Mirabilis: agente de IA opera US$20 en Kalshi

Un agente de IA predijo sus propios pagos con un margen de centavos

Con una cuenta de US$20, un agente de IA autónomo modeló el programa de incentivos de liquidez de Kalshi y acertó: su modelo calculó US$4.44 de pago en un programa semanal y la plataforma pagó US$4.57. En tres programas de una hora, el modelo estimó US$15.58 y Kalshi pagó US$15.73.

Ese nivel de precisión no es un detalle financiero menor. Significa que un agente de software puede leer las reglas de un mecanismo de incentivos, traducirlas a un modelo de scoring y operar en consecuencia. Para cualquier founder que construya productos sobre APIs de terceros, ese es el patrón que importa.

Qué es lip-ledger y quién lo construyó

lip-ledger es un toolkit open source en Python 3.9+, con licencia MIT, que modela el Liquidity Incentive Program (LIP) de Kalshi. Lo construyó Mirabilis, un agente autónomo basado en Claude Code que opera una cuenta real y pequeña en Kalshi bajo supervisión humana.

El proyecto es deliberadamente conservador en su diseño: es read-only, no requiere API key y no incluye código para colocar órdenes. Solo lee endpoints públicos. El agente reporta el valor neto de su cuenta todos los días, incluidas las pérdidas.

La herramienta trae un cliente de API pública y una CLI con comandos concretos:

• programs — muestra qué lados contados pagarían más por dólar de colateral en reposo.
• score — calcula la participación y el pago esperado de una orden hipotética.
• record — muestrea los libros de órdenes públicos una vez por minuto.
• analyze — calcula la fracción contada y la participación media de una orden hipotética.

Cómo funciona el modelo de scoring del LIP

El modelo replica los términos limpios del programa, efectivos desde el 30 de julio de 2026 según el filing ante la CFTC. La mecánica, tal como la describe el repositorio:

• Cada lado del libro se puntúa por separado, en snapshots de un segundo.
• El precio de referencia es el primer nivel, caminando hacia abajo desde el mejor bid, donde el tamaño acumulado alcanza un quinto del objetivo.
• Las órdenes calificadas se puntúan como tamaño × d^(ticks por debajo de la referencia), donde d es el factor de descuento.
• El snapshot cuenta solo si ambos lados alcanzan el objetivo.
• El pago es pool × 0.5 × tu participación × fracción contada, por lado, en un lote diario y solo si supera US$1.00.

La documentación oficial de Kalshi confirma esos parámetros y agrega dos que un operador necesita conocer: el tamaño objetivo se fija en cada período entre más de 100 y menos de 20,000 contratos, y los premios diarios van de US$1 a US$1,000 por mercado por día. El programa tiene fecha de finalización el 1 de enero de 2027.

Un detalle clave que el modelo expone: como el snapshot solo cuenta si ambos lados llegan al objetivo, un mercado con profundidad de un solo lado paga proporcionalmente menos que su premio nominal. Esa es la trampa donde se cae la mayoría de los que calculan incentivos a ojo.

Los números: el pago es predecible, el riesgo de ejecución no

La validación del modelo se hizo con una sola cuenta de US$20 entre el 2 y el 10 de octubre de 2026. En esos ocho días, el agente recibió US$20.30 en recompensas y acumuló US$36.06 en pérdidas de trading.

El propio autor lo dice sin adornos en el repositorio: el pago es predecible, el riesgo de fill es la parte difícil. Los traders rápidos barren las órdenes baratas en reposo antes de que se ejecuten. En otras palabras, el modelo resuelve el problema de cuánto voy a cobrar, no el de si voy a poder mantener la posición.

Esa distinción es la lección más transferible del experimento. Un modelo exacto del incentivo no es una estrategia rentable: es un insumo para una. La brecha entre US$20.30 de recompensas y US$36.06 de pérdidas es exactamente esa diferencia.

El contexto: Kalshi reordena sus incentivos

El proyecto aparece en un momento de cambio para los programas de incentivos de Kalshi. La plataforma presentó el 28 de septiembre un filing ante la CFTC para terminar su Volume Incentive Program no antes del 13 de octubre de 2026, casi un año antes de su vencimiento original, según reportó Defirate. El aviso no da razones.

La diferencia entre ambos programas es justamente la que el toolkit modela. El programa de volumen pagaba por operaciones ejecutadas; el de liquidez paga por órdenes en reposo que mejoran el libro, aunque nunca se ejecuten. Yahoo Finance recogió que Kalshi sostuvo que sus programas de market maker para perpetuos pagan por liquidez en reposo y «no recompensan volumen operado».

El trasfondo regulatorio es relevante: en agosto, el staff de la CFTC emitió un aviso advirtiendo que las recompensas atadas a umbrales de volumen «pueden alentar a los participantes a operar solo para alcanzar objetivos de volumen». La agencia pidió a los exchanges revisar los programas ya presentados.

En paralelo, el interés por agentes de IA en mercados de predicción crece. Fortune reportó que la app de inversión Public lanzó un producto junto a Kalshi que permite a agentes de IA ejecutar estrategias ligadas a eventos del mundo real, con reglas que el usuario debe aprobar antes de que el agente actúe.

¿Qué significa esto para tu startup?

Tres cosas, y ninguna es sobre trading.

Primero: los incentivos de plataformas son código, y el código se puede modelar. Si tu producto depende de un programa de recompensas, comisiones por referencia o subsidios de un marketplace, ese programa tiene una fórmula. Leerla y simularla antes de comprometer capital es una ventaja competitiva real, no un ejercicio académico.

Segundo: separa el retorno esperado del riesgo de ejecución. El caso de Mirabilis muestra que se puede acertar el pago con precisión de centavos y aun así perder dinero. Si tu modelo de negocio asume que un ingreso es seguro porque la fórmula es clara, estás ignorando la mitad del problema.

Tercero: la transparencia regulatoria es una fuente de datos. El modelo se pudo construir porque Kalshi publica los términos de su programa en sus avisos regulatorios. Los filings son documentación técnica gratuita para quien se tome el trabajo de leerlos.

Acciones concretas para founders

• Antes de construir sobre un incentivo de terceros, escribe su fórmula. Toma los términos públicos del programa y exprésalos como una función: qué se mide, cuándo cuenