Numerai est une plateforme de hedge funds quantitatifs d'IA de crowdsourcing basée sur la blockchain. Les data scientists participent au concours mondial de prédiction des marchés boursiers en entraînant des modèles d'apprentissage automatique pour prédire les données financières cryptées. Les modèles contribués sont regroupés dans un méta-modèle (Meta Model) via le mécanisme hypothécaire symbolique NMR (Numeraire), qui est utilisé pour piloter les décisions commerciales des véritables hedge funds. La plateforme a été fondée par Richard Craib en 2015 et a reçu des investissements d'Union Square Ventures, de Paul Tudor Jones, du co-fondateur de Renaissance Technologies, Howard Morgan, etc. Elle finalisera un financement de série C de 30 millions de dollars en 2025, avec une valorisation de 500 millions de dollars.

numerai

Paramètres et statistiques de base

Numerai est une plateforme unique qui combine des compétitions de science des données avec des hedge funds quantitatifs. Il fournit des ensembles de données financières de haute qualité qui ont été cryptées et obscurcies gratuitement pour les data scientists du monde entier. Les participants forment des modèles d'apprentissage automatique pour prédire les indicateurs de rendement des actions cryptés. Les prédictions soumises sont regroupées dans un méta-modèle (Meta Model) via le mécanisme hypothécaire symbolique NMR (Numeraire), qui est finalement utilisé par le fonds spéculatif Numerai pour les transactions de marché réelles.

Projets	Informations publiques
Positionnement officiel	Plateforme de compétition de crowdsourcing AI Quantitative Hedge Fund et Data Science
Fondateur et date de création	Richard Craib, octobre 2015
Siège social	San Francisco, États-Unis
Mécanisme de base	Concours mondial de data scientists → Agrégation de méta-modèles → Trading de hedge funds
Dernier ensemble de données	V5.2 Faith2 (2025-12, 186 nouvelles fonctionnalités)
Total des paiements RMN	24 400 000 $+ (les scientifiques des données gagnés cumulativement)
Nombre de modèles implantés	4 500+
Échelle de gestion des fonds	~550 M$ (2025-11), rendement net en 2024 25,45 %
Investisseurs	Union Square Ventures, Paul Tudor Jones, Howard Morgan (Renaissance Technologies)
Étoiles/Fourchettes GitHub	1 200+ / 310 (dépôt d'exemples de scripts)
Plateformes disponibles	Bibliothèques Web, API, Python/numerapi

Caractéristiques des données : Les données fournies par Numerai ont subi un « cryptage préservant la structure ». Les caractéristiques sont anonymisées mais la corrélation statistique est conservée. Les data scientists peuvent modéliser sans formation financière. Chaque élément de données correspond à un certain titre à un moment donné (époque), caractérisé par une valeur cryptée d'un attribut quantitatif, et l'objectif est une mesure abstraite du rendement pour les 20 prochains jours de bourse.

Logique d'agrégation du métamodèle : seules les prédictions garanties par RMN seront incluses dans le métamodèle. Le mécanisme de jalonnement garantit que les participants sont incités économiquement à soumettre des prédictions de haute qualité : NMR est récompensé pour de bonnes performances et NMR est brûlé pour de mauvaises performances. Cette conception « peau dans le jeu » permet aux hedge funds de faire confiance aux signaux prédictifs provenant de tiers anonymes.

Reconnaissance des utilisateurs et du marché

La reconnaissance de Numerai sur le marché se reflète dans trois dimensions : les investisseurs institutionnels, les principales institutions financières et la communauté mondiale des data scientists.

Investissement institutionnel : finalisation d'un financement de série C de 30 millions de dollars en novembre 2025, avec une valorisation de 500 millions de dollars, soit une multiplication par cinq par rapport à la valorisation de 2023. Il était dirigé par les principaux fonds de dotation universitaires, avec la participation d'Union Square Ventures, Shine Capital, Paul Tudor Jones, etc. En août 2025, JPMorgan Asset Management a investi de l'argent dans Numerai et a acquis 500 millions de dollars de capacité, ce qui était l'un des paris les plus importants sur les stratégies quantitatives basées sur l'IA par une grande institution financière traditionnelle.

