Numerai 免费

-
开发公司 Numerai, Inc.
地区 美国
官网 https://numer.ai/

Numerai 是一个基于区块链的众包AI量化对冲基金平台，数据科学家通过训练机器学习模型预测加密金融数据来参与全球股票市场预测竞赛，贡献的模型通过 NMR（Numeraire）代币抵押机制聚合为元模型（Meta Model），用于驱动真实对冲基金的交易决策。平台由 Richard Craib 于 2015 年创立，获得 Union Square Ventures、Paul Tudor Jones、Renaissance Technologies 联合创始人 Howard Morgan 等投资，2025 年完成 $3000 万 C 轮融资，估值 $5 亿。

Numerai 产品界面

Numerai

核心参数与统计

Numerai 是一个将数据科学竞赛与量化对冲基金相结合的独特平台。它向全球数据科学家免费提供经过加密混淆的高质量金融数据集，参与者通过训练机器学习模型来预测加密后的股票收益指标，提交的预测通过 NMR（Numeraire）代币抵押机制聚合成元模型（Meta Model），最终由 Numerai 对冲基金用于真实市场交易。

项目 公开信息
官方定位 众包 AI 量化对冲基金与数据科学竞赛平台
创始人与成立时间 Richard Craib，2015 年 10 月
总部所在地 美国旧金山
核心机制 全球数据科学家竞赛 → 元模型聚合 → 对冲基金交易
最新数据集 V5.2 Faith2（2025-12，186 新特征）
NMR 总支付额 $24,400,000+（数据科学家累计获得）
已抵押模型数 4,500+
基金管理规模 ~$550M（2025-11），2024 年净回报 25.45%
投资方 Union Square Ventures、Paul Tudor Jones、Howard Morgan（Renaissance Technologies）
GitHub Stars/Forks 1,200+ / 310（example-scripts 仓库）
可用平台 Web、API、Python/numerapi 库

数据特征：Numerai 提供的数据经过"保结构加密"（structure-preserving encryption），特征被匿名化但保留统计相关性，数据科学家无需金融背景即可建模。每条数据对应特定时间点（era）的某只股票，特征为量化属性加密值，目标是未来 20 个交易日的抽象收益度量。

元模型聚合逻辑：只有经过 NMR 抵押的预测才会被纳入元模型。抵押机制确保了参与者有经济动力提交高质量预测——表现好获得 NMR 奖励，表现差则 NMR 被销毁（burn）。这种"皮肤在这个游戏中"的设计使得对冲基金可以信任来自匿名第三方的预测信号。

用户与市场认可

Numerai 的市场认可度体现在机构投资者、顶级金融机构和全球数据科学家社区三个维度。

机构投资：2025 年 11 月完成 $3000 万 C 轮融资，估值 $5 亿，较 2023 年估值增长 5 倍，由顶级大学捐赠基金领投，Union Square Ventures、Shine Capital、Paul Tudor Jones 等跟投。2025 年 8 月，摩根大通资产管理（JPMorgan Asset Management）向 Numerai 投入资金并获得 $5 亿容量，这是传统顶级金融机构对 AI 驱动量化策略的最大规模押注之一。

基金业绩：2024 年是 Numerai 的历史最佳年份，全球股票市场中性对冲基金实现 25.45% 净回报，夏普比率 2.75，全年仅一个月出现亏损。过去三年 AUM 从约 $6000 万增长至 $5.5 亿。2022 年在加密货币市场普遍下跌超 90% 的背景下，Numerai 仍实现 20% 的正回报并向投资者返还收益。

数据科学家社区：平台拥有 4,500+ 已抵押模型，累计向数据科学家支付超 $2440 万。GitHub 上 example-scripts 仓库获得 1,200+ stars 和 310 forks，Discord 社区活跃，每年举办 NumerCon 大会。

