Numerai는 블록체인 기반 크라우드소싱 AI 퀀트 헤지펀드 플랫폼입니다. 데이터 과학자는 암호화된 금융 데이터를 예측하기 위해 기계 학습 모델을 훈련하여 글로벌 주식 시장 예측 경쟁에 참여합니다. 기여된 모델은 실제 헤지펀드의 거래 결정을 내리는 데 사용되는 NMR(Numeraire) 토큰 모기지 메커니즘을 통해 메타 모델(메타 모델)로 집계됩니다. 이 플랫폼은 2015년 Richard Craib에 의해 설립되었으며 Union Square Ventures, Paul Tudor Jones, Renaissance Technologies 공동 창립자 Howard Morgan 등으로부터 투자를 받았습니다. 2025년에 Series C 파이낸싱에서 3천만 달러, 가치 평가 5억 달러를 완료할 예정입니다.

numerai

핵심 매개변수 및 통계

Numerai는 데이터 과학 대회와 퀀트 헤지 펀드를 결합한 독특한 플랫폼입니다. 암호화되고 난독화된 고품질 금융 데이터 세트를 전 세계 데이터 과학자에게 무료로 제공합니다. 참가자는 암호화된 주식 수익률 지표를 예측하기 위해 기계 학습 모델을 훈련합니다. 제출된 예측은 NMR(Numeraire) 토큰 모기지 메커니즘을 통해 메타 모델(Meta Model)로 집계되며, 이는 궁극적으로 Numerai 헤지 펀드에서 실제 시장 거래에 사용됩니다.

프로젝트	공공정보
공식 포지셔닝	크라우드소싱 AI 정량 헤지펀드 및 데이터 과학 경쟁 플랫폼
설립자 및 설립일자	리처드 크레이브, 2015년 10월
본사	미국 샌프란시스코
핵심 메커니즘	글로벌 데이터 사이언티스트 대회 → 메타모델 집합 → 헤지펀드 트레이딩
최신 데이터 세트	V5.2 Faith2 (2025-12, 186 새로운 기능)
총 NMR 지불금	$24,400,000+ (데이터 과학자 누적 수입)
스테이크 모델 수	4,500+
자금관리 규모	~$550M(2025-11), 2024년 순수익률 25.45%
투자자	Union Square Ventures, Paul Tudor Jones, Howard Morgan(르네상스 기술)
GitHub 스타/포크	1,200+ / 310 (예제 스크립트 저장소)
사용 가능한 플랫폼	웹, API, Python/numerapi 라이브러리

데이터 특징: Numerai가 제공하는 데이터는 "구조 보존 암호화"를 거쳤습니다. 기능은 익명화되지만 통계적 상관관계는 유지됩니다. 데이터 과학자는 재정적 배경 없이도 모델링할 수 있습니다. 각 데이터는 특정 시점(시대)의 특정 주식에 해당하며 정량적 속성의 암호화된 값을 특징으로 하며 목표는 향후 20거래일 동안의 추상 수익률 측정입니다.

메타모델 집계 논리: NMR 담보 예측만 메타모델에 포함됩니다. 스테이킹 메커니즘은 참가자가 고품질 예측을 제출할 경제적 인센티브를 갖도록 보장합니다. 좋은 성능에 대해서는 NMR이 보상되고 성능이 좋지 않으면 NMR이 소각됩니다. 이러한 "스킨 인 더 게임(skin in the game)" 설계를 통해 헤지펀드는 익명의 제3자가 보내는 예측 신호를 신뢰할 수 있습니다.

사용자 및 시장 인지도

Numerai의 시장 인지도는 기관 투자자, 최고의 금융 기관 및 글로벌 데이터 과학자 커뮤니티의 세 가지 차원에 반영됩니다.

기관 투자: 2025년 11월 시리즈 C 파이낸싱에서 3천만 달러를 완료했으며, 평가액은 5억 달러로 2023년 평가액보다 5배 증가했습니다. Union Square Ventures, Shine Capital, Paul Tudor Jones 등이 참여한 최고의 대학 기부금이 주도했습니다. 2025년 8월 JPMorgan Asset Management는 Numerai에 자금을 투자하여 5억 달러 규모의 인수를 진행했습니다. 이는 전통적인 최고 금융 기관이 AI 기반 양적 전략에 투자한 최대 금액 중 하나였습니다.