Performance du fonds : 2024 a été la meilleure année jamais enregistrée par Numerai, le fonds spéculatif Global Equity Market Neutral affichant un rendement net de 25,45 %, un ratio de Sharpe de 2,75 et un seul mois dans le rouge pour l'année. Les actifs sous gestion sont passés d'environ 60 millions de dollars à 550 millions de dollars au cours des trois dernières années. Dans le contexte d’une baisse générale du marché des cryptomonnaies de plus de 90 % en 2022, Numerai a tout de même réalisé un rendement positif de 20 % et a restitué des bénéfices aux investisseurs.

Communauté des data scientists : la plateforme compte plus de 4 500 modèles mis en jeu et a versé plus de 24,4 millions de dollars aux data scientists. Le référentiel d'exemples de scripts sur GitHub compte plus de 1 200 étoiles et 310 forks, la communauté Discord est active et la NumerCon a lieu chaque année.

Avantage de coût

La structure de coûts de Numerai présente des caractéristiques complètement différentes à trois niveaux : les data scientists côté C, les développeurs d'API et les investisseurs institutionnels.

C-side/Data Scientist : L'entrée est entièrement gratuite. N'importe qui peut créer un compte et télécharger gratuitement l'ensemble de données cryptées, entraîner un modèle à l'aide de Python ou R et soumettre des prédictions. Participez aux classements et obtenez des notes de performances sans miser sur NMR. Ce n’est que lorsque les participants choisissent de miser sur NMR (nécessitant des jetons auto-achetés) pour obtenir des incitations économiques qu’ils sont confrontés à de réels risques de financement – ​​une mauvaise performance du modèle entraînera la destruction de NMR. Pour les utilisateurs qui souhaitent simplement expérimenter et apprendre, le seuil de coût nul est extrêmement bas.

API/Développeur : Numerai fournit une bibliothèque Python (numerapi) et une API REST pour les téléchargements automatisés de données, les téléchargements de prédictions et la gestion des modèles. Le responsable fournit également une interface MCP (Model Context Protocol), qui permet aux agents IA d'interagir directement avec la plate-forme, par exemple en utilisant des instructions en langage naturel pour terminer l'ensemble du processus, de la modélisation à la soumission. Ces interfaces API sont gratuites d'utilisation, sans limite de nombre d'appels et sont uniquement soumises à la politique d'utilisation équitable.

Investisseurs institutionnels : Le niveau fonds est ouvert aux investisseurs qualifiés. Le seuil d'investissement et la structure des frais ne sont pas divulgués et doivent être confirmés en contactant invest@numer.ai. Les 500 millions de dollars de capacité reçus par JPMorgan en 2025 impliquent une forte demande de fonds au niveau institutionnel, mais pour les investisseurs individuels, le seuil pour les fonds d'investissement direct est plus élevé.

Coûts cachés : le principal coût auquel sont confrontés les participants est le temps : les concours de science des données nécessitent beaucoup d'efforts en matière d'ingénierie des fonctionnalités, de réglage du modèle et d'itération continue. De plus, les fluctuations de la capitalisation boursière du jeton NMR lui-même peuvent amplifier l'incertitude des gains/pertes réels.

Fonctions principales

• Data Science Competition Platform : fonction principale, fournissant des ensembles de données financières cryptées (trois ensembles de formation/validation/temps réel), les data scientists entraînent des modèles pour prédire les variables cibles et soumettent des fichiers de prédiction pour participer au classement. Le concours publie de nouvelles données en direct du mardi au samedi.

• Mécanisme de jalonnement et d'incitation NMR : les participants peuvent miser des jetons NMR sur leurs propres modèles. Chaque cycle de jalonnement dure environ 20 jours de bourse (c'est-à-dire un cycle de notation). Les modèles avec des performances positives reçoivent des récompenses RMN, tandis que les modèles avec des performances négatives voient une partie de leur RMN brûlée. Cette conception garantit que le métamodèle regroupe uniquement des prédictions de haute qualité.