成本优势

Numerai 的成本结构在 C 端数据科学家API 开发者和机构投资者三个层面呈现截然不同的特征。

C 端/数据科学家：参赛完全免费。任何人可注册账号并免费下载加密数据集，使用 Python 或 R 训练模型并提交预测。不抵押 NMR 即可参与排行榜并获得表现评分。只有当参与者选择抵押 NMR（需要自购代币）来获取经济激励时，才面临真正的资金风险——模型表现差会导致 NMR 被销毁。对于只想体验和学习的用户，零成本门槛极低。

API/开发者：Numerai 提供 Python 库（numerapi）和 REST API 用于自动化数据下载、预测上传和模型管理。官方还提供 MCP（Model Context Protocol）接口，允许 AI Agent 直接与平台交互——例如用自然语言指令完成建模到提交全流程。这些 API 接口均为免费使用，无调用次数限制，仅受合理使用政策约束。

机构投资者：基金层面向合格投资者（accredited investors）开放，投资门槛和费率结构未公开，需通过 [email protected] 联系确认。2025 年 JPMorgan 拿到的 $5 亿容量暗示机构层面的资金需求旺盛，但对个人投资者而言，直接投资基金的门槛较高。

隐性成本：参与者面临的主要成本是时间——数据科学竞赛需要投入大量精力进行特征工程、模型调优和持续迭代。此外，NMR 代币本身的市值波动会放大实际收益/损失的不确定性。

主要功能

  • 数据科学竞赛平台：核心功能，提供加密金融数据集（训练/验证/实时三套），数据科学家训练模型预测目标变量，提交预测文件即可参与排行榜排名。竞赛每周二至周六释放新的实时数据。

  • NMR 抵押与激励机制：参与者可将 NMR 代币抵押在自己的模型上。每轮抵押持续约 20 个交易日（即一个评分周期），表现正的模型获得 NMR 奖励，负的模型被销毁部分 NMR。这种设计确保了元模型只聚合高质量预测。

  • 元模型（Meta Model）：Numerai 的核心资产。所有已抵押预测按权重合成为一个元模型，直接输入对冲基金的交易系统。元模型权重随各模型的 Scores（CORR 和 MMC）动态调整，类似神经网络的权重优化过程。

  • Numerai Signals：独立的竞赛平台，允许数据科学家使用自己的私有数据（而非 Numerai 提供的加密数据）构建股票预测信号。适合已有自有数据源和专业金融知识的参与者。

  • Crypto Tournament：面向加密货币市场的独立竞赛，设计更偏娱乐和教育性质，不用于实际交易。

  • AI Scientist / MCP Agent 集成：2025-2026 年推出的新能力，数据科学家可通过 MCP 协议让 AI Agent（如 Codex、Claude、Cursor）直接参与建模流程——从数据下载、特征分析、模型构建到预测提交，全部通过自然语言指令完成。

  • Numerai Bounties：社区悬赏机制，Numerai 发布特定研究方向或建模挑战，参与者完成可获得 NMR 奖励。

模型与版本演进

Numerai 的"版本"体系主要体现在数据集版本迭代和平台功能的里程碑演进上。

数据集版本

数据集是 Numerai 竞赛的核心资产，以 V 系列迭代演进：

  • V5.2 Faith2（2025-12）：当前最新版本，引入 186 个新特征，新增 Ender 和 Jasper 两个目标变量（各含 20 天和 60 天两种窗口），所有数据采用 int8 格式以压缩存储和加速加载。
  • V5.1（~2025-06）：中间增量更新，特征集微调优化。
  • V5.0（~2025-01）：V5 系列首版，特征架构大幅更新，为后续扩展奠定基础。
  • V4.2（~2024-06）：V4 系列最终版本，多项特征与目标调整。

