"Jane Street no gana prediciendo el futuro. Gana optimizando fricción, liquidez y ejecución a escala masiva con una cultura técnica obsesiva."
-orange.svg){kind=icon}
- 🇪🇸 Español — el idioma en que nació este proyecto
- 🇺🇸 English
- 🇧🇷 Português (Brasil)
OpenJane nació de una investigación profunda sobre uno de los actores más secretos y escurridizos del mercado financiero global: Jane Street.
Jane Street Capital es una firma de trading cuantitativo con sede en Nueva York que en 2024 generó aproximadamente $39 mil millones en ingresos de trading — más que Goldman Sachs en ese mismo concepto. No cotiza en bolsa. No hace publicidad. No tiene CEO público. No concede entrevistas. Y sin embargo, es posiblemente la firma más influyente en la microestructura de los mercados financieros modernos.
La investigación que dio origen a este repo exploró durante semanas sus conexiones ocultas: las universidades que forman a su talento, los competidores que compiten en su ecosistema, los algoritmos de machine learning que impulsan sus estrategias, y los tickers públicos que actúan como "fantasmas" o proxies de su comportamiento interno.
Esa investigación fue pública, honesta y sin agenda oculta. Y sus conclusiones fueron claras: la lógica detrás de esos $39 mil millones no es magia. Es matemática, datos y cultura técnica obsesiva. Y esa lógica puede documentarse, explicarse y ponerse al alcance de cualquier persona en el planeta.
El conocimiento financiero cuantitativo está concentrado en muy pocas manos:
- Las firmas como Jane Street contratan a los mejores matemáticos y programadores del mundo y los mantienen en silencio con NDA y salarios de siete cifras.
- Los datos de mercado institucionales cuestan decenas de miles de dólares por año.
- Los papers académicos relevantes están dispersos en repositorios universitarios que nadie sabe que existen.
- La jerga técnica crea una barrera artificial que hace que el conocimiento parezca inaccesible para quien no estudió en MIT o Princeton.
El resultado: el 99% de los inversores toma decisiones sin acceder a los marcos conceptuales que usa el 1% más sofisticado del mercado.
OpenJane existe para cambiar eso.
OpenJane es un conjunto de skills, comandos y un agente de análisis cuantitativo construido sobre el ecosistema de Claude (Anthropic), que traduce los principios operativos de las firmas cuantitativas más exitosas del mundo a análisis accesible para cualquier persona con conocimiento básico de inversión.
No requiere saber programar. No requiere suscripciones de cientos de dólares. No requiere un PhD en matemáticas. Solo requiere curiosidad y ganas de entender.
El usuario le hace una pregunta al agente en lenguaje natural — en español, inglés o portugués — y recibe un análisis que aplica los mismos marcos conceptuales que usan Jane Street, Citadel Securities y Hudson River Trading. Sin código. Sin barreras.
Escala: Jane Street generó ~$39 mil millones en 2024. Para contexto: eso es más que el PIB de muchos países. Todo eso lo produce una firma que casi nadie conoce, que no cotiza en bolsa y que opera en el silencio absoluto.
El modelo de negocio: Jane Street no apuesta a que los mercados suban o bajen. Opera como market maker: compra y vende simultáneamente, capturando el spread entre el precio de compra y venta, optimizando la ejecución a escala masiva, y explotando ineficiencias estadísticas en la relación entre activos. Es una máquina de extracción de fricciones, no de predicción del futuro.
El ecosistema de competidores y aliados:
| Firma | Rol | Relación con Jane Street |
|---|---|---|
| Susquehanna International Group (SIG) | Cantera fundacional | Origen del talento que fundó Jane Street |
| Citadel Securities | Market making global | Rival directo, espejo funcional |
| Hudson River Trading | Quant trading puro | Competidor técnico directo |
| Jump Trading | Quant + crypto | Competidor en mercados electrónicos |
| Virtu Financial (VIRT) | Market making público | Único comparable cotizado en bolsa |
| Millennium Management | Hedge fund rival | Conflicto documentado por estrategias y talento |
| Two Sigma | Data science aplicado | Competidor por perfil similar |
| Tower Research Capital | Quant trading privado | Actor del mismo universo |
Ghost tickers — los proxies públicos de Jane Street: Jane Street no cotiza. Pero estos tickers se comportan de forma estadísticamente similar porque responden a las mismas variables de mercado: volatilidad, spreads, liquidez y estructura. Son las "sombras visibles" de una firma invisible.