• Méta-modèle : l'atout principal de Numerai. Toutes les prédictions promises sont combinées dans un méta-modèle selon leur poids et introduites directement dans le système commercial du hedge fund. Le poids du méta-modèle est ajusté dynamiquement avec les scores (CORR et MMC) de chaque modèle, similaire au processus d'optimisation du poids des réseaux de neurones.

• Numerai Signals : Une plateforme de compétition indépendante qui permet aux data scientists de créer des signaux de prédiction boursière en utilisant leurs propres données privées (plutôt que les données cryptées fournies par Numerai). Convient aux participants qui disposent déjà de leurs propres sources de données et de connaissances financières professionnelles.

• Crypto Tournament : une compétition indépendante pour le marché des cryptomonnaies, conçue davantage à des fins de divertissement et d'éducation, et non pour le trading réel.

• Intégration AI Scientist / MCP Agent : nouvelle fonctionnalité lancée en 2025-2026, les data scientists peuvent utiliser le protocole MCP pour permettre aux agents IA (tels que Codex, Claude, Cursor) de participer directement au processus de modélisation - du téléchargement des données, de l'analyse des caractéristiques, de la construction du modèle à la soumission des prédictions, le tout via des instructions en langage naturel.

• Numerai Bounties : mécanisme de prime communautaire, Numerai publie des orientations de recherche spécifiques ou des défis de modélisation, et les participants peuvent recevoir des récompenses NMR pour les avoir complétés.

Evolution du modèle et de la version

Le système de « versions » de Numerai se reflète principalement dans l'itération des versions des ensembles de données et l'évolution importante des fonctions de la plateforme.

Version de l'ensemble de données

L'ensemble de données est l'atout principal du concours Numerai, évoluant de manière itérative dans la série V :

• V5.2 Faith2 (2025-12) : La dernière version, qui introduit 186 nouvelles fonctionnalités et ajoute deux nouvelles variables cibles : Ender et Jasper (contenant chacune deux fenêtres de 20 jours et 60 jours). Toutes les données utilisent le format int8 pour compresser le stockage et accélérer le chargement.
• V5.1 (~2025-06) : mise à jour incrémentielle intermédiaire, réglage fin et optimisation de l'ensemble des fonctionnalités.
• V5.0 (~2025-01) : Première version de la série V5, l'architecture des fonctionnalités a été considérablement mise à jour, jetant les bases d'une expansion ultérieure.
• V4.2 (~2024-06) : La version finale de la série V4, avec de multiples ajustements de fonctionnalités et de cibles.

Après la publication de chaque version de données, la prise en charge de l'ancienne version sera progressivement interrompue et les candidats devront migrer vers la dernière version pour rester compétitifs.

Jalons des fonctionnalités de la plateforme

• 2015-10 : Numerai a été officiellement créé et a reçu 1,5 million de dollars en financement de démarrage (rapport FT).
• 2016-12 : Le concept de hedge fund de financement participatif est officiellement ouvert aux experts en apprentissage automatique (rapports TechCrunch).
• 2017-02 : Publication d'un livre blanc sur les jetons NMR pour introduire la blockchain dans les incitations à la concurrence en science des données (rapport Wired).
• 2022 : les actifs sous gestion passent de zéro à environ 60 millions de dollars, maintenant des rendements positifs dans un contexte de vents contraires sur le marché.
• 2023 : Tour de financement évalué à environ 100 millions de dollars.
• 2024 : Le fonds a réalisé un rendement net de 25,45 %, Sharpe 2,75, croissance rapide des actifs sous gestion.
• 2025-08 : JPMorgan investit et obtient une capacité de 500 millions de dollars, Landmark Institutional Recognition.
• 2025-11 : finalisation d'un financement de série C de 30 millions de dollars, évalué à 500 millions de dollars, et les actifs sous gestion ont atteint 550 millions de dollars.
• 2025-12 : sortie de l'ensemble de données V5.2 Faith2.
• 2026-02 : Hébergement de la conférence NumerCon 2026.
• 2026-07 : Lancement du troisième rachat stratégique de NMR pour promouvoir la fonction Atomic Blockchain Staking.