每个数据版本发布后，旧版本会逐步停止支持，参赛者需迁移到最新版本以保持竞争力。

平台功能里程碑

  • 2015-10：Numerai 正式成立，获得 $150 万种子轮融资（FT 报道）。
  • 2016-12：众筹对冲基金概念正式面向机器学习专家开放（TechCrunch 报道）。
  • 2017-02：发布 NMR 代币白皮书，将区块链引入数据科学竞赛激励机制（Wired 报道）。
  • 2022：AUM 从零增长至约 $6000 万，在市场逆风中保持正回报。
  • 2023：估值约 $1 亿的融资轮。
  • 2024：基金实现 25.45% 净回报，夏普 2.75，AUM 快速增长。
  • 2025-08：JPMorgan 投资并获得 $5 亿容量，标志性机构认可。
  • 2025-11：完成 $3000 万 C 轮融资，估值 $5 亿，AUM 达 $5.5 亿。
  • 2025-12：发布 V5.2 Faith2 数据集。
  • 2026-02：举办 NumerCon 2026 大会。
  • 2026-07：启动第三次战略性 NMR 回购，推动区块链原子质押（Atomic Blockchain Staking）功能。

技术优势

Numerai 的技术架构围绕"如何在保护数据隐私的同时聚合来自不可信第三方的预测信号"这一核心挑战设计。

保结构加密（Structure-Preserving Encryption）：Numerai 对原始金融数据应用加密变换，使特征值保持统计相关性（例如排序、分布形状）但无法还原为原始股票标识或具体财务指标。这意味着（1）数据可免费分发给任何人而无需担心数据泄露，（2）建模者不需要任何金融领域知识即可参与，（3）模型只能在 Numerai 竞赛中使用，无法被"拿去自己交易"。

元模型（Meta Model）的权重优化机制：Numerai 不简单取所有预测的平均值，而是通过抵押驱动的动态权重系统运行。每个模型的 CORR（与目标的相关系数）和 MMC（对元模型的边际贡献）决定了它在下一轮中的权重占比。表现差的模型权重下降，表现好的权重上升——这类似一个持续在线训练的大型集成学习系统。

双评分指标：

  • CORR（Correlation）：预测与目标之间的相关系数，衡量模型预测能力的直接指标。
  • MMC（Meta Model Contribution）：衡量该模型对元模型整体表现的独特贡献。即使某个模型的 CORR 一般，如果它提供了与其他模型不同的独立信号，MMC 也可能很高。这鼓励多样性建模策略。

MCP 与 AI Agent 集成：Numerai 较早地在量化竞赛领域引入 MCP 协议，数据科学家可以通过类比"用 AI 操控浏览器"的方式，让 AI Agent 完成从数据获取到模型提交的全流程。官方提供了 install-mcp.sh 脚本实现一键挂载，使 Claude/Cursor/Codex 等工具可直接读取数据、编写代码并提交预测。

如何使用

Numerai 的使用路径从零门槛的免费注册到高级的 MCP Agent 集成，覆盖不同技术深度的参与者。

路径一：手动建模（适合初学者）

  1. 访问 numer.ai/signup 注册账号，获取 API Key。
  2. 通过网页或 API 下载训练数据集（V5.2）。
  3. 使用 Python 或 R 训练 ML 模型（官方提供 XGBoost、LightGBM 示例脚本）。
  4. 生成预测文件并上传至平台。
  5. 在排行榜上查看自己的 CORR 和 MMC 评分。

路径二：自动化 API 调用（适合有经验的开发者）

from numerapi import NumerAPI
import pandas as pd
from xgboost import XGBRegressor

# 初始化 API
napi = NumerAPI("<your_public_id>", "<your_secret_key>")

# 下载数据
VERSION = "v5.2"
napi.download_dataset(f"{VERSION}/train.parquet")
napi.download_dataset(f"{VERSION}/live.parquet")

# 训练模型
training_data = pd.read_parquet("train.parquet")
features = [f for f in training_data.columns if "feature" in f]
model = XGBRegressor(max_depth=5, learning_rate=0.01, n_estimators=2000)
model.fit(training_data[features], training_data["target"])

# 生成并上传预测
live_data = pd.read_parquet("live.parquet")
predictions = model.predict(live_data[features])
submission = pd.Series(predictions, index=live_data.index).to_frame("prediction")
submission.to_csv("submission.csv")
napi.upload_predictions("submission.csv", model_id="your-model-id")