| Ticker | Empresa | Por qué es un ghost ticker | Nivel de evidencia |
|---|---|---|---|
| CBOE | Cboe Global Markets | Proxy más cercano al núcleo: opciones, vol, microestructura | Alto |
| ICE | Intercontinental Exchange | Proxy sistémico e infraestructural | Alto |
| NDAQ | Nasdaq | Market structure, comparable de infraestructura | Medio |
| MKTX | MarketAxess | Liquidez electrónica en renta fija institucional | Medio |
| VIRT | Virtu Financial | Market making público, comparable directo | Alto |
| SCHW | Charles Schwab | Flujo minorista, adjacencia de ejecución | Medio |
| HOOD | Robinhood | Retail order flow, adjacencia de flujo | Medio |
La investigación trazó el linaje académico del ecosistema. Jane Street no surge de la nada: su talento proviene de un pipeline académico muy específico, con Susquehanna International Group (SIG) como puente entre academia y firma.
Conexiones verificadas:
Drexel University → SIG → ecosistema Jane Street
- Partnership corporativo directo y documentado entre Drexel y SIG
- Co-ops verificados en equipos de FPGA y software engineering de SIG
- Enfoque académico: ingeniería aplicada de ML, IA confiable, sistemas robustos
- Programas: AI and Machine Learning, Machine Learning Engineering, AI/ML/Robotics Research
Trinity College Dublin → SIG → ecosistema Jane Street
- Programa de internships documentado con SIG desde su School of CS & Statistics
- Reclutamiento directo verificado en oferta pública de SIG en Trinity
- Enfoque académico: algoritmos clásicos de ML, deep learning, razonamiento en IA
- Módulos relevantes: CSP7000, CSU44061, CSP7001 (Machine Learning)
Personas verificadas activas en el ecosistema (SIG · NeurIPS 2025):
| Persona | Rol | Vínculo verificado |
|---|---|---|
| Jake Katznelson | Systems Engineering | Ponente SIG en NeurIPS 2025 |
| Ali Nazari | Head of Deep Learning | Ponente SIG en NeurIPS 2025 |
| Tony Yang | Machine Learning Researcher | Ponente SIG en NeurIPS 2025 |
| Rob Rhoades | Quantitative Researcher | Ponente SIG en NeurIPS 2025 |
| Nick Petaccio | Trading Platforms Specialist | Alumni Drexel, full-time SIG (2024) |
La investigación mapeó los modelos de ML más relevantes para trading cuantitativo, con fuentes académicas públicas verificadas. Estos son los modelos que emergen de la investigación pública asociada al ecosistema de las universidades de Jane Street.
1. Random Forest y árboles de decisión El modelo más usado en quant trading por su balance entre performance e interpretabilidad. Evalúa múltiples variables de mercado simultáneamente sin asumir linealidad.
- 📄 Fuente: Algoritmos de ML en Day Trading — FGV (Brasil)
- 🎯 Aplicación: señales con variables de microestructura, volumen, spreads y precio
- 📚 También en: Trinity College Dublin — CSU44061
2. LSTM (Long Short-Term Memory) / Deep Learning para series temporales Redes neuronales recurrentes diseñadas para capturar dependencias temporales largas. Especialmente útiles para forecasting de volatilidad y patrones de microestructura.
- 📄 Fuente: LSTM para HFT con Order Flow Imbalance — Mackenzie University
- 🎯 Aplicación: forecasting con Bollinger Bands y Order Flow Imbalance como features
- 📚 También en: Trinity College Dublin — investigación en Deep Learning
3. SVR + PCA (Support Vector Regression + Análisis de Componentes Principales) PCA elimina ruido y correlación entre variables. SVR predice sin asumir linealidad. Combinados, producen forecasting robusto con alta dimensionalidad.
- 📄 Fuente: SVR y PCA para acciones — USP (Brasil)
- 🎯 Aplicación: forecasting de precios con reducción de dimensionalidad
- 📚 También en: Trinity College Dublin — SVM and kernel methods
4. Hidden Markov Models (HMM) Clasifica el mercado en estados ocultos (bull, bear, lateral, crisis) y estima la probabilidad actual de cada uno. Base matemática de la detección de régimen.
- 📚 Referencia académica: Hamilton (1989), Ang & Bekaert (2002)
- 🎯 Aplicación: clasificar el estado de mercado antes de aplicar cualquier estrategia
5. Clustering no supervisado (K-Means, DBSCAN) Agrupa períodos históricos por similitud de comportamiento sin etiquetas previas. Identifica regímenes que el análisis tradicional no ve.