펀드 성과: 2024년은 Numerai 사상 최고의 해였습니다. Global Equity Market Neutral 헤지 펀드는 25.45%의 순 수익률, 2.75의 샤프 비율, 단 한 달 동안 적자를 기록했습니다. AUM은 지난 3년 동안 약 6천만 달러에서 5억 5천만 달러로 증가했습니다. 2022년 일반적인 암호화폐 시장이 90% 이상 하락한 상황에서도 Numerai는 여전히 20%의 긍정적인 수익을 달성하고 투자자에게 수익을 반환했습니다.

데이터 과학자 커뮤니티: 이 플랫폼에는 4,500개 이상의 스테이크 모델이 있으며 데이터 과학자에게 2,440만 달러 이상을 지불했습니다. GitHub의 example-scripts 저장소에는 1,200개 이상의 별과 310개의 포크가 있으며 Discord 커뮤니티가 활성화되어 있으며 NumerCon이 매년 개최됩니다.

비용 이점

Numerai의 비용 구조는 C 측 데이터 과학자, API 개발자 및 기관 투자자의 세 가지 수준에서 완전히 다른 특성을 나타냅니다.

C 측/데이터 과학자: 참가는 완전 무료입니다. 누구나 계정을 등록하고 암호화된 데이터 세트를 무료로 다운로드할 수 있으며, Python 또는 R을 사용하여 모델을 교육하고 예측을 제출할 수 있습니다. NMR을 스테이킹하지 않고도 리더보드에 참여하고 성과 등급을 획득할 수 있습니다. 참가자가 경제적 인센티브를 얻기 위해 NMR(자체 구매 토큰 필요)을 스테이킹하기로 선택한 경우에만 실제 자금 조달 위험에 직면하게 됩니다. 모델 성능이 좋지 않으면 NMR이 소진됩니다. 단지 경험하고 배우기만 원하는 사용자의 경우 비용이 전혀 들지 않는 한계점은 극히 낮습니다.

API/개발자: Numerai는 자동화된 데이터 다운로드, 예측 업로드 및 모델 관리를 위한 Python 라이브러리(numerapi) 및 REST API를 제공합니다. 관계자는 또한 AI 에이전트가 자연어 지침을 사용하여 모델링부터 제출까지 전체 프로세스를 완료하는 등 플랫폼과 직접 상호 작용할 수 있도록 하는 MCP(모델 컨텍스트 프로토콜) 인터페이스도 제공합니다. 이러한 API 인터페이스는 호출 횟수에 제한 없이 무료로 사용할 수 있으며 공정 사용 정책만 적용됩니다.

기관 투자자: 펀드 수준은 공인 투자자에게 열려 있습니다. 투자 기준액과 수수료 구조는 공개되지 않으며[email protected]에 문의하여 확인해야 합니다. JPMorgan이 2025년에 받은 5억 달러 규모는 기관 차원에서 자금에 대한 수요가 높다는 것을 의미하지만 개인 투자자의 경우 직접 투자 자금의 기준이 더 높습니다.

숨겨진 비용: 참가자가 직면하는 주요 비용은 시간입니다. 데이터 과학 대회에는 기능 엔지니어링, 모델 조정 및 지속적인 반복에 많은 노력이 필요합니다. 또한 NMR 토큰 자체의 시가총액 변동으로 인해 실제 손익의 불확실성이 증폭될 수 있습니다.

주요 기능

• 데이터 과학 경쟁 플랫폼: 암호화된 금융 데이터 세트(훈련/검증/실시간 3개 세트)를 제공하는 핵심 기능, 데이터 과학자는 모델을 훈련하여 목표 변수를 예측하고 예측 파일을 제출하여 리더보드 순위에 참여합니다. 대회는 매주 화요일부터 토요일까지 새로운 라이브 데이터를 공개합니다.

• NMR 스테이킹 및 인센티브 메커니즘: 참가자는 자신의 모델에 NMR 토큰을 스테이킹할 수 있습니다. 각 스테이킹 라운드는 약 20거래일 동안 지속됩니다(즉, 하나의 점수 주기). 긍정적인 성능을 가진 모델은 NMR 보상을 받는 반면, 부정적인 성능을 가진 모델은 NMR의 일부를 소각합니다. 이 디자인은 메타모델이 고품질 예측만 집계하도록 보장합니다.

