Por qué las clasificaciones brutas de Hyperliquid son engañosas

Cómo se clasifica hoy realmente a los traders de Hyperliquid

Hyperliquid es inusualmente transparente. Las posiciones, los fills y el capital de la cuenta están on-chain, así que cualquiera puede construir una clasificación, y muchos lo han hecho. La forma estándar es la misma en todas partes: elegir una ventana —24 horas, 7 días, 30 días, histórico—, ordenar las cuentas por PnL o ROI realizado en esa ventana, mostrar la cima de la lista. Es la primera pantalla que la mayoría mira antes de decidir a quién seguir.

El ranking no se equivoca sobre lo que mide. Esas cifras son reales y verificables on-chain, sin los problemas de autoinforme que afectan las afirmaciones de rendimiento en otros lugares. El problema es más específico: un ordenamiento por PnL responde '¿quién ganó más dinero en esta ventana?', mientras que el lector pregunta '¿los trades futuros de quién debería espejar?'. Esas preguntas tienen respuestas distintas, y la brecha entre ellas es estructural, no ruido.

Sesgo de supervivencia: la muestra ya está filtrada

Una clasificación muestra las cuentas que siguen en pie. Hyperliquid liquida posiciones cuando se viola la margen de mantenimiento, así que una cuenta que llevó una opinión direccional con alto apalancamiento y se equivocó no aparece con un número negativo grande al lado: deja de operar, queda con un capital cercano a cero, o el operador cambia a una nueva dirección.

Eso cambia la población de la que eliges. Si muchas cuentas siguen el mismo enfoque agresivo, una parte acierta por un tiempo y reporta retornos extraordinarios, mientras el resto es eliminado por liquidación. Entre los sobrevivientes, el enfoque parece funcionar porque la evidencia de su tasa de fracaso fue borrada por el mismo proceso que generó el ranking. Los reinicios agravan esto: un trader en su cuarta dirección muestra una curva limpia porque las primeras tres no están vinculadas a nada.

Suerte de corto plazo frente a consistencia

El segundo problema es el tamaño de la muestra. En una semana de trading de perpetuos en Hyperliquid, un puñado de trades apalancados puede generar un retorno que supere a cientos dimensionados con cuidado. La clasificación no puede distinguirlos, porque suma resultados sin examinar cómo se produjeron.

Dos cuentas pueden terminar un mes con el mismo PnL realizado por caminos completamente distintos: una con tres trades donde acertó una apuesta direccional, la otra con unos cientos de trades cada uno con una expectativa positiva modesta. Solo la segunda tiene suficientes observaciones independientes como para decir algo sobre el proceso. Las ventanas más cortas amplifican esto hasta la dominancia: un ranking de 24 horas es casi un ordenamiento puro por varianza, donde arriba queda quien sostuvo la posición más grande en la dirección en que el mercado casualmente se movió. El número de trades, no el tiempo calendario, es lo que hace que un resultado sea repetible.

Drawdowns y el riesgo que generó el retorno

Una cifra de PnL o ROI es un numerador sin denominador: dice qué ganó una cuenta, y nada sobre qué arriesgó. En una venue de alto apalancamiento sobre perpetuos, esa omisión es grave. Dos cuentas con el mismo retorno a 30 días no son comparables si una nunca cayó de forma significativa por debajo de su valor inicial y la otra llegó ahí tras un drawdown que consumió la mayor parte de la cuenta. En la clasificación son casi idénticas; como candidatas a espejar, no lo son, porque la segunda opera lo bastante cerca del límite de liquidación como para que un retroceso normal la termine.

Las dimensiones que oculta una cifra de retorno son todas medibles a partir de los mismos datos on-chain:

• Drawdown de pico a valle y tiempo de recuperación: cuánto de la cuenta consume una mala secuencia y si el proceso se repara solo.
• Apalancamiento realmente usado frente al máximo disponible, que determina en gran medida cuán sobrevivible es el próximo error.
• Uso de margen y cercanía a la liquidación. Un colchón de mantenimiento delgado es un riesgo que solo se refleja en los retornos precisamente cuando importa.
• Movimiento de precio adverso en trades ganadores: posiciones que estuvieron profundamente en rojo antes de cerrar en verde muestran una tolerancia al error que cambia lo que significa la tasa de acierto.
• Retorno por unidad de riesgo. Lograr el mismo PnL con la mitad de la volatilidad es un resultado sustancialmente distinto.

Disciplina de posición y longevidad de la cuenta

Más allá de las métricas de riesgo, hay una categoría para la que la clasificación no tiene columna: cómo se comporta el trader. La disciplina se manifiesta como consistencia en el sizing en lugar de escalada, duraciones de tenencia estables, y pérdidas cerradas con un tamaño similar en lugar de ampliadas con la esperanza de recuperarse. Su ausencia tiene una firma reconocible: tamaño creciente después de una pérdida, duraciones de tenencia que se extienden cuando los trades van en contra, ocasionalmente un trade varias veces mayor que lo normal. Este último patrón está sobrerrepresentado en la cima de los rankings de ventana corta, porque es exactamente lo que genera un retorno atípico cuando funciona.