- 📄 Fuente: ML en Finanzas — UDLAP
- 🎯 Aplicación: identificación de períodos históricos similares al momento actual
6. SVM para clasificación de estados Support Vector Machines para clasificar el estado del mercado en tendencia, reversión o estrés. Robusto con datasets bien definidos.
- 📄 Fuente: Trinity College Dublin — CSU44061
- 📄 También: Drexel — Machine Learning Engineering
- 🎯 Aplicación: clasificación binaria o multiclase del estado de mercado
7. Modelos de cointegración (Engle-Granger, Johansen) La base matemática del arbitraje estadístico. Identifica pares cuya relación es estacionaria y explotable. Sin cointegración, no hay stat-arb válido.
- 📚 Referencias: Engle & Granger (1987), Gatev et al. (2006), Avellaneda & Lee (2010)
- 📄 También: ML and the Stock Market — SSRN
- 🎯 Aplicación: identificación y validación de pares para stat-arb
8. Proceso de Ornstein-Uhlenbeck Modelo estocástico de reversión a la media. Calcula el half-life de reversión de un par y optimiza puntos de entrada y salida.
- 📚 Referencia: Vasicek (1977), aplicado a trading por Avellaneda & Lee (2010)
- 🎯 Aplicación: calibración de estrategias de stat-arb, timing de entrada/salida
9. VPIN (Volume-Synchronized Probability of Informed Trading) Detecta si el flujo de órdenes proviene de inversores informados o de ruido. Mide la "toxicidad" del flujo — una de las señales más valiosas en microestructura.
- 📚 Referencia: Easley, López de Prado & O'Hara (2012)
- 🎯 Aplicación: microestructura, detección de flujo informado antes de movimientos
10. Modelo de Almgren-Chriss Framework matemático para la ejecución óptima de órdenes grandes, minimizando el impacto de mercado y el riesgo de precio adverso. Base de TWAP y VWAP algorítmico.
- 📚 Referencia: Almgren & Chriss (2000) — "Optimal Execution of Portfolio Transactions"
- 🎯 Aplicación: optimal execution, diseño de algoritmos TWAP/VWAP
11. Walk-forward validation y backtesting robusto Control de overfitting mediante validación en datos futuros no usados en el diseño. La diferencia entre una estrategia real y una que solo funciona en el papel.
- 📄 Fuente: ML Methods in Algorithmic Trading — RePEC/OSF
- 📄 También: Algoritmos de negociación — U. de los Andes/Coursera
- 🎯 Aplicación: validación de estrategias antes de arriesgar capital real
12. Reinforcement Learning adaptativo Ajuste dinámico de estrategias según condiciones cambiantes de mercado. El nivel más avanzado — más cercano a como operan los sistemas modernos de HFT.
- 📄 Fuente: IA y trading — Infomoney / investigación académica aplicada
- 🎯 Aplicación: sistemas que cambian de comportamiento según el régimen
En 2025, Anthropic publicó
anthropics/financial-services:
agentes de referencia para workflows financieros institucionales — investment banking,
equity research, private equity, wealth management. Con 18,000 estrellas y 2,300 forks,
fue lo que algunos llamaron una "cachetada a Wall Street": la misma infraestructura
que usan los grandes bancos, disponible para cualquier persona con una API key.
Pero ese repo tenía una brecha: fue diseñado para analistas institucionales. Cubría DCF, LBO, pitch decks, KYC — el mundo del banking tradicional. Lo que no tenía era la lógica de las firmas cuantitativas puras: microestructura, arbitraje estadístico, detección de régimen, ejecución óptima.
OpenJane es exactamente esa extensión que faltaba.
- Analizar la microestructura de cualquier activo: spread, liquidez, flujo de órdenes
- Identificar pares estadísticamente relacionados y medir su divergencia actual
- Clasificar el régimen de mercado con datos reales en tiempo real (15min delay en free tier)
- Explicar en lenguaje claro por qué el mercado se comporta como se comporta
- Enseñar los marcos conceptuales que usan las firmas cuantitativas líderes
- Producir análisis educativo de alta calidad sin costo adicional alguno
- Replicar la latencia de microsegundos de Jane Street — eso requiere infraestructura de colocation que cuesta millones de dólares
- Acceder a datos de flujo de órdenes propietarios que las firmas compran exclusivamente
- Garantizar resultados de inversión — ningún sistema honesto puede hacerlo
- Reemplazar el juicio humano y la responsabilidad personal sobre las decisiones propias
| Dimensión | Alcance |
|---|---|
| Comprensión conceptual de los mecanismos | 85-90% |
| Implementación funcional de las estrategias | 60-70% |
| Performance en mercado real vs Jane Street | 20-35% |
La diferencia de 20-35% no está en la comprensión — está en capital, latencia y datos propietarios. Entender el 85% de cómo funciona el mercado cuantitativo coloca a cualquier persona en una posición radicalmente diferente al inversor promedio que opera sin ninguno de estos marcos.
| Proveedor | Qué aporta | Free tier | Tarjeta |
|---|---|---|---|
| Massive.com | Precios, opciones, tick data USA, forex, crypto | EOD + 2 años histórico | ❌ No |
| EODHD | Fundamentales, global, 150,000+ tickers | 20 llamadas/día, 1 año | ❌ No |
Ambos tienen servidores MCP oficiales para Claude. El usuario solo escribe su pregunta. El agente busca los datos, los procesa y entrega el análisis.
plugins/
vertical-plugins/
market-microstructure/ ← spreads, liquidez, flujo de órdenes
skills/microstructure-analysis.md
commands/spread-analysis.md
.mcp.json
stat-arb/ ← arbitraje estadístico entre pares
skills/statistical-arbitrage.md
regime-detection/ ← estado actual del mercado
skills/regime-classification.md
volatility/ ← superficie de volatilidad implícita
agent-plugins/
quant-analyst/ ← agente principal integrado
agents/quant-analyst.md
docs/
glossary.md ← 28 términos explicados en 3 idiomas
scripts/
setup.sh ← instalación en un comando
git clone https://github.com/ussleo/openjane
cd openjane
cp .env.example .env
# Añade tus API keys gratuitas de massive.com y eodhd.com
# Claude Code
claude plugin install quant-analyst@openjane| Comando | Qué hace |
|---|---|
/spread-analysis [TICKER] |
Microestructura: spread, liquidez, flujo, costo de transacción |
/stat-arb [TICKER_A] [TICKER_B] |
Par estadístico: correlación, Z-score, half-life |
/regime |
Régimen actual del mercado con score y estrategias recomendadas |
/liquidity-map [TICKER] |
Mapa de liquidez: ADV, días para liquidar, impacto |
/vol-surface [TICKER] |
Volatilidad implícita vs histórica |
→ docs/glossary.md — 28 términos explicados en lenguaje claro,
en español, inglés y portugués. Cada uno con definición, cómo se mide, qué implica
y un ejemplo real del mercado.
Todo es markdown. Sin compiladores. Sin dependencias.
- Nueva skill:
plugins/vertical-plugins/<vertical>/skills/ - Nuevo paper o universidad:
docs/research/ - Traducción a otro idioma: el glosario y el README te esperan
- Issue o corrección: directamente en GitHub
Todos los aportes son bienvenidos, especialmente los que vienen de personas que no se consideran "técnicas" — porque ese es exactamente el usuario para quien fue construido este proyecto.
OpenJane was born from a deep investigation into one of the most secretive and elusive actors in global financial markets: Jane Street.
Jane Street Capital is a quantitative trading firm based in New York that generated approximately $39 billion in trading revenue in 2024 — more than Goldman Sachs in that same category. It doesn't trade publicly. It doesn't advertise. It has no public CEO. It doesn't give interviews. And yet it is arguably the most influential firm in the microstructure of modern financial markets.
The research explored for weeks its hidden connections: the universities that train its talent, the competitors in the same ecosystem, the ML algorithms powering its strategies, and the public tickers that act as behavioral proxies — "ghost tickers" — for its internal performance.
The conclusion was clear: the logic behind those $39 billion is not magic. It's math, data, and obsessive technical culture. And that logic can be documented, explained, and made accessible to anyone on the planet.
OpenJane is a set of skills, commands, and a quantitative analysis agent built on the Claude (Anthropic) ecosystem, translating the operational principles of the world's most successful quantitative firms into analysis accessible to anyone with basic investment knowledge. No coding required. No expensive subscriptions. No PhD.
Research identified verified connections between Jane Street's talent pipeline and specific academic programs via Susquehanna International Group (SIG) — the firm where several Jane Street founders learned quantitative market making.
