1 hora(s)

Circle pone en lista negra una dirección del protocolo Zama, congelando 12,6 millones de dólares en fondos de usuarios – Detalles

El emisor de stablecoins Circle ha congelado aproximadamente 12,6 millones de dólares en fondos de usuarios al incluir en su lista negra un contrato inteligente del protocolo de privacidad Zama. La acción, reportada por el investigador ZachXBT, afecta al contrato Confidential USDC (cUSDC) de Zama en Ethereum. Los fondos congelados parecen estar indirectamente vinculados a la polémica y problemas legales que rodean al protocolo Overnight Finance, desde donde una billetera asociada depositó una gran suma antes de la congelación. La medida ha reavivado las críticas sobre la falta de transparencia de los emisores centralizados, ya que Zama aparentemente no recibió aviso previo. Este caso establece un precedente preocupante al apuntar a un contrato a nivel de protocolo donde se agrupan fondos de usuarios, en lugar de billeteras aisladas, planteando dudas sobre los riesgos de custodia en sistemas supuestamente descentralizados. Circle no ha proporcionado una explicación oficial para su acción unilateral.

bitcoinistHace 1 hora(s)

Circle pone en lista negra una dirección del protocolo Zama, congelando 12,6 millones de dólares en fondos de usuarios – Detalles

bitcoinistHace 1 hora(s)

¿Por qué más agentes de IA no equivalen a mayor productividad?

**Resumen: Por qué más agentes de IA no equivalen a mayor productividad** Cuando los agentes de IA se vuelven más baratos y fáciles de ejecutar, el desarrollo de software enfrenta un nuevo desafío: el cuello de botella ya no es lanzar más agentes, sino la capacidad humana de gestionar, evaluar e integrar sus resultados. Este artículo introduce el concepto de "impuesto de orquestación". Iniciar un agente es barato (un prompt o un clic), pero cerrar el ciclo es costoso: verificar resultados, entender su impacto arquitectónico, resolver conflictos entre agentes y decidir qué código integrar. Este trabajo no se puede paralelizar; depende de un recurso en serie: el juicio humano. El desarrollador es el "GIL" (Cerradura Global del Intérprete) del sistema de agentes: el candido de un solo hilo que limita el rendimiento final. Múltiples agentes pueden ejecutarse concurrentemente, pero las fases de juicio arquitectónico, revisión de código y fusión de cambios deben pasar por la mente del desarrollador. Más agentes no siempre significan más producción; pueden solo alargar la cola de tareas pendientes de revisión, llevando a cambios de contexto más frecuentes y fatiga cognitiva. La sensación de eficiencia no equivale a productividad real. Un panel lleno de agentes en ejecución crea una ilusión de "alta producción", pero si el desarrollador no comprende, revisa e integra esos cambios, el sistema puede acumular deuda técnica y cognitiva. La discusión clave no es "cómo usar más agentes", sino "cómo rediseñar el flujo de trabajo en torno a la atención humana". La habilidad crucial es saber qué tareas delegar a la máquina para procesamiento en paralelo y cuáles reservar para el juicio humano, cuándo revisar por lotes y cuándo detener la orquestación para concentrarse en un problema central. La IA amplía la capacidad de concurrencia en la producción de software, pero la atención humana sigue siendo el recurso más escaso e irreplicable. Un flujo de trabajo maduro con agentes no consiste en asignar todas las tareas a la máquina, sino en diseñar cuidadosamente la arquitectura de la propia atención, como se haría con cualquier sistema de producción. La verdadera habilidad es diseñar el sistema respetando ese recurso en serie que no se puede clonar: tu atención.

marsbitHace 2 hora(s)

Tres años después: Una revisión de mis predicciones sobre ChatGPT en 2023

Tres años después: Revisando mis predicciones sobre ChatGPT en 2023 En marzo de 2023, tras el lanzamiento de ChatGPT, Wang Jianshuo hizo 20 predicciones intuitivas sobre la IA. Ahora, en mayo de 2026, un sistema con 41 agentes de IA las ha reevaluado con datos actuales. **Resultados clave:** * **Aciertos (dirección general):** La arquitectura RAG se convirtió en estándar para integrar conocimiento. La Interfaz de Usuario de Lenguaje (LUI) creó una nueva capa de interacción (ej. protocolo MCP). Surgieron redes de agentes autónomos que se comunican. China desarrolló modelos grandes útiles (ej. DeepSeek), cerrando la brecha técnica. Los LLM no tienen conciencia; el Test de Turing solo mide la apariencia. * **Errores/Matices:** La predicción de que GPT-4 tendría 100 billones de parámetros fue incorrecta (≈1.8B). Los LLM **sí** pueden hacer matemáticas complejas sin herramientas externas (ej. medallas IMO 2025). El valor no migró solo a la capa de aplicación; NVIDIA (capa de hardware) capturó gran parte. El contenido generado por IA no evade automáticamente los derechos de autor (multas multimillonarias). La IA personalizada crea, no reduce, "cámaras de eco". Los costes de entrenamiento de modelos líderes superaron con creces la estimación de 5-10 mil millones de dólares. **Lecciones aprendidas:** 1. Predecir **mecanismos y direcciones** es más fiable que dar cifras o declaraciones absolutas. 2. Se tiende a **sobreestimar la velocidad** de cambio a corto plazo y **subestimar su magnitud** a largo plazo. 3. Los promedios generales (ej. "no habrá desempleo masivo") pueden ocultar **impactos distributivos** severos (ej. en jóvenes). 4. Las afirmaciones con **matices y limitaciones** envejecen mejor. 5. Tres años no son suficientes para resolver debates fundamentales (ej. valor final, consciencia de la IA). Este ejercicio subraya la dificultad de hacer predicciones precisas en un campo en rápida evolución y la importancia de la humildad al proyectar el futuro.

marsbitHace 9 hora(s)