路径三：MCP Agent 模式（面向 AI 原生工作流）

git clone [email protected]:numerai/example-scripts.git
cd example-scripts
curl -sL https://numer.ai/install-codex-mcp.sh | bash
codex exec --yolo "find the best neural network architecture to predict target ender"

此模式下 AI Agent 自动完成数据探索、模型架构搜索、训练和提交全流程，数据科学家只需用自然语言描述目标。

路径四：Numerai Signals（使用自有数据）

如果参与者拥有自己的股票市场数据或另类数据源，可通过 signals.numer.ai 平台提交基于自有数据的预测信号，同样支持 NMR 抵押机制。

路径五：模型市场（Model Marketplace）

社区开发的模型可通过社区市场买卖，参与者无法直接抵押他人的模型，但可以下载 benchmark 模型作为基线参考。

入口 用途 免费/付费
numer.ai 主竞赛平台，注册、下载数据、上传预测 免费
signals.numer.ai 自有数据信号竞赛 免费
crypto.numer.ai 加密货币竞赛（娱乐/教育） 免费
docs.numer.ai 完整文档：数据、建模、评分、抵押 免费
github.com/numerai/example-scripts 示例脚本和 notebook 免费（MIT）
forum.numer.ai 社区论坛 免费
discord.gg/numerai Discord 社区支持 免费

产品定价

Numerai 的定价模式与传统 SaaS 完全不同——平台本身对所有参与者免费，货币化通过对冲基金管理费和 NMR 代币经济实现。

数据科学家端：全部免费。注册、数据下载、模型提交、排行榜查看、社区访问均不收费。NMR 抵押需要参与者自购 NMR 代币（可在 Coinbase 等交易所购买），但抵押是可选行为——不抵押也能参与竞赛并获得评分。

NMR 代币经济：NMR 是平台的核心激励工具而非投资品。参与者抵押 NMR → 模型表现好获得 NMR 奖励 → 模型表现差 NMR 被销毁。Numerai 官方明确声明 NMR"不是加密货币"、"不是投资品"、"不构成所有权或控制权"。NMR 可在交易所交易，但官方不保证其价值。截至 2026 年 7 月，Numerai 已进行三次战略性 NMR 回购以加深与社区的激励对齐。

机构投资者端：对冲基金面向合格投资者开放，具体费率（管理费/业绩报酬）未公开，需通过 [email protected] 联系。JPMorgan 获得的 $5 亿容量暗示机构层面的定价以"capacity allocation + performance fee"结构为主。

应用场景

  • 量化策略研发验证：量化研究员和机器学习工程师可以利用 Numerai 的高质量金融数据集快速验证新的预测模型和特征工程思路，而无需自行解决数据清洗和标签生成问题。数据已经过专业清洗和正则化处理，可直接用于建模。验收关注点：模型在验证集上的 CORR 稳定性和 MMC 的独特性。

  • 机器学习竞赛与技能提升：对希望提升 ML 实战能力的数据科学家来说，Numerai 提供了接近真实量化交易场景的竞赛有境，且没有金融知识门槛。每两周释放新数据，形成持续迭代的练习闭有。验收关注点：参赛者应关注模型在不同 era 之间的性能稳定性，而非单次高分。

  • AI Agent 与 MCP 实验场：Numerai 的 MCP 接口和 AI Scientist 功能使其成为测试 AI Agent 编程和数据分析能力的理想场景。开发者可以通过自然语言指令让 AI 完成建模全流程，评估当前前沿模型的自动化数据科学能力。验收关注点：AI Agent 能否自主完成特征分析、模型选择、调参和提交的完整闭有。

  • 另类数据信号变现（Signals）：拥有独有数据源（如卫星图像、供应链数据、消费者行为数据）的团队可通过 Numerai Signals 将自己的另类数据转化为预测信号，并通过 NMR 抵押机制获得经济回报，无需自己搭建交易执行系统。验收关注点：信号的质量评分和与其他模型的 MMC 相关性。

