CTF Capital

Dónde estaban

Hay un refrán argentino que dice: “a río revuelto, ganancia de pescadores”. El 2022 había sido hasta el momento el año más revuelto que vivió el ecosistema crypto. La caída de FTX, la destrucción de una criptomoneda entera, y una volatilidad que no respetó ningún modelo existente sacudieron todo lo que tocaron. Incluyendo los datos.

En ese contexto, CTF Capital tenía un equipo de research cuantitativo sólido, con gente que entendía los indicadores matemáticos más avanzados del mercado, que sabía construir señales y armar estrategias algorítmicas. Pero todo vivía en notebooks, sin un sistema que pudiera ingestar datos de exchanges en tiempo real, calcular features, generar predicciones y alimentar un bot de trading a escala de producción.

La distancia entre “el modelo funciona en mi máquina” y “el modelo opera plata real en el mercado más caótico del mundo” era enorme. CTF tenía el talento: le faltaba el sistema.

Lo que encontramos

El problema no era el modelo, sino la ausencia completa de un ciclo de vida de ML.

Antes de escribir una línea de código, hicimos un diagnóstico honesto con una metodología propia que analiza la organización en dos dimensiones: arquitectura técnica (fuentes de datos, feature store, ML pipeline, model registry, monitoreo) y madurez de ML (personas, tecnología, datos y proceso), con un score en seis ejes de madurez.

Lo que encontramos fue un equipo brillante en data science y conocimiento muy de nicho específico, necesario para una performance del nivel más alto del mundo, pero con brechas serias en producción y una serie de oportunidades perdidas para aprovechar el máximo potencial de la tecnología. El primer diagnóstico honesto que le dimos al equipo: vinimos por los modelos y nos quedamos con los ETLs.

Lo que construimos

Fase 1 — La casa en orden

Reescribimos la arquitectura entera como Infrastructure as Code usando AWS CloudFormation. Migramos de EC2 a serverless (Lambda + EventBridge), rediseñamos las SQS queues, e implementamos CI/CD con GitHub Actions. El cambio de arquitectura resource-based a event-driven redujo los costos de infraestructura a un tercio.

Un beneficio inesperado del IaC apareció cuando los exchanges empezaron a bloquear el acceso desde ciertas regiones de AWS por regulaciones geográficas (las IPs de origen eran identificadas). Cambiar de región fue modificar una sola línea en el CloudFormation template y levantar todo en otro lugar. Eso no es posible si la infraestructura está seteada a mano.

Fase 2 — El pipeline de ML

Con la base sólida, construimos el pipeline completo en SageMaker: desde la ingesta de OHLC desde exchanges, un muy fuerte proceso de feature engineering previo al entrenamiento y despliegue del modelo, con disponibilidad en tiempo real. Además, diseñamos una librería custom que CTF opera y es dueño al 100%, para eliminar de raíz la dependencia de terceros.

El sistema opera en dos modos simultáneos: batch (agregaciones de datos diarios almacenadas en Delta Lake) y real-time (predicciones streaming que alimentan al bot de trading en vivo y a los dashboards de BI que usan los traders para sus decisiones).

El centro de notificaciones

A medida que el sistema creció, monitorear desde la consola de AWS dejó de ser viable. Construimos un Automated Notification Center: EventBridge monitorea el estado de los jobs de SageMaker y, según el resultado, loguea métricas clave en una tabla de Notion (jobs exitosos) o alerta en Slack (errores). Los mismos canales de Slack que empezaron como herramienta de seguimiento del proyecto se convirtieron en el sistema de alertas de producción.

Lo que pudieron hacer

8x más rápido en desarrollo e implementación de modelos, con backtesting con métricas de producción reales. La plataforma corre de forma autónoma: el monitoreo detecta degradación, dispara re-entrenamiento, y alerta por Slack.

Y algo que no estaba en el plan original: la infraestructura que construimos fue parte de lo que hizo a CTF adquirible por un venture capital años después.

Por qué se quedaron

Con 28 meses de servicio, no hubo un contrato largo: fueron múltiples scopes que se fueron sumando, construyendo confianza con cada paso a la vez. Lo que empezó como ingeniería de ML pura se expandió a monitoreo, observabilidad y nuevas fuentes de datos. El equipo de CTF aprendió cloud e infraestructura, y empezó a deployar sus propios desarrollos de forma autónoma. Y nosotros aprendimos (y mucho) sobre el ecosistema crypto y sus problemas específicos.

Así es cuando el engagement es real: los dos equipos terminan más fuertes de lo que empezaron.