• 메타 모델: Numerai의 핵심 자산입니다. 모든 약속된 예측은 가중치에 따라 메타 모델로 결합되어 헤지 펀드의 거래 시스템에 직접 입력됩니다. 메타 모델 가중치는 신경망의 가중치 최적화 프로세스와 유사하게 각 모델의 점수(CORR 및 MMC)에 따라 동적으로 조정됩니다.

• Numerai Signals: 데이터 과학자가 (Numerai에서 제공하는 암호화된 데이터가 아닌) 자신의 개인 데이터를 사용하여 주식 예측 신호를 구축할 수 있도록 하는 독립적인 경쟁 플랫폼입니다. 이미 자신만의 데이터 소스와 전문적인 금융 지식을 갖고 있는 참가자에게 적합합니다.

• 암호화 토너먼트: 실제 거래가 아닌 엔터테인먼트와 교육을 위해 설계된 암호화폐 시장을 위한 독립적인 경쟁입니다.

• AI 과학자/MCP 에이전트 통합: 2025~2026년에 출시된 새로운 기능으로, 데이터 과학자는 MCP 프로토콜을 사용하여 AI 에이전트(예: Codex, Claude, Cursor)가 모델링 프로세스에 직접 참여할 수 있도록 할 수 있습니다. 데이터 다운로드, 기능 분석, 모델 구성부터 예측 제출까지 모두 자연어 지침을 통해 완료됩니다.

• Numerai 현상금: 커뮤니티 현상금 메커니즘인 Numerai는 특정 연구 방향이나 모델링 과제를 공개하고 참가자는 이를 완료하면 NMR 보상을 받을 수 있습니다.

모델 및 버전의 진화

Numerai의 "버전" 시스템은 주로 데이터 세트 버전의 반복과 플랫폼 기능의 획기적인 발전에 반영됩니다.

데이터세트 버전

데이터 세트는 V 시리즈에서 반복적으로 발전하는 Numerai 대회의 핵심 자산입니다.

• V5.2 Faith2(2025-12): 186개의 새로운 기능을 도입하고 2개의 새로운 목표 변수인 Ender와 Jasper를 추가한 최신 버전입니다(각각 20일과 60일의 두 개의 기간 포함). 모든 데이터는 int8 형식을 사용하여 저장 공간을 압축하고 로딩 속도를 높입니다.
• V5.1(~2025-06): 중간 증분 업데이트, 기능 세트 미세 조정 및 최적화.
• V5.0(~2025-01): V5 시리즈의 첫 번째 버전인 기능 아키텍처가 대폭 업데이트되어 후속 확장을 위한 기반을 마련했습니다.
• V4.2(~2024-06): 다양한 기능과 대상 조정이 포함된 V4 시리즈의 최종 버전입니다.

각 데이터 버전이 출시된 후 이전 버전에 대한 지원이 점차 중단되며 참가자는 경쟁력을 유지하기 위해 최신 버전으로 마이그레이션해야 합니다.

플랫폼 기능 이정표

• 2015-10: Numerai는 공식적으로 설립되었으며 시드 라운드 파이낸싱으로 150만 달러를 받았습니다(FT 보고서).
• 2016-12: 크라우드펀딩 헤지펀드 개념이 머신러닝 전문가에게 공식적으로 공개되었습니다(TechCrunch 보고서).
• 2017-02: 데이터 과학 경쟁 인센티브에 블록체인을 도입하기 위해 NMR 토큰 백서를 발행했습니다(Wired 보고서).
• 2022년: AUM은 0에서 ~6천만 달러로 증가하여 시장 역풍 속에서도 플러스 수익을 유지합니다.
• 2023년: 약 1억 달러 규모의 파이낸싱 라운드.
• 2024년: 펀드는 순수익률 25.45%, Sharpe 2.75, 빠른 AUM 성장을 달성했습니다.
• 2025-08: JPMorgan은 랜드마크 기관 인증인 5억 달러 규모의 투자 및 확보를 진행합니다.
• 2025-11: 시리즈 C 파이낸싱 3천만 달러, 가치 5억 달러, AUM 5억 5천만 달러 도달.
• 2025-12: V5.2 Faith2 데이터 세트 출시.
• 2026-02: NumerCon 2026 컨퍼런스 개최.
• 2026-07: Atomic Blockchain Stake 기능을 홍보하기 위해 세 번째 전략적 NMR 환매를 시작했습니다.

기술적인 장점

Numerai의 기술 아키텍처는 "데이터 개인 정보를 보호하면서 신뢰할 수 없는 제3자의 예측 신호를 집계하는 방법"이라는 핵심 과제를 중심으로 설계되었습니다.

구조 보존 암호화: Numerai는 특성 값이 통계적 관련성(예: 순서, 분포 형태)을 유지하지만 원래 주식 식별 또는 특정 재무 지표로 복원할 수 없도록 원래 금융 데이터에 암호화 변환을 적용합니다. 이는 (1) 데이터 유출에 대한 두려움 없이 누구에게나 자유롭게 데이터를 배포할 수 있고, (2) 모델러는 금융 분야에 대한 지식이 없어도 참여할 수 있으며, (3) 모델은 Numerai 대회에서만 사용할 수 있으며 "스스로 거래"할 수 없음을 의미합니다.

메타 모델 가중치 최적화 메커니즘: Numerai는 단순히 모든 예측의 평균을 취하는 것이 아니라 모기지 기반 동적 가중치 시스템을 통해 작동합니다. 각 모델의 CORR(대상과의 상관 계수) 및 MMC(메타 모델에 대한 한계 기여도)에 따라 다음 라운드의 가중치가 결정됩니다. 성능이 낮은 모델의 가중치는 감소하고 성능이 좋은 모델의 가중치는 증가합니다. 이는 온라인에서 지속적으로 학습되는 대규모 통합 학습 시스템과 유사합니다.

이중 점수 표시기:

• CORR(상관): 예측과 목표 간의 상관 계수로, 모델의 예측 능력을 직접적으로 나타냅니다.
• MMC(Meta Model Contribution): 메타 모델의 전체 성능에 대한 모델의 고유한 기여도를 측정합니다. 모델이 평균 CORR을 가지고 있더라도 다른 모델과 다른 독립적인 신호를 제공한다면 MMC는 높을 수 있습니다. 이는 모델링 전략의 다양성을 장려합니다.

MCP 및 AI 에이전트 통합: Numerai는 양적 경쟁 분야에서 초기에 MCP 프로토콜을 도입했습니다. 데이터 과학자는 "AI를 사용하여 브라우저를 제어한다"는 비유를 사용하여 AI 에이전트가 데이터 수집부터 모델 제출까지 전체 프로세스를 완료하도록 할 수 있습니다. 원클릭 마운팅을 구현하기 위해 공식 install-mcp.sh 스크립트가 제공되어 Claude/Cursor/Codex와 같은 도구를 통해 데이터를 직접 읽고, 코드를 작성하고 예측을 제출할 수 있습니다.

사용방법

Numerai의 사용 경로는 임계값이 없는 무료 등록부터 고급 MCP 에이전트 통합까지 다양하며 다양한 기술적 깊이를 가진 참가자를 포괄합니다.

경로 1: 수동 모델링(초보자에게 적합)

1. numer.ai/signup에 접속하여 계정을 등록하고 API Key를 발급받으세요.
2. 웹페이지나 API를 통해 훈련 데이터 세트(V5.2)를 다운로드합니다.
3. Python 또는 R을 사용하여 ML 모델을 교육합니다(공식적으로 XGBoost, LightGBM 샘플 스크립트 제공).
4. 예측 파일을 생성하고 플랫폼에 업로드합니다.
5. 리더보드에서 CORR 및 MMC 등급을 확인하세요.

경로 2: 자동화된 API 호출(숙련된 개발자에게 적합)

``파이썬 numerapi에서 NumerAPI 가져오기 팬더를 PD로 가져오기 xgboost에서 XGBRegressor 가져오기

API 초기화

napi = NumerAPI("", "")

데이터 다운로드

버전 = "v5.2" napi.download_dataset(f"{VERSION}/train.parquet") napi.download_dataset(f"{VERSION}/live.parquet")

기차모델

training_data = pd.read_parquet("train.parquet") 기능 = [f에 "기능"이 있는 경우 training_data.columns의 f에 대한 f] 모델 = XGBRegressor(max_length=5, learning_rate=0.01, n_estimators=2000) model.fit(training_data[features], training_data["목표"])

예측 생성 및 업로드

live_data = pd.read_parquet("live.parquet") 예측 = model.predict(live_data[features]) 제출 = pd.Series(예측, index=live_data.index).to_frame("예측") submit.to_csv("submission.csv") napi.upload_predictions("submission.csv", model_id="your-model-id")

**경로 3: MCP 에이전트 모드(AI 기본 워크플로용)**

``배쉬
자식 클론 [email protected]:numerai/example-scripts.git
CD 예제 스크립트
컬 -sL https://numer.ai/install-codex-mcp.sh | 강타
codex exec --yolo "타겟 엔더를 예측하기 위한 최고의 신경망 아키텍처를 찾습니다"

이 모드에서 AI 에이전트는 데이터 탐색, 모델 아키텍처 검색, 훈련 및 제출의 전체 프로세스를 자동으로 완료하며, 데이터 과학자는 대상을 자연어로 설명하기만 하면 됩니다.

경로 4: 숫자 신호(자체 데이터 사용)

참가자가 자신의 주식 시장 데이터나 대체 데이터 소스를 가지고 있는 경우 NMR 스테이킹 메커니즘도 지원하는 signals.numer.ai 플랫폼을 통해 자신의 데이터를 기반으로 예측 신호를 제출할 수 있습니다.

경로 5: 모델 마켓플레이스

커뮤니티가 개발한 모델은 커뮤니티 마켓을 통해 구매 및 판매가 가능합니다. 참가자는 다른 사람의 모델을 직접 저당잡을 수는 없지만 벤치마크 모델을 기준 참조로 다운로드할 수 있습니다.

입구	목적	무료/유료
숫자.ai	주요 경쟁 플랫폼, 등록, 데이터 다운로드, 예측 업로드	무료
신호.숫자.ai	자체 데이터 신호 경쟁	무료
crypto.numer.ai	암호화폐 대회(오락/교육)	무료
docs.numer.ai	전체 문서화: 데이터, 모델링, 채점, 스테이킹	무료
github.com/numerai/example-scripts	예제 스크립트 및 노트북	무료(MIT)
forum.numer.ai	커뮤니티 포럼	무료
discord.gg/numerai	Discord 커뮤니티 지원	무료

제품 가격

Numerai의 가격 책정 모델은 기존 SaaS와 완전히 다릅니다. 플랫폼 자체는 모든 참가자에게 무료이며 헤지 펀드 관리 수수료 및 NMR 토큰 경제를 통해 수익 창출이 달성됩니다.

데이터 과학자 포털: 모두 무료입니다. 등록, 데이터 다운로드, 모델 제출, 순위 목록 보기, 커뮤니티 액세스에는 비용이 부과되지 않습니다. NMR 스테이킹을 위해서는 참가자가 NMR 토큰(Coinbase와 같은 거래소에서 구매 가능)을 직접 구매해야 하지만 스테이킹은 선택 사항입니다. 스테이킹 없이도 대회에 참가하고 등급을 받을 수 있습니다.

NMR 토큰 경제: NMR은 투자 상품이 아닌 플랫폼의 핵심 인센티브 도구입니다. 참가자는 NMR을 걸고 → 모델 성능이 좋으면 NMR 보상을 얻습니다. → 모델 성능이 나쁘면 NMR이 파괴됩니다. Numerai는 NMR이 "암호화폐가 아니다", "투자 상품이 아니다", "소유권이나 통제권을 구성하지 않는다"고 공식적으로 밝혔습니다. NMR은 거래소에서 거래될 수 있지만 그 가치에 대한 공식적인 보증은 없습니다. 2026년 7월 현재 Numerai는 커뮤니티와의 인센티브 조정을 심화하기 위해 세 가지 전략적 NMR 환매를 실시했습니다.

기관 투자자: 헤지펀드는 자격을 갖춘 투자자에게 열려 있습니다. 구체적인 요율(관리비/성과보상)은 공개되지 않습니다. [email protected]로 문의해 주세요. JPMorgan이 인수한 5억 달러의 용량은 기관 수준 가격이 "용량 할당 + 성과 수수료" 구조에 의해 지배된다는 것을 의미합니다.