Verified academic connections:
- Drexel University → direct corporate partnership with SIG, active co-ops in FPGA and software engineering
- Trinity College Dublin → documented SIG internship program, direct recruitment verified
ML models from the ecosystem's public academic research:
| Model | Priority | Academic Source |
|---|---|---|
| Random Forest / Decision Trees | ⭐⭐⭐ | FGV Brazil |
| LSTM for time series | ⭐⭐⭐ | Mackenzie University |
| SVR + PCA | ⭐⭐⭐ | USP Brazil |
| Hidden Markov Models | ⭐⭐⭐ | Hamilton (1989) |
| K-Means / DBSCAN clustering | ⭐⭐ | UDLAP |
| SVM classification | ⭐⭐ | Trinity College Dublin |
| Engle-Granger cointegration | ⭐⭐⭐ | Gatev et al. (2006) |
| Ornstein-Uhlenbeck process | ⭐⭐ | Avellaneda & Lee (2010) |
| VPIN | ⭐⭐ | Easley, López de Prado & O'Hara (2012) |
| Almgren-Chriss execution model | ⭐⭐ | Almgren & Chriss (2000) |
| Walk-forward backtesting | ⭐⭐⭐ | RePEC/OSF |
| Reinforcement Learning | ⭐ | Applied research |
- Massive.com — US equities, options, forex, crypto. Free. No credit card.
- EODHD — Fundamentals, global, 150,000+ tickers. Free. No credit card.
Both have official MCP servers for Claude. The user just types their question.
OpenJane nasceu de uma investigação profunda sobre um dos atores mais secretos e escorregadios dos mercados financeiros globais: a Jane Street.
A Jane Street Capital gerou aproximadamente US$ 39 bilhões em receita de trading em 2024 — mais do que o Goldman Sachs na mesma categoria. Não tem ações em bolsa. Não faz publicidade. Não tem CEO público. E ainda assim é possivelmente a firma mais influente na microestrutura dos mercados financeiros modernos.
A conclusão foi clara: a lógica por trás desses US$ 39 bilhões não é mágica. É matemática, dados e cultura técnica obsessiva. E essa lógica pode ser documentada, explicada e colocada ao alcance de qualquer pessoa no planeta.
OpenJane é um conjunto de skills, comandos e um agente de análise quantitativa construído sobre o ecossistema Claude (Anthropic), que traduz os princípios operacionais das firmas quantitativas mais bem-sucedidas do mundo em análises acessíveis para qualquer pessoa com conhecimento básico de investimento. Sem programação. Sem assinaturas caras.
A pesquisa identificou conexões verificadas entre o pipeline de talentos da Jane Street e programas acadêmicos específicos, via Susquehanna International Group (SIG):
- Drexel University → parceria corporativa direta e verificada com SIG
- Trinity College Dublin → programa de estágios documentado com SIG
Modelos de ML com fonte acadêmica pública verificada:
| Modelo | Prioridade | Fonte |
|---|---|---|
| Random Forest | ⭐⭐⭐ | FGV Brasil |
| LSTM para séries temporais | ⭐⭐⭐ | Universidade Mackenzie |
| SVR + PCA | ⭐⭐⭐ | USP Brasil |
| Hidden Markov Models | ⭐⭐⭐ | Hamilton (1989) |
| Clustering K-Means / DBSCAN | ⭐⭐ | UDLAP |
| SVM para classificação | ⭐⭐ | Trinity College Dublin |
| Cointegração Engle-Granger | ⭐⭐⭐ | Gatev et al. (2006) |
| Processo de Ornstein-Uhlenbeck | ⭐⭐ | Avellaneda & Lee (2010) |
| VPIN | ⭐⭐ | Easley, López de Prado & O'Hara (2012) |
| Modelo Almgren-Chriss | ⭐⭐ | Almgren & Chriss (2000) |
| Backtesting walk-forward | ⭐⭐⭐ | RePEC/OSF |
- Massive.com — Ações EUA, opções, forex, crypto. Gratuito. Sem cartão.
- EODHD — Fundamentais, global, 150.000+ tickers. Gratuito. Sem cartão.
| Investigação original | ussleo |
| Motor de análise | Claude (Anthropic) |
| Arquitetura de referência | anthropics/financial-services |
| Dados de mercado | Massive.com · EODHD |
| Pesquisa acadêmica | FGV · USP · Mackenzie · Trinity College Dublin · Drexel · UDLAP · SSRN · RePEC |
Apache License 2.0 — igual ao repositório da Anthropic que inspirou este projeto.
OpenJane · by Claude · 2025
"Todos tenemos derecho a una parte del pastel." "Everyone deserves a piece of the pie." "Todos merecem um pedaço do bolo."
⚠️ Aviso legal / Disclaimer / Aviso legal: Nada en este repositorio constituye asesoramiento financiero, legal o de inversión. Nothing in this repository constitutes financial, legal, or investment advice. Nada neste repositório constitui assessoria financeira, jurídica ou de investimento. OpenJane produce análisis educativo para revisión humana. No ejecuta transacciones. Tú decides siempre. You always decide. Você sempre decide.