La longevidad es la otra dimensión ausente. Hyperliquid ha atravesado tendencias direccionales, eventos agudos de desapalancamiento, cambios de régimen de funding y largas fases laterales. Una cuenta que solo ha operado un mercado en tendencia ha demostrado ajuste al régimen en que nació, no que su enfoque sobreviva a otro. El tiempo en el mercado cuenta como exposición a condiciones, no como antigüedad. Un ordenamiento por PnL no penaliza nada de esto; si acaso, ninguna historia ni restricción de sizing hace que un retorno extremo sea más fácil de alcanzar.

Por qué los retornos altos por sí solos son un mal filtro de selección

En conjunto, estos efectos apuntan en una sola dirección: clasificar por resultado selecciona por varianza. Entre cuentas de habilidad similar, las que asumieron más riesgo ocupan las filas superiores, porque la alta varianza es la única forma de generar un resultado extremo en una ventana corta. La lista no está ordenada por edge; está ordenada por suerte realizada, con el edge como una contribución menor.

Por eso espejar la cima de una clasificación tiende a decepcionar de una manera particular. No estás comprando el proceso detrás del número: estás comprando el punto más extremo de una distribución, que también es el que menos probablemente se repita. El deterioro del edge lo agrava: una wallet pública visiblemente exitosa en una venue transparente atrae seguidores, y la ejecución saturada deteriora los fills que generaron ese edge en primer lugar. En cuanto una cuenta es lo bastante alta como para notarse ampliamente, las condiciones detrás de sus números ya han comenzado a cambiar.

Qué debe medir una evaluación más robusta

La solución no es un ordenamiento más ingenioso de la misma columna. Una evaluación seria de una cuenta de Hyperliquid necesita retorno medido por unidad de riesgo; consistencia a través de suficientes trades como para que el resultado no sea una muestra pequeña de una cola gorda; profundidad y recuperación del drawdown como medida directa de supervivencia; comportamiento de apalancamiento y margen a lo largo del tiempo; disciplina de sizing y salida como medida de proceso más que de resultado; y desempeño a través de distintos regímenes en lugar de dentro de uno solo.

Dos propiedades de la medición importan tanto como las métricas mismas. Debe ser continua, porque una foto fija solo describe el momento en que se tomó, y el edge se deteriora. Y las métricas deben combinarse en algo comparable, porque por separado entran en conflicto: el retorno más alto rara vez tiene el mejor drawdown, y la cuenta más consistente rara vez tiene el ROI más alto. Sin una regla explícita de combinación, se termina de nuevo en una sola columna y su sesgo.

Cómo el scoring compuesto aborda las debilidades

Un composite score es esa regla de combinación. En lugar de clasificar un resultado, evalúa varias propiedades independientes de una cuenta y las reduce a un solo número comparable. El nuestro usa cinco factores, todos calculados a partir de datos públicos on-chain: consistencia del PnL realizado, tasa de acierto, profit factor, disciplina de posición y supervivencia de la cuenta.

La correspondencia con los modos de fallo es directa. La consistencia aborda la suerte de muestra pequeña, premiando un patrón repetido en lugar de una suma total grande. El profit factor contrasta las ganancias brutas con las pérdidas brutas, de modo que un retorno obtenido con pérdidas severas puntúa peor que el mismo retorno obtenido de forma limpia. La disciplina de posición lee el comportamiento de sizing y salida, donde la escalada tras pérdidas se hace visible. La supervivencia cubre tanto el sesgo de supervivencia como la longevidad: colchones de margen delgados y pocos regímenes puntúan más bajo, y el retorno reciente no lo compensa. La tasa de acierto, la más engañosa de las cinco vista de forma aislada, se vuelve significativa junto al profit factor porque juntas describen la forma de la distribución, no solo su punto medio.

Dos decisiones de diseño importan más que la lista de factores. El score se recalcula continuamente en lugar de fijarse en la selección, así que el deterioro cambia la evaluación mientras la curva de PnL aún se ve aceptable. Y determina el peso de asignación, no solo la membresía: el capital se reparte en proporción a la fuerza de la evidencia, así que un respaldo más débil recibe menos. Es una reacción distinta a la incertidumbre que elegir la fila superior y comprometerse por completo.

Eso no hace que la selección sea fiable en el sentido de resultados garantizados. Un composite score es una estimación a partir de datos históricos, puede equivocarse sobre una cuenta concreta, y un trader cuyo comportamiento cambia será detectado después del cambio, no antes. La afirmación es más acotada: elimina los sesgos que hacen que un ordenamiento bruto por PnL sea sistemáticamente engañoso, y aplica la misma regla a cada cuenta.

Mejores formas de evaluar a los traders

Cuando mires una clasificación de Hyperliquid, pregúntate qué es lo que el número usado para ordenar no puede ver. No ve las cuentas que fracasaron, cuánto riesgo generó el resultado, si vino de tres decisiones o de trescientas, si el trader escala tras pérdidas, o si ha operado en un régimen distinto. Cada uno de esos aspectos es medible a partir de los mismos datos on-chain: un ordenamiento de una sola columna simplemente no puede expresarlos.

Para quien quiera ver cómo un sistema de selección con score llega a un orden distinto a partir de los mismos datos públicos: la nota sobre los cinco factores detrás de nuestro composite score recorre cada insumo, y la nota sobre ponderación por score explica por qué el score también decide cuánto capital recibe cada líder.