Catálogo de motores¶

Qué vas a aprender¶

Qué motores forman FinazTradingEngine: no solo los dos de backtesting, sino toda la familia de modelado, riesgo, optimización, datos y API de la plataforma.
Para cada motor: qué hace, cuándo usarlo, qué contrato consume y produce, en qué imagen corre, qué gate lo certifica y qué límites están declarados hoy.
Cómo elegir el motor adecuado para una pregunta concreta.

Qué llamamos «motor»

En este manual, un motor es cualquier componente que transforma un contrato de entrada en un contrato de salida con reglas verificables: un backtester, un modelo estadístico, un optimizador o un almacén con semántica propia (PIT, CAS, fencing). Todos comparten tres reglas: son causales (no usan información que no estaba disponible), son reproducibles (mismos datos y spec → mismo hash) y ninguno se anuncia como disponible sin su gate en verde.

Fuentes de este capítulo: docs/v2/MOTORES.md (fichas AG-001…AG-030), docs/v2/GATES.md (estado y limitaciones declaradas), environments/*/pyproject.toml (versiones) y deployment/v2/README.md (imágenes y perfiles). Estado a 2026-09-22 (hito 4).

El catálogo de un vistazo¶

#	Motor	Familia	Entrada → salida	Imagen	Gate
1	NautilusTrader 1.231.0	Banco de backtesting (oráculo)	Barras + política → fills, equity	`finaz/bench:0.2.0-x86-64-v3`	H0–H4, G0-B
2	VectorTA 0.2.8	Banco de backtesting / features	Series OHLCV → indicadores	`finaz/bench:0.2.0-x86-64-v3`	H0–H4, G0-B
3	Ledger SIM-S	Banco de backtesting (contabilidad)	Objetivos → fills en enteros, costes, equity	`finaz/bench:0.2.0-x86-64-v3`	H0–H4
4	ClockEngine + FlowSpec	Runtime causal	ClockSpec / FlowSpec → CompiledPlan	`core`, `api`	G1–G2
5	Runtime batch/replay/stream	Runtime causal	CompiledPlan + snapshot/log → ResultRef	`core`, `io`	G1–G3 (S5 pendiente)
6	Labels y registro de entrenamiento	Entrenamiento	TargetSpec / TrainingSpec → labels, splits, ModelRef	`quant`	G4
7	Ridge exacto	Tabular	Matriz de features → ForecastDistribution	`quant`	G4
8	CatBoost	Tabular (challenger)	Matriz de features → ForecastDistribution	`quant`	G4
9	ARIMA / ETS (statsmodels)	Estadística	Serie → previsión + intervalos	`quant`	G4
10	GARCH (arch)	Estadística (volatilidad)	Rendimientos → banda de volatilidad	`quant`	G4
11	AutoARIMA (statsforecast)	Estadística	Serie → previsión + intervalos	`quant`	G4
12	RiskEngine (Ledoit-Wolf, VaR/ES)	Riesgo	Rendimientos + AlphaEstimate → covarianza, VaR/ES	`opt`	G5
13	Allocation ERC / min-var / max-div	Cartera	OptimizationProblem → PortfolioCandidate	`opt`	G5
14	Discreto CP-SAT	Discreto	Pesos → DiscreteCandidate (lotes enteros)	`opt`	G6
15	ConstraintValidator	Riesgo (veto)	Candidate → PortfolioTarget/DiscreteTarget aprobado + ConstraintReport	`opt`	G5–G6
16	NHITS (PyTorch + neuralforecast)	Redes neuronales	Serie + exógenas causales → cuantiles	`neural:s4`	G7
17	Chronos-2	Fundacional	Serie → previsión zero-shot	`chronos`	G8
18	TimesFM 2.5	Fundacional	Serie → previsión puntual + cuantiles	`timesfm25`	G8
19	PostgreSQL	Datos y control	Runs, leases, outbox → publicación transaccional	compartido (`api`, `core`)	G1, S1
20	ClickHouse	Datos	ObservationBatch → revision log PIT	compartido (`io`)	G1, G3
21	Redpanda	Datos	Eventos → log durable (stream, replay)	compartido (`core`, `io`)	G2–G3
22	MinIO / CAS	Datos	Artefactos → dirección sha256 inmutable	compartido (`io`)	G1
23	API de backtesting (`bench-api`, `/v1/...`)	API	HTTP → backtests, paridad, indicadores del banco	`finaz/bench`	H0–H4
24	API de plataforma (`/platform/v1/...`)	API	HTTP (Bearer) → flows, runs, results	`api`	G1, S4