애플리케이션 시나리오

• 정량적 전략 R&D 검증: 정량적 연구원과 기계 학습 엔지니어는 Numerai의 고품질 재무 데이터 세트를 사용하여 데이터 정리 및 라벨 생성 문제를 직접 해결하지 않고도 새로운 예측 모델과 기능 엔지니어링 아이디어를 신속하게 검증할 수 있습니다. 데이터는 전문적으로 정리되고 정규화되었으며 모델링할 준비가 되었습니다. 수용 문제: 검증 세트 및 MMC의 고유성에 대한 모델의 CORR 안정성.

• 머신러닝 대회 및 기술 향상: 실용적인 ML 역량을 향상하려는 데이터 과학자를 위해 Numerai는 실제 정량 거래 시나리오에 가깝고 금융 지식 기준이 없는 경쟁 환경을 제공합니다. 2주마다 새로운 데이터가 공개되어 지속적으로 반복되는 학습 주기를 형성합니다. 수용 초점: 참가자는 단일 높은 점수보다는 다양한 시대 간 모델의 성능 안정성에 초점을 맞춰야 합니다.

• AI 에이전트 및 MCP 실험 사이트: Numerai의 MCP 인터페이스와 AI 과학자 기능은 AI 에이전트 프로그래밍 및 데이터 분석 기능을 테스트하기 위한 이상적인 시나리오를 만듭니다. 개발자는 자연어 지침을 사용하여 AI가 전체 모델링 프로세스를 완료하고 현재 최첨단 모델의 자동화된 데이터 과학 기능을 평가하도록 할 수 있습니다. 수락 초점: AI 에이전트가 기능 분석, 모델 선택, 매개변수 조정 및 제출을 독립적으로 완료할 수 있는지 여부에 따라 다릅니다.

• 대체 데이터 신호 수익화(신호): 고유한 데이터 소스(위성 이미지, 공급망 데이터, 소비자 행동 데이터 등)를 보유한 팀은 Numerai Signals를 통해 대체 데이터를 예측 신호로 변환하고 자체 거래 실행 시스템을 구축하지 않고도 NMR 모기지 메커니즘을 통해 경제적 수익을 얻을 수 있습니다. 수용 문제: 신호의 품질 점수 및 다른 모델과의 MMC 상관 관계.

• 기관적 정량적 배분: 대규모 자산 관리자를 위해 Numerai의 메타 모델은 기존 퀀트 전략과 상관관계가 낮은 대체 알파 소스를 제공합니다. JPMorgan의 5억 달러 용량 할당은 기관 수준에서 할당의 가치를 입증했습니다. 수용 초점: 펀드의 과거 위험-수익 특성과 기관 자체 포트폴리오 간의 상관관계.

해당자

• 데이터 과학 및 ML 실무자: 실제 재정적 수익을 위해 금융에 기계 학습 기술을 적용하려는 데이터 과학자입니다. Numerai는 Kaggle 경쟁에서 정량적 방향으로의 전이 학습에 적합한 제로 임계값 진입 경로와 지속적인 데이터 흐름을 제공합니다. 적합하지 않음: 프로그래밍 배경이 없고 ​​Python/R 및 기본 ML 개념에 익숙하지 않은 사용자입니다.

• 정량론자 및 헤지 펀드: 외부 알파 소스를 찾거나 기존 전략과 낮은 상관관계를 개발하려는 정량적 팀. Numerai의 메타모델은 기존 투자 조사 프로세스에 대한 보완적인 신호 소스 역할을 할 수 있습니다. 적합하지 않음: 데이터 소스 및 거래 실행 프로세스에 대한 완전한 통제가 필요한 기관에서는 Numerai의 암호화된 데이터를 자체 거래에 사용할 수 없습니다.

• AI 에이전트 개발자 및 연구원: 자동화된 데이터 과학에서 AI 에이전트 기능의 경계에 초점을 맞춘 개발자입니다. Numerai의 MCP 인터페이스는 엔드투엔드 테스트 환경을 제공합니다. 적절하지 않음: 데이터 개인 정보 보호 및 보안 요구 사항이 매우 높아 제3자 LLM에 데이터를 보낼 수 없는 상황입니다.

• 암호화폐 및 블록체인 탐색기: NMR 토큰의 경제적 설계와 기계 학습에 블록체인을 적용하는 데 관심이 있는 연구자입니다. Numerai의 Atomic Blockchain Stake 및 토큰 소각 메커니즘은 독특한 사례 연구입니다. 적합하지 않음: NMR을 순전히 투자/투기 도구로 보는 거래자 - NMR은 투자가 아니라고 공식적으로 명시되어 있습니다.

