· four exchange APIs · rebuilt daily
En los seis activos monitoreados, los spreads del funding rate entre venues alcanzan hasta un 0.0140% por ventana de 8 horas en SOL, lo que genera una divergencia de costo diario del 0.0420% que los modelos de lenguaje no logran calcular de manera fiable.
Los modelos de lenguaje ejecutan la transformación del lenguaje natural mediante la predicción autorregresiva de secuencias. Cuando se aplican al análisis ai onchain, la predicción de tokens funciona bien en tareas de texto no estructurado: parsear el código fuente de smart contracts, extraer cambios de parámetros en propuestas de gobernanza y anotar registros de eventos de transacciones. El modelo mapea relaciones semánticas a lo largo de secuencias de texto sin requerir cálculos deterministas.
El cálculo del margen y del tamaño de la posición (position sizing) requiere operaciones precisas de coma flotante. Los modelos de lenguaje no realizan operaciones aritméticas de forma nativa; predicen el siguiente token numérico más probable basándose en patrones de distribución del entrenamiento. Al evaluar los costos de los venues de futuros perpetual, pequeños errores de redondeo en los cálculos de fees generan umbrales de liquidación y estimaciones de costos de mantenimiento incorrectos.
En las integraciones de flujos de trabajo onchain, los modelos de lenguaje tienen éxito al procesar artefactos no numéricos de protocolos:
En estos dominios, la inexactitud semántica tiene un impacto operativo bajo y los outputs de los tokens coinciden con la lógica subyacente.
Cuando los inputs de los prompts cambian hacia las tarifas de ejecución de los venues, los modelos de lenguaje introducen alucinaciones estadísticas en los cálculos de margen. La siguiente tabla detalla las tasas de funding en vivo de 8 horas en cuatro venues junto con el volumen total de 24 horas.
| Asset | Daily Volume | OKX 8h Rate | Bybit 8h Rate | MEXC 8h Rate | Bitget 8h Rate | Spread |
|---|---|---|---|---|---|---|
| ETH | $9,084,303,150 | +0.0031% | +0.0087% | +0.0058% | +0.0100% | 0.0069% |
| BTC | $5,954,620,276 | +0.0079% | +0.0090% | +0.0100% | +0.0100% | 0.0021% |
| SOL | $1,610,852,897 | -0.0081% | -0.0056% | -0.0026% | +0.0059% | 0.0140% |
| ZEC | $778,635,403 | +0.0092% | +0.0100% | +0.0011% | +0.0100% | 0.0089% |
| SNDK | $617,910,167 | +0.0174% | +0.0163% | N/A | +0.0260% | 0.0097% |
| XRP | $521,095,349 | +0.0008% | -0.0058% | +0.0039% | +0.0047% | 0.0105% |
Los cálculos del costo de mantenimiento requieren vincular estas tasas con las estructuras de fees de maker y taker del exchange.
| Venue | Spot Maker | Spot Taker | Futures Maker | Futures Taker |
|---|---|---|---|---|
| Bitget | 0.1000% | 0.1000% | 0.0200% | 0.0300% |
| Bybit | 0.1000% | 0.1000% | 0.0200% | 0.0550% |
| MEXC | 0.0000% | 0.0500% | 0.0000% | 0.0200% |
| OKX | 0.0800% | 0.1000% | 0.0200% | 0.0500% |
Consideremos una posición long de $100,000 en SOL mantenida durante 24 horas en OKX y Bitget utilizando órdenes de mercado taker para abrir y cerrar.
En OKX:
En Bitget:
La diferencia de costo diario entre estos dos venues para exactamente el mismo tamaño de posición es de $2.00 tras contabilizar los fees de entrada y salida.
Los modelos de lenguaje a los que se les solicita seleccionar el venue para este trade frecuentemente no logran calcular los créditos del funding negativo frente a los diferenciales de fees de entrada. Un LLM lee el fee de futures taker más bajo de Bitget (0.0300% en comparación con 0.0500%) y lo identifica como el más barato, obviando que la tasa de funding negativa de OKX (-0.0081% cada 8h) genera $24.30 en créditos durante 24 horas, lo que hace que OKX sea más barato en términos netos de fees.
Confiar en modelos de lenguaje para cálculos de riesgo crea una exposición directa a eventos de liquidación. Un error del 0.01% en el cálculo del precio de entrada efectivo altera la distancia de liquidación calculada. Con un leverage de 20x, un movimiento del 4.50% te liquida. Si una capa de ejecución impulsada por un LLM malinterpreta los métodos de deducción de fees del venue o calcula mal el arrastre del funding acumulado, el margen de seguridad de liquidación calculado se reduce sin previo aviso.
Los modelos de lenguaje manejan el procesamiento de texto, la extracción de documentación de protocolos y la clasificación de etiquetas de contratos. El tamaño de la posición (position sizing), la verificación del margen y el arbitraje de funding requieren la ejecución de código determinista.
Get 20% fee rebate on Bitget →20% of your trading fees back, on every product. The rebate comes out of the commission I would otherwise receive, so it costs you nothing. Affiliate link — see the footer.