Las imágenes del runtime y de los modelos se llaman finaz-te-<familia> (por ejemplo finaz-te-quant) y cada una lleva solo las dependencias de su rol: la imagen api tiene prohibido importar Torch, CatBoost, Nautilus, VectorTA o solvers; core e io no llevan Torch ni solvers.

¿Qué motor necesito?¶

flowchart TD
    Q["¿Qué pregunta quieres responder?"] --> A{"¿Cómo habría ido<br/>una estrategia?"}
    Q --> B{"¿Qué valor tendrá<br/>una serie?"}
    Q --> C{"¿Cuánto asignar<br/>a cada activo?"}
    Q --> D{"¿Dónde vive / cómo<br/>se publica el dato?"}
    A -->|"reglas de indicador<br/>P01–P20, Q01–Q03"| A1["VectorTA + ledger SIM-S<br/>(rápido, vectorizado)"]
    A -->|"validar con un motor<br/>de eventos"| A2["NautilusTrader<br/>(paridad con VectorTA)"]
    A -->|"flujo contractual<br/>batch/replay/stream"| A3["ClockEngine + FlowSpec<br/>+ runtime causal"]
    B -->|"features tabulares"| B1["Ridge (baseline)<br/>→ CatBoost (challenger)"]
    B -->|"una serie, modelo clásico"| B2["ARIMA/ETS · AutoARIMA"]
    B -->|"volatilidad"| B3["GARCH"]
    B -->|"muchas series,<br/>exógenas causales"| B4["NHITS"]
    B -->|"sin entrenar<br/>(zero-shot)"| B5["Chronos-2 · TimesFM 2.5"]
    C -->|"riesgo de la cartera"| C1["Ledoit-Wolf + VaR/ES"]
    C -->|"pesos continuos"| C2["ERC · min-var · max-div<br/>(cvxpy + Clarabel)"]
    C -->|"lotes enteros"| C3["CP-SAT"]
    C1 --> V["ConstraintValidator<br/>(único que aprueba targets)"]
    C2 --> V
    C3 --> V
    D --> D1["PG (control) · CH (PIT)<br/>Redpanda (log) · MinIO (CAS)"]

Regla práctica

Empieza siempre por el motor más simple que responda a la pregunta y usa el más complejo como challenger: Ridge antes que CatBoost, ARIMA antes que NHITS, un baseline naive estacional antes que un modelo fundacional. Así es como están diseñados los gates G4 y G7.

Familia 1 · Banco de backtesting (oráculo de paridad)¶

El banco de backtesting (hitos H0–H4) es el oráculo de paridad: la referencia contra la que se mide todo lo demás. Se conserva intacto en la imagen finaz/bench:0.2.0-x86-64-v3 y su suite (2752 tests) se reprodujo en el servidor para cerrar G0-B.

1. NautilusTrader¶

Campo	Detalle
Qué hace	Motor de backtesting por eventos (versión 1.231.0): procesa ticks/barras una a una con un reloj simulado, como lo haría en vivo.
Cuándo usarlo	Para validar una estrategia con un motor independiente del vectorizado, y para los carriles `NT_INTENT_REPLAY`, `NT_FEATURES` y `NT_ONLINE`.
Entrada → salida	Barras canónicas + política → intenciones, fills (next-open) y equity.
Imagen / gate	`finaz/bench:0.2.0-x86-64-v3` · hitos H0–H4, baseline G0-B.
Límites hoy	Más lento que VectorTA; no ejecuta directamente los 386 indicadores (solo los que tienen carril). Sin trading en vivo.
Profundizar	Nautilus vs VectorTA, Carriles

2. VectorTA¶

Campo	Detalle
Qué hace	Biblioteca vectorizada de indicadores técnicos (versión 0.2.8, núcleo en Rust): calcula la serie completa de una vez.
Cuándo usarlo	Para calcular features de forma masiva y para el carril `VTA_CPU_LEDGER` (el más rápido).
Entrada → salida	Series OHLCV → series de indicador con su warmup.
Imagen / gate	`finaz/bench:0.2.0-x86-64-v3` (existe una variante con build AVX2) · H0–H4, G0-B.
Límites hoy	386 descubiertos; 375 ejecutables por la API: 33 con fórmula canónica y paridad verificada y 342 por paso directo al motor sin garantías canónicas; 11 no ejecutables con motivo. El paso directo (323 indicadores con VectorTA y 21 con Nautilus; 2 en ambos) devuelve los valores del motor sin paridad y no promueve el nivel de capacidad.
Profundizar	Catálogo de 386, Niveles de capacidad

3. Ledger SIM-S¶

Campo	Detalle
Qué hace	Contabilidad propia del proyecto: convierte objetivos de posición en fills con cantidades enteras, costes y equity. Versión 1 en NumPy; versión 2 acelerada con Numba.
Cuándo usarlo	Siempre que quieras comparar dos motores: al compartir ledger, las diferencias solo pueden venir de features o política.
Entrada → salida	Objetivos (-1/0/+1 o pesos) + precios de apertura → fills, posiciones, equity, métricas.
Imagen / gate	`finaz/bench:0.2.0-x86-64-v3` · H0–H4 (paridad popular con 0 `PARITY_FAIL` en carriles comparables).
Límites hoy	Coste de préstamo de cortos no modelado; 31 templates de estrategia (30 en el catálogo + Q08B), de las que 23 están implementadas (P01–P20, Q01–Q03).
Profundizar	Ledger SIM-S, Paridad

Familia 2 · Runtime causal¶

4. ClockEngine + FlowSpec (registry y compiler)¶

Campo	Detalle
Qué hace	El ClockEngine proyecta los eventos sobre relojes de trading/sesión, volumen o valor con estado serializable. La FlowSpec describe un flujo con operadores de una allowlist; el compiler la valida (tipos, ciclos) y produce un plan por modo.
Cuándo usarlo	Para cualquier cálculo que deba ser idéntico en batch, replay y stream.
Entrada → salida	ClockSpec → proyección temporal; FlowSpec → `CompiledPlan` (batch/replay/stream).
Imagen / gate	`core` (compilación también en `api`) · G1–G2.
Límites hoy	La allowlist tiene 22 operadores: 2 IMPLEMENTED y 20 PROPOSED. El vertical real es snapshot → ClockEngine → EMA canónica → ResultRef.
Profundizar	FlowSpec y Clock

5. Runtime batch, replay y stream (con fencing)¶

Campo	Detalle
Qué hace	Ejecuta el plan compilado en tres modos con paridad 3-modos al golden; checkpoints en CAS con restore compatible; en stream, fencing por lease PG (un solo owner válido, epochs y handoff).
Cuándo usarlo	Batch para históricos, replay para reproducir un log con fallos inyectados, stream para datos en llegada.
Entrada → salida	CompiledPlan + snapshot (batch) o log Redpanda (replay/stream) → `ResultRef` publicado en PG.
Imagen / gate	`core` (worker-batch, worker-stream), `io` (replay) · G1, G2, G3 PASS.
Límites hoy	S5 INCOMPLETO: el daemon `worker-stream` sigue en `finaz-te-core:s3` sin fencing y su emit no es golden; la corrección está en `:s4` y verificada por el drill G3, pendiente de promoción. Deudas del fencing: diario en fichero, `event_id` drenados no persistidos, `leases.adquirir` sin CAS sobre el fence.
Profundizar	Runtime batch, replay y stream, Gates

Familia 3 · Entrenamiento, tabular y estadística (imagen `quant`, G4)¶

6. Labels, splits y registro de entrenamiento¶

Campo	Detalle
Qué hace	Construye labels con madurez y embargo, splits walk-forward cronológicos sin fuga, y registra cada entrenamiento (TrainingSpec/Run → artefactos CAS, `ModelRef`, EvaluationReport, PromotionDecision).
Cuándo usarlo	Antes de entrenar cualquier modelo de las familias 3 y 5: es lo que garantiza que no se evalúa con el futuro.
Entrada → salida	TargetSpec → labels + splits; TrainingSpec → ModelRef y decisión de promoción.
Imagen / gate	`quant` · G4 PASS.
Límites hoy	El gap "PIT real con evidencia de proveedor" sigue abierto: los datos reales usan `known_at` = cierre de barra.
Profundizar	Walk-forward, Modelos G4–G8

7. Ridge exacto¶

Campo	Detalle
Qué hace	Regresión Ridge implementada desde cero con descomposición de Cholesky: solución cerrada, determinista y auditable.
Cuándo usarlo	Como baseline de cualquier problema tabular; si un modelo complejo no le gana, no se promociona.
Entrada → salida	Matriz de features + target → `ForecastDistribution`.
Imagen / gate	`quant` · G4 PASS (job `g4-quant-001`; recupera los pesos conocidos).
Límites hoy	Lineal: no captura interacciones salvo que se construyan como features.
Profundizar	Modelos G4–G8

8. CatBoost¶

Campo	Detalle
Qué hace	Gradient boosting sobre árboles, como challenger del Ridge.
Cuándo usarlo	Cuando se sospechan no linealidades en features tabulares.
Entrada → salida	Matriz de features → `ForecastDistribution`.
Imagen / gate	`quant` · G4 PASS (50 iteraciones en el job S7).
Límites hoy	Va detrás de una puerta: si la dependencia falla, el motor falla; no hay fallback silencioso a otro modelo.
Profundizar	Modelos G4–G8

9. ARIMA / ETS (statsmodels)¶

Campo	Detalle
Qué hace	Modelos clásicos de series temporales: autorregresivos integrados de medias móviles (ARIMA) y suavizado exponencial (ETS).
Cuándo usarlo	Una serie con estructura temporal clara y pocos datos; como referencia interpretable.
Entrada → salida	Serie univariante → previsión + intervalos + diagnósticos citados.
Imagen / gate	`quant` · G4 PASS.
Límites hoy	Intervalos honestos: si el modelo no los justifica, no se inventan.
Profundizar	Modelos G4–G8

10. GARCH (arch)¶

Campo	Detalle
Qué hace	Modela la volatilidad condicional de los rendimientos (librería `arch`).
Cuándo usarlo	Para estimar riesgo que cambia con el tiempo, no el nivel del precio.
Entrada → salida	Rendimientos → banda de volatilidad.
Imagen / gate	`quant` · G4 PASS.
Límites hoy	Una banda de volatilidad no es un intervalo de previsión: el contrato los distingue expresamente.
Profundizar	Modelos G4–G8

11. AutoARIMA (statsforecast)¶

Campo	Detalle
Qué hace	Selección automática de órdenes ARIMA con la librería `statsforecast` (rápida, pensada para muchas series).
Cuándo usarlo	Cuando no quieres fijar a mano el orden ARIMA o tienes muchas series.
Entrada → salida	Serie → previsión + intervalos.
Imagen / gate	`quant` · G4 PASS.
Límites hoy	Mismas reglas de puerta e intervalos honestos que ARIMA/ETS.
Profundizar	Modelos G4–G8

Familia 4 · Riesgo, cartera y discreto (imagen `opt`, G5–G6)¶

flowchart LR
    AE["AlphaEstimate"] --> R["RiskEngine<br/>Ledoit-Wolf, VaR/ES"]
    R --> AL["Allocation<br/>ERC · min-var · max-div"]
    AL -->|"PortfolioCandidate"| DI["Discreto<br/>CP-SAT (subproceso)"]
    AL -->|"PortfolioCandidate"| CV["ConstraintValidator"]
    DI -->|"DiscreteCandidate"| CV
    CV -->|"único productor"| T["PortfolioTarget /<br/>DiscreteTarget aprobado"]

12. RiskEngine: Ledoit-Wolf y VaR/ES históricos¶

Campo	Detalle
Qué hace	Estima la matriz de covarianza con contracción de Ledoit-Wolf (implementación propia) y calcula VaR y Expected Shortfall históricos. Aplica una puerta dura al `AlphaEstimate` de entrada.
Cuándo usarlo	Antes de cualquier asignación: la covarianza muestral es inestable con pocos datos y muchos activos.
Entrada → salida	Rendimientos + AlphaEstimate → covarianza, VaR/ES y quality report.
Imagen / gate	`opt` · G5 PASS (paridad con scikit-learn).
Límites hoy	VaR/ES históricos: dependen de que la ventana contenga episodios de estrés.
Profundizar	Modelos G4–G8

13. Allocation: ERC, mínima varianza y máxima diversificación¶

Campo	Detalle
Qué hace	Resuelve la asignación continua con cvxpy y el solver Clarabel: contribución igual al riesgo (ERC), mínima varianza o máxima diversificación. `skfolio` está disponible como referencia.
Cuándo usarlo	Para pasar de estimaciones de riesgo a pesos de cartera.
Entrada → salida	`OptimizationProblem` → solo `PortfolioCandidate` + diagnósticos.
Imagen / gate	`opt` · G5 PASS (Clarabel OPTIMAL; ERC 50/50 analítico reproducido).
Límites hoy	Nunca produce un target aprobado; distingue honestamente FEASIBLE de OPTIMAL.
Profundizar	Cartera Q01–Q03, Modelos G4–G8

14. Discreto: CP-SAT (OR-Tools)¶

Campo	Detalle
Qué hace	Convierte pesos en lotes enteros (no se compran 3,7 acciones): largest-remainder, greedy o el solver de restricciones CP-SAT de OR-Tools.
Cuándo usarlo	Cuando el tamaño de lote o el capital hacen que redondear pesos a mano rompa restricciones.
Entrada → salida	Pesos → solo `DiscreteCandidate`.
Imagen / gate	`opt` · G6 PASS (CP-SAT OPTIMAL con prueba de optimalidad).
Límites hoy	CP-SAT corre en un subproceso aislado por un conflicto conocido con HiGHS.
Profundizar	Modelos G4–G8

15. ConstraintValidator¶

Campo	Detalle
Qué hace	Veto independiente: es el productor exclusivo de `PortfolioTarget` y `DiscreteTarget` aprobados, con un `ConstraintReport`. No optimiza.
Cuándo usarlo	Siempre, entre cualquier optimizador y cualquier consumidor de targets.
Entrada → salida	`PortfolioCandidate` / `DiscreteCandidate` → target aprobado o rechazo razonado.
Imagen / gate	`opt` · G5–G6 PASS (anti-bypass probado con `ApprovedTarget`).
Límites hoy	Sin trading en vivo: los targets aprobados no se envían a ningún broker.
Profundizar	Modelos G4–G8

Separación de poderes

Allocation y Discreto nunca construyen targets aprobados y el ConstraintValidator nunca optimiza. Esta separación la hace cumplir el código, no una convención.

Familia 5 · Redes neuronales y modelos fundacionales¶

16. NHITS (PyTorch + neuralforecast)¶

Campo	Detalle
Qué hace	Red neuronal de previsión jerárquica por interpolación (NHITS), con PyTorch 2.9.1 CPU y neuralforecast 3.2.2.
Cuándo usarlo	Muchas series, horizontes medios y exógenas conocidas a tiempo.
Entrada → salida	Serie + exógenas causales → cuantiles (mediana y bandas).
Imagen / gate	`neural:s4` · G7 PASS (job `g7-neural-002`; skill frente al baseline naive estacional: MAE 0,50, pinball 0,45).
Límites hoy	Entrenado y evaluado solo con datos sintéticos deterministas; cobertura de cuantiles nominal, no certificada; cruce de cuantiles reparado con `REORDENAMIENTO_V1` declarado; spec del adapter aún no mapeado al `TrainingSpec` congelado; la imagen `:s4` no está en el release manifest.
Profundizar	Modelos G4–G8

Protecciones del motor NHITS

Puerta causal de exógenas (una fuga de futuro devuelve FUTURE_COVARIATE_LEAKAGE), plazo por lote (TIMEOUT sin resultados parciales), techos de arquitectura y artefacto sin pickle (NPZ/safetensors) recargado con paridad exacta.

17. Chronos-2¶

Campo	Detalle
Qué hace	Modelo fundacional de series temporales (paquetes `chronos-forecasting` + `transformers`): previsión zero-shot, sin entrenar con nuestros datos.
Cuándo usarlo	Como referencia rápida o challenger cuando hay pocas series o poco histórico para entrenar.
Entrada → salida	Serie → previsión probabilística.
Imagen / gate	`chronos` · G8 PASS (checkpoint con SHA verificado, licencia y provenance; CPU).
Límites hoy	Solo CPU, sin JAX; el stream no carga modelos fundacionales.
Profundizar	Modelos G4–G8

18. TimesFM 2.5¶

Campo	Detalle
Qué hace	Modelo fundacional de Google (paquete `timesfm`), fijado a la generación 2.5.
Cuándo usarlo	Como segundo modelo fundacional para contrastar con Chronos-2.
Entrada → salida	Serie → previsión puntual + cuantiles (punto = mediana).
Imagen / gate	`timesfm25` · G8 PASS (SHA verificado y provenance).
Límites hoy	Sin XReg (covariables) ni JAX; solo CPU.
Profundizar	Modelos G4–G8

Familia 6 · Datos y control¶

La plataforma reutiliza los cuatro almacenes del proyecto Compose finaz del servidor; no los duplica. Los tratamos como motores porque cada uno aporta una semántica que el resto da por garantizada.

19. PostgreSQL (control y publicación)¶

Campo	Detalle
Qué hace	Plano de control: admisión idempotente, leases y fence, outbox, publicaciones y checkpoints.
Cuándo usarlo	Todo lo que deba ser transaccional: un resultado solo existe cuando su publicación hace commit.
Entrada → salida	RunSpec → run QUEUED → publicación SUCCEEDED.
Imagen / gate	Compartido; lo usan `api` y `core` con un rol por servicio · G1, S1.
Límites hoy	Instrumentos y snapshot real aún no registrados en PG.
Profundizar	Datos del runtime

20. ClickHouse (revision log PIT)¶

Campo	Detalle
Qué hace	Histórico analítico append-only con revisiones: la tabla `market_bars_v1` guarda cada observación con su `known_at`, y los selectores PIT devuelven solo lo conocido en `as_of`.
Cuándo usarlo	Para cualquier consulta histórica que deba ser point-in-time.
Entrada → salida	ObservationBatch → filas revisionadas + archive commits.
Imagen / gate	Compartido; escribe `io` · G1, G3.
Límites hoy	141 551 barras reales (44 series) desde 2026-09-22, con `known_at` = cierre de barra (sin evidencia del proveedor); sin columna de timeframe ni `adj_close`; intradía twelvedata y `1d_long` no ingeridos.
Profundizar	Datos del runtime

21. Redpanda (log durable)¶

Campo	Detalle
Qué hace	Log de eventos compatible con Kafka: fuente del modo stream y soporte del replay.
Cuándo usarlo	Datos en llegada y reproducción determinista de secuencias con fallos.
Entrada → salida	Eventos → log ordenado con offsets (consumidos con watermarks y backpressure).
Imagen / gate	Compartido; lo usan `core` e `io` · G2, G3.
Límites hoy	Ver S5 (daemon stream pendiente de promoción a `:s4`).
Profundizar	Runtime batch, replay y stream