• 학술 연구 및 교육 기관: Numerai의 데이터 세트는 양적 금융, 기계 학습 교육 및 학술 연구에 사용될 수 있으며 플랫폼은 대학 배지 프로젝트도 시작했습니다. 적합하지 않음: 암호화되지 않은 원시 금융 데이터가 필요한 시나리오를 조사합니다.

요약 및 전망

Numerai의 핵심 경쟁력은 "데이터 과학자가 모델을 생성하고, 헤지 펀드가 자본을 생성하고, 블록체인이 신뢰를 생성하는" 3자 플라이휠을 만들었다는 사실에 있습니다. 무료로 암호화된 데이터는 참여 문턱을 낮추고 → 많은 모델 기여로 메타 모델의 품질을 향상시킵니다. → 펀드 성과는 더 많은 기관 자본을 유치합니다. → 더 높은 수익은 더 많은 데이터 과학자를 유치합니다. 2024년 순수익률 25.45%와 JPMorgan의 5억 달러 수용 능력 승인은 이 플라이휠이 기관 수준에서 실현 가능하다는 것이 입증되었음을 입증합니다.

현재 제한 사항은 주로 다음과 같습니다. (1) 펀드는 자격을 갖춘 투자자에게만 공개되며 개인 투자자는 직접 참여할 수 없습니다. (2) NMR 토큰의 시장 가치 변동은 참가자의 실제 인센티브 효과를 증폭시킵니다. (3) 암호화된 데이터는 금융 지식의 한계를 낮추지만 모델을 다른 시나리오에서 재사용할 수 없어 "데이터 잠금" 효과를 형성한다는 의미이기도 합니다. (4) 플랫폼 문서의 일부 내용은 아직 기술적인 지식이 없는 사용자가 이해하기 어렵습니다.

조달/채택 위험 평가: 개별 데이터 과학자에게 Numerai는 비용이 거의 들지 않는 기술 향상이자 잠재적 수입원입니다. 주요 투자는 돈보다는 시간이며, 위험은 통제 가능합니다. 기관 투자자의 경우 펀드의 과거 위험 및 수익 데이터(2024년 성과가 미래를 나타내지 않음), 자체 포트폴리오와의 상관관계, JP모건 용량 계약의 구체적인 조건을 검증하는 데 집중해야 합니다. 대규모 자본을 투자하기 전에 소규모 파일럿을 수행하여 메타모델 신호의 안정성과 기존 전략과의 보완성을 확인하고 법률 및 규정 준수 자문가의 도움을 받아 펀드 문서를 검토하는 것이 좋습니다. 원자 스테이킹 MCP 에이전트 통합 및 대학 협력 프로젝트를 포함한 Numerai의 개발 방향은 단일 경쟁 플랫폼에서 "AI 정량화 운영 시스템"으로 진화하고 있음을 보여주며 데이터 세트 확장, 기관 협력 진행 및 NMR 토큰 경제 모델의 성숙도로 지속적인 관심을 받을 가치가 있습니다.

관련 도구: 포옹하는 얼굴, replicate

버전 정보

• Numerai 데이터세트 V5.2(Faith2) ：186개의 새로운 기능과 두 개의 새로운 대상(각각 20D 및 60D 변형이 있는 Ender 및 Jasper)을 도입하는 Faith2 데이터 세트 업데이트, 모든 파일은 int8 형식으로만 사용할 수 있습니다. 공식적인 정확한 날짜는 아직 없으며 개월 단위로 측정됩니다. （2025-12）
• Numerai 데이터세트 V5.1 ：V5 시리즈의 중간 버전에는 기능 세트에 대한 점진적 업데이트 및 최적화가 포함되어 있습니다. 아직 공식적인 정확한 날짜는 없습니다. （~2025-06）
• Numerai 데이터세트 V5.0 ：V5 시리즈의 첫 번째 버전은 전체 데이터 아키텍처를 크게 업데이트하고 새로운 기능 시스템을 도입했습니다. 아직 공식적인 정확한 날짜는 없습니다. （~2025-01）
• Numerai 데이터세트 V4.2 ：다양한 기능 및 대상 조정을 포함하여 V4 시리즈에 대한 최종 업데이트입니다. 아직 공식적인 정확한 날짜는 없습니다. （~2024-06）