Avantages techniques

L'architecture technique de Numerai est conçue autour du défi principal consistant à « comment regrouper les signaux prédictifs provenant de tiers non fiables tout en protégeant la confidentialité des données ».

Cryptage préservant la structure : Numerai applique des transformations de cryptage aux données financières d'origine afin que les valeurs des caractéristiques conservent leur pertinence statistique (par exemple, l'ordre, la forme de la distribution) mais ne puissent pas être restaurées à l'identification du stock d'origine ou à des indicateurs financiers spécifiques. Cela signifie que (1) les données peuvent être distribuées librement à quiconque sans crainte de fuite de données, (2) les modélisateurs n'ont besoin d'aucune connaissance dans le domaine financier pour participer, et (3) le modèle ne peut être utilisé que dans les concours Numerai et ne peut pas être « échangé seul ».

Mécanisme d'optimisation du poids du méta-modèle : Numerai ne prend pas simplement la moyenne de toutes les prédictions, mais fonctionne via un système de pondération dynamique basé sur une hypothèque. Le CORR (coefficient de corrélation avec la cible) et le MMC (contribution marginale au méta-modèle) de chaque modèle déterminent son poids au tour suivant. Le poids des modèles peu performants est réduit et le poids des modèles performants est augmenté – ceci est similaire à un système d’apprentissage intégré à grande échelle qui est continuellement formé en ligne.

Indicateurs à double notation :

• CORR (Corrélation) : Le coefficient de corrélation entre la prédiction et la cible, indicateur direct de la capacité de prédiction du modèle.
• MMC (Meta Model Contribution) : Mesure la contribution unique du modèle aux performances globales du méta-modèle. Même si un modèle a un CORR moyen, le MMC peut être élevé s'il fournit un signal indépendant différent des autres modèles. Cela encourage la diversité dans les stratégies de modélisation.

Intégration MCP et AI Agent : Numerai a introduit le protocole MCP plus tôt dans le domaine des compétitions quantitatives. Les data scientists peuvent utiliser l'analogie de « l'utilisation de l'IA pour contrôler le navigateur » pour permettre à l'agent IA de terminer l'ensemble du processus, de l'acquisition des données à la soumission du modèle. Le script officiel install-mcp.sh est fourni pour implémenter le montage en un clic, permettant à des outils tels que Claude/Cursor/Codex de lire directement les données, d'écrire du code et de soumettre des prédictions.

Comment utiliser

Le parcours d'utilisation de Numerai s'étend de l'inscription gratuite sans seuil à l'intégration avancée de l'agent MCP, couvrant des participants de différentes profondeurs techniques.

Chemin 1 : Modélisation manuelle (adapté aux débutants)

1. Visitez numer.ai/signup pour créer un compte et obtenir la clé API.
2. Téléchargez l'ensemble de données de formation (V5.2) via la page Web ou l'API.
3. Utilisez Python ou R pour entraîner le modèle ML (fournit officiellement des exemples de scripts XGBoost et LightGBM).
4. Générez des fichiers de prédiction et téléchargez-les sur la plateforme.
5. Vérifiez vos notes CORR et MMC dans le classement.

Chemin 2 : appels d'API automatisés (convient aux développeurs expérimentés)

à partir de numerapi importer NumerAPI
importer des pandas en tant que PD
à partir de xgboost importer XGBRegressor

#Initialiser l'API
napi = NumerAPI("<votre_id_public>", "<votre_clé_secret>")

# Télécharger les données
VERSION = "v5.2"
napi.download_dataset(f"{VERSION}/train.parquet")
napi.download_dataset(f"{VERSION}/live.parquet")

#Modèle de train
training_data = pd.read_parquet("train.parquet")
Features = [f pour f dans training_data.columns si "feature" dans f]
modèle = XGBRegressor (max_degree = 5, learning_rate = 0,01, n_estimators = 2000)
model.fit (training_data[features], training_data["target"])

# Générer et télécharger des prédictions
live_data = pd.read_parquet("live.parquet")
prédictions = model.predict(live_data[features])
soumission = pd.Series(predictions, index=live_data.index).to_frame("prediction")
soumission.to_csv("soumission.csv")
napi.upload_predictions("submission.csv", model_id="votre-id-modèle")