  • 机构量化配置：对于大型资产管理机构，Numerai 的元模型提供了一种与传统量化策略低相关的另类 Alpha 来源。JPMorgan 的 $5 亿容量分配已证明机构层面的配置价值。验收关注点：基金的历史风险收益特征与机构自身的组合相关性。

适用人群

  • 数据科学与 ML 从业者：希望将机器学习技能应用于金融领域、获得实际经济回报的数据科学家。Numerai 提供零门槛的入门路径和持续的数据流，适合从 Kaggle 竞赛转向量化方向的迁移学习。不适配：不熟悉 Python/R 和基本 ML 概念的无编程背景用户。

  • 量化研究员与对冲基金：寻求外部 Alpha 来源或希望与传统策略形成低相关性的量化团队。Numerai 的元模型可作为现有投研流程的补充信号源。不适配：需要完全掌控数据源和交易执行流程的机构，Numerai 的加密数据无法用于自有交易。

  • AI Agent 开发者与研究者：关注 AI Agent 在自动化数据科学中的能力边界的开发者。Numerai 的 MCP 接口提供了端到端的测试有境。不适配：对数据隐私和安全要求极高、不能将数据发送给第三方 LLM 的有境。

  • 加密货币与区块链探索者：对 NMR 代币经济设计和区块链在机器学习中的应用感兴趣的研究者。Numerai 的原子质押（Atomic Blockchain Staking）和代币销毁机制是独特的研究案例。不适配：将 NMR 视为纯投资/投机工具的交易者——官方明确声明 NMR 不是投资品。

  • 学术研究与教育机构：Numerai 的数据集可用于量化金融、机器学习教学和学术研究，平台还推出了大学徽章（University Badges）项目。不适配：需要非加密原始金融数据的研究场景。

总结与展望

Numerai 的核心竞争力在于它创造了一个"数据科学家出模型、对冲基金出资本、区块链出信任"的三方飞轮：免费加密数据降低参与门槛 → 大量模型贡献提升元模型质量 → 基金业绩吸引更多机构资本 → 更高收益吸引更多数据科学家。2024 年 25.45% 净回报和 JPMorgan 的 $5 亿容量背书，证明这个飞轮已在机构层面验证可行。

当前局限主要在于：（1）基金仅面向合格投资者，个人投资者无法直接参与；（2）NMR 代币的市值波动会放大参与者的实际激励效果；（3）加密数据虽然降低了金融知识门槛，但也意味着模型无法在其他场景复用，形成了"数据锁定"效应；（4）平台文档部分内容对非技术用户而言仍有理解门槛。

采购/采用风险评估：对于数据科学家个体，Numerai 是一个近乎零成本的技能提升和潜在收入来源，主要投入是时间而非资金，风险可控。对于机构投资者，需重点核验基金的历史风险收益数据（2024 年表现不代表未来）、与自身组合的相关性、以及 JPMorgan 容量协议的具体条款。在投入大额资金前，建议以较小规模试点验证元模型信号的稳定性和与现有策略的互补性，并在法律和合规顾问的协助下审阅基金文件。Numerai 的发展方向——包括原子质押MCP Agent 集成和大学合作项目——表明它正从单一的竞赛平台向"AI 量化操作系统"演进，值得持续关注其数据集扩展、机构合作进展和 NMR 代币经济模型的成熟度。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

  • Numerai Dataset V5.2 (Faith2) ：Faith2 数据集更新，引入186个新特征以及两个新目标（Ender 和 Jasper，各含20D和60D变体），所有文件仅提供 int8 格式。暂无官方精确日期，以月为单位。
  • Numerai Dataset V5.1 ：V5 系列中间版本，对特征集进行增量更新与优化。暂无官方精确日期。
  • Numerai Dataset V5.0 ：V5 系列首个版本，对整体数据架构做了较大更新，引入新特征体系。暂无官方精确日期。
  • Numerai Dataset V4.2 ：V4 系列最终更新，包含多项特征与目标调整。暂无官方精确日期。

用户评价

  • 加载评价中...