22. MinIO / CAS (snapshots sellados)¶

Campo	Detalle
Qué hace	Almacén de artefactos direccionado por contenido: cada objeto se nombra por su sha256; los snapshots se sellan (`SEALED`) y el GC respeta pines.
Cuándo usarlo	Snapshots de datos, checkpoints y artefactos de modelos.
Entrada → salida	Artefacto → dirección `sha256:…` inmutable.
Imagen / gate	Compartido; escribe `io` (y los jobs) · G1.
Límites hoy	Snapshot real sellado solo de Yahoo 1d (117 814 filas).
Profundizar	Datos del runtime

Familia 7 · API¶

23. API de backtesting (`bench-api`)¶

Campo	Detalle
Qué hace	API FastAPI del banco de backtesting en `:8000` (rutas `/v1/...`) con Swagger: backtests, paridad, sweeps, indicadores, stats y jobs.
Cuándo usarlo	Para experimentar con estrategias e indicadores del banco.
Entrada → salida	Petición HTTP → resultados del banco (fills, equity, paridad, series).
Imagen / gate	`finaz/bench` (perfil `bench-api`) · H0–H4.
Límites hoy	De 386 indicadores, 375 son ejecutables por `POST /v1/indicators`, pero solo 33 con fórmula canónica y paridad; los otros 342 van por paso directo al motor (`execution_mode: engine_passthrough`), sin garantías. 11 no son ejecutables y lo dicen en `not_computable_reason`.
Profundizar	API de backtesting y análisis

24. API de plataforma (`/platform/v1`)¶

Campo	Detalle
Qué hace	API REST de la plataforma en loopback `127.0.0.1:18300`, con autenticación Bearer y OpenAPI 3.1: flows, runs (con `Idempotency-Key`) y results.
Cuándo usarlo	Para ejecutar flujos contractuales y consultar resultados publicados.
Entrada → salida	FlowSpec / RunSpec → run admitido → `ResultRef`.
Imagen / gate	`api` · G1, S4 PASS (smoke e2e 10/10).
Límites hoy	Las operaciones no implementadas devuelven 501 honestos; la API no consume el ruteo canary en caliente.
Profundizar	API de plataforma

Totales y estado¶

Concepto	Valor
Paquetes (`packages/finaz_*`)	26
Contratos congelados	53
Imágenes del runtime y los modelos	8 (`api`, `core`, `io`, `quant`, `opt`, `neural`, `chronos`, `timesfm25`)
Fichas de agente	30 (AG-001…AG-030)
Estado tras el hito 4 (2026-09-22)	Todos los gates PASS salvo S5 INCOMPLETO

Lo que ningún motor hace hoy

Sin trading en vivo, sin GPU, sin Kubernetes y sin duplicar PostgreSQL, ClickHouse, Redpanda ni MinIO. Ver la lista completa de limitaciones en Gates.

Resumen¶

FinazTradingEngine no son "dos motores de backtesting": son 24 motores en siete familias, con NautilusTrader y VectorTA como oráculo de referencia.
Cada motor declara un contrato de entrada y salida, corre en una imagen con solo sus dependencias y está certificado por un gate.
Los optimizadores proponen candidatos; solo el ConstraintValidator aprueba targets.
Los límites están declarados: S5 pendiente, NHITS sobre datos sintéticos, PIT real sin evidencia de proveedor.

Para practicar¶

Quieres prever la volatilidad diaria de 40 acciones. ¿Qué motor usarías primero y cuál como challenger? ¿En qué imagen corre cada uno?
Explica por qué un PortfolioCandidate con estado OPTIMAL todavía no es un target que se pueda usar.
Un compañero propone usar NHITS con una exógena que es el cierre del día siguiente. ¿Qué código de error devolvería el motor y por qué?
¿Por qué CP-SAT corre en un subproceso? ¿Qué gate lo certifica?
Busca en la tabla del catálogo todos los motores que no son PASS sin matices y escribe su limitación en una frase.