Chemin 3 : mode Agent MCP (pour le workflow natif d'IA)

git clone git@github.com:numerai/example-scripts.git
exemples de scripts cd
curl -sL https://numer.ai/install-codex-mcp.sh | coup
codex exec --yolo "trouver la meilleure architecture de réseau neuronal pour prédire l'Ender cible"

Dans ce mode, l'agent IA termine automatiquement l'ensemble du processus d'exploration des données, de recherche d'architecture de modèle, de formation et de soumission, et le data scientist n'a qu'à décrire la cible en langage naturel.

Chemin 4 : Signaux numériques (utiliser vos propres données)

Si les participants disposent de leurs propres données boursières ou de sources de données alternatives, ils peuvent soumettre des signaux prédictifs basés sur leurs propres données via la plateforme signals.numer.ai, qui prend également en charge le mécanisme de jalonnement NMR.

Chemin 5 : Modèle de marché

Les modèles développés par la communauté peuvent être achetés et vendus sur le marché communautaire. Les participants ne peuvent pas directement hypothéquer les modèles d'autres personnes, mais ils peuvent télécharger le modèle de référence comme référence de base.

Entrée	Objectif	Gratuit/Payant
numer.ai	Plateforme principale de compétition, inscription, téléchargement de données, téléchargement de pronostics	Gratuit
signaux.numer.ai	Concurrence de signaux de données propres	Gratuit
crypto.numer.ai	Concours de crypto-monnaie (Divertissement/Éducation)	Gratuit
docs.numer.ai	Documentation complète : données, modélisation, scoring, jalonnement	Gratuit
github.com/numerai/example-scripts	Exemples de scripts et de cahiers	Gratuit (MIT)
forum.numer.ai	Forum communautaire	Gratuit
discord.gg/numerai	Soutien de la communauté Discord	Gratuit

Prix des produits

Le modèle de tarification de Numerai est complètement différent du SaaS traditionnel : la plateforme elle-même est gratuite pour tous les participants et la monétisation est réalisée grâce aux frais de gestion des hedge funds et à l'économie des jetons NMR.

Portail Data Scientist : tout est gratuit. Il n'y a aucun frais pour l'inscription, le téléchargement de données, la soumission de modèles, la consultation du classement et l'accès à la communauté. Le jalonnement NMR oblige les participants à acheter eux-mêmes des jetons NMR (qui peuvent être achetés sur des bourses telles que Coinbase), mais le jalonnement est facultatif - vous pouvez participer au concours et recevoir des notes sans mise.

NMR Token Economy : NMR est le principal outil d'incitation de la plateforme plutôt qu'un produit d'investissement. Les participants misent sur NMR → Les récompenses NMR sont obtenues si le modèle fonctionne bien → NMR est détruit si le modèle fonctionne mal. Numerai déclare officiellement que NMR "n'est pas une crypto-monnaie", "n'est pas un produit d'investissement" et "ne constitue ni la propriété ni le contrôle". Le NMR peut être négocié en bourse, mais il n’existe aucune garantie officielle quant à sa valeur. Depuis juillet 2026, Numerai a procédé à trois rachats stratégiques de NMR pour approfondir l'alignement des incitations avec la communauté.

Investisseurs institutionnels : Les hedge funds sont ouverts aux investisseurs qualifiés. Les tarifs spécifiques (frais de gestion/rémunération de performance) ne sont pas divulgués. Veuillez contacter invest@numer.ai. Les 500 millions de dollars de capacité acquis par JPMorgan impliquent que la tarification au niveau institutionnel est dominée par une structure « allocation de capacité + commission de performance ».

Scénarios d'application

• Validation R&D de stratégie quantitative : les chercheurs quantitatifs et les ingénieurs en apprentissage automatique peuvent utiliser les ensembles de données financières de haute qualité de Numerai pour valider rapidement de nouveaux modèles prédictifs et présenter des idées d'ingénierie sans avoir à résoudre eux-mêmes les problèmes de nettoyage des données et de génération d'étiquettes. Les données ont été nettoyées et régularisées professionnellement et sont prêtes pour la modélisation. Problèmes d'acceptation : stabilité CORR du modèle sur l'ensemble de validation et unicité de MMC.

