> Lecciones Aprendidas
Disciplina tecnica visible
Como construimos un sistema de ML para memecoins. Sin ocultar los errores. Cada leccion tiene un coste real: horas de debugging, datos perdidos, capital en riesgo. Las documentamos para no repetirlas.
Sesiones
56+
Modelos archivados
7
Modelo en produccion
v4
Diagnostico antes que solucion
Una linea de codigo cambia el veredicto del proyecto entero. Validar formulas siempre antes que modelos.
Power-law en memecoins
El 2.3% de trades explica el 80% del return. No es trading consistente, es loteria con esperanza positiva.
Nunca mezclar migracion SQL + cambio codigo en mismo deploy
Cuando el deploy falla silenciosamente, no puedes volver atras sin tocar tambien el schema.
4 validaciones obligatorias antes de declarar alpha
50+ sesiones operando sobre modelos con leakage no detectado. La leccion mas cara del proyecto.
Try/except envolventes silencian errores criticos
except Exception captura un NameError como warning. El sistema no crashea, pero tampoco funciona.
Regresion magnitud falla en datasets ultra-skewed
95% del dataset tiene multiplicador 1x. El modelo aprende ruido, no magnitud.
Validar empiricamente prereq antes de implementar
Holding 3d parecia logico. Analisis empirico revelo que 0% de winners peakean en <72h.
EXCLUDED_FEATURES debe ampliarse antes de re-train
Features con ventanas >24h solapan con labels. AUC 0.999 = leakage masivo.
Smart money requiere definicion domain-specific
Top 24 traders globales operan majors, no memecoins. Feature importance = 0.
Agotar documentacion API antes de declarar limitacion
Tres archivados (V2 v1, v2, v3-pre) antes de encontrar sort_type=asc. La solucion estaba en los docs.
Las IAs no descansan. Solo Ulises descansa.
Proponer cerrar sesion por fatiga IA = 3-4h productivas perdidas innecesariamente.
Frontend requiere audit periodico contra realidad backend
Frontend con metricas de modelo v23 cuando produccion ya estaba en v4. Gap de 1 mes.
Nota: Estas son 12 de 42 lecciones documentadas internamente. Las omitidas cubren infraestructura (APScheduler, Render, Supabase), estimaciones de tiempo IA vs humano, y protocolos de comunicacion entre agentes. Publicamos las que aportan valor a cualquier equipo que construya sistemas ML con datos reales.
Siguiente paso
Construido con disciplina. Disponible en Meme Detector Pro.
Las senales que produce este sistema pasan por las mismas validaciones que documentamos aqui. Sin atajos.
Ver senales →