• Concurrence d'apprentissage automatique et amélioration des compétences : Pour les data scientists qui souhaitent améliorer leurs capacités pratiques de ML, Numerai offre un environnement de compétition proche des scénarios de trading quantitatifs réels, et il n'y a pas de seuil de connaissances financières. De nouvelles données sont publiées toutes les deux semaines, formant un cycle d'apprentissage itératif continu. Acceptation Focus : les candidats doivent se concentrer sur la stabilité des performances du modèle entre les différentes époques, plutôt que sur un seul score élevé.

• AI Agent et MCP Experimental Site : L'interface MCP de Numerai et la fonctionnalité AI Scientist en font un scénario idéal pour tester les capacités de programmation et d'analyse de données de l'agent AI. Les développeurs peuvent utiliser des instructions en langage naturel pour permettre à l’IA de réaliser l’intégralité du processus de modélisation et d’évaluer les capacités automatisées de science des données des modèles de pointe actuels. Objectif d'acceptation : tout dépend de la capacité de l'agent IA à effectuer indépendamment l'analyse des fonctionnalités, la sélection du modèle, l'ajustement des paramètres et la soumission.

• Monétisation des signaux de données alternatifs (Signaux) : les équipes disposant de sources de données uniques (telles que des images satellite, des données de chaîne d'approvisionnement, des données sur le comportement des consommateurs) peuvent convertir leurs données alternatives en signaux prédictifs via Numerai Signals et obtenir des rendements économiques grâce au mécanisme hypothécaire NMR sans construire leurs propres systèmes d'exécution de transactions. Problèmes d'acceptation : score de qualité du signal et corrélation MMC avec d'autres modèles.

• Allocation quantitative institutionnelle : Pour les grands gestionnaires d'actifs, le méta-modèle de Numerai fournit une source alternative d'alpha avec une faible corrélation avec les stratégies quantitatives traditionnelles. L’allocation de capacité de 500 millions de dollars de JPMorgan a démontré la valeur de l’allocation au niveau institutionnel. Objectif d'acceptation : La corrélation entre les caractéristiques risque-rendement historiques du fonds et le propre portefeuille de l'institution.

Personnes concernées

• Data Science & ML Practitioner : Data scientists qui souhaitent appliquer leurs compétences en apprentissage automatique pour financer des retours financiers réels. Numerai fournit un chemin d'entrée à seuil zéro et un flux de données continu, ce qui convient au transfert de l'apprentissage de la compétition Kaggle vers la direction quantitative. Ne convient pas : utilisateurs sans expérience en programmation qui ne sont pas familiers avec Python/R et les concepts de base du ML.

• Quantitistes & Hedge Funds : Équipes quantitatives recherchant des sources externes d'alpha ou cherchant à développer une faible corrélation avec les stratégies traditionnelles. Les métamodèles de Numerai peuvent servir de source de signaux complémentaire aux processus de recherche en investissement existants. Ne convient pas : les institutions qui ont besoin d'un contrôle total sur les sources de données et les processus d'exécution des transactions, les données cryptées de Numerai ne peuvent pas être utilisées pour leurs propres transactions.

• Développeurs et chercheurs d'AI Agent : développeurs qui se concentrent sur les limites des capacités d'AI Agent dans la science des données automatisée. L'interface MCP de Numerai fournit un environnement de test de bout en bout. Ne convient pas : une situation qui présente des exigences extrêmement élevées en matière de confidentialité et de sécurité des données et ne peut pas envoyer de données à un LLM tiers.

• Cryptocurrency & Blockchain Explorer : Chercheurs intéressés par la conception économique des tokens NMR et l'application de la blockchain dans l'apprentissage automatique. Les mécanismes de jalonnement atomique de la blockchain et de gravure de jetons de Numerai sont des études de cas uniques. Ne convient pas : Les traders qui considèrent le NMR comme un instrument purement d'investissement/spéculatif - il est officiellement déclaré que le NMR n'est pas un investissement.

• Recherche universitaire et établissements d'enseignement : les ensembles de données de Numerai peuvent être utilisés pour la finance quantitative, l'enseignement de l'apprentissage automatique et la recherche universitaire, et la plateforme a également lancé un projet University Badges. Ne convient pas : scénarios de recherche nécessitant des données financières brutes non cryptées.

Résumé et Outlook

La principale compétitivité de Numerai réside dans le fait qu'elle a créé un volant d'inertie tripartite dans lequel « les data scientists produisent des modèles, les hedge funds produisent du capital et la blockchain produit la confiance » : Les données cryptées gratuites abaissent le seuil de participation → Un grand nombre de contributions de modèles améliorent la qualité des méta-modèles → La performance des fonds attire plus de capital institutionnel → Des rendements plus élevés attirent plus de data scientists. Le rendement net de 25,45 % en 2024 et l’approbation d’une capacité de 500 millions de dollars par JPMorgan prouvent que ce volant d’inertie s’est avéré réalisable au niveau institutionnel.

Les limitations actuelles sont principalement les suivantes : (1) Le fonds est ouvert uniquement aux investisseurs qualifiés, et les investisseurs individuels ne peuvent pas y participer directement ; (2) La fluctuation de la valeur marchande des jetons NMR amplifiera l'effet incitatif réel des participants ; (3) Bien que les données cryptées abaissent le seuil de connaissance financière, cela signifie également que le modèle ne peut pas être réutilisé dans d'autres scénarios, formant un effet de « verrouillage des données » ; (4) Certains contenus des documents de la plateforme sont encore difficiles à comprendre pour les utilisateurs non techniques.

Évaluation des risques d'approvisionnement/d'adoption : Pour les data scientists individuels, Numerai est une amélioration de compétences à coût quasi nul et une source potentielle de revenus. Le principal investissement est du temps plutôt que de l’argent, et les risques sont contrôlables. Pour les investisseurs institutionnels, ils doivent se concentrer sur la vérification des données historiques de risque et de rendement du fonds (la performance en 2024 ne représente pas l'avenir), sa corrélation avec son propre portefeuille et les termes spécifiques de l'accord de capacité de JPMorgan. Avant d'engager des capitaux importants, il est recommandé de mener des projets pilotes plus petits pour vérifier la stabilité des signaux du métamodèle et la complémentarité avec les stratégies existantes, et d'examiner les documents du fonds avec l'aide de conseillers juridiques et de conformité. L'orientation du développement de Numerai - y compris les projets d'intégration d'agents MCP de jalonnement atomique et de coopération universitaire - montre qu'elle évolue d'une plate-forme de compétition unique à un « système d'exploitation de quantification de l'IA » et mérite une attention continue pour l'expansion de son ensemble de données, les progrès de la coopération institutionnelle et la maturité du modèle économique des jetons NMR.

Outils associés : Visage câlin, replicate

Informations de version

• Ensemble de données Numerai V5.2 (Faith2) ：Mise à jour de l'ensemble de données Faith2, introduisant 186 nouvelles fonctionnalités et deux nouvelles cibles (Ender et Jasper, chacune avec des variantes 20D et 60D), tous les fichiers sont uniquement disponibles au format int8. Il n’y a pas encore de date officielle précise, elle se mesure en mois. （2025-12）
• Ensemble de données numériques V5.1 ：La version intermédiaire de la série V5 comprend des mises à jour incrémentielles et des optimisations de l'ensemble des fonctionnalités. Il n’y a pas encore de date officielle précise. （~2025-06）
• Ensemble de données numériques V5.0 ：La première version de la série V5 a apporté des mises à jour majeures à l'architecture globale des données et introduit un nouveau système de fonctionnalités. Il n’y a pas encore de date officielle précise. （~2025-01）
• Ensemble de données numériques V4.2 ：Mise à jour finale de la série V4, comprenant plusieurs ajustements de fonctionnalités et de cibles. Il n’y a pas encore de date officielle précise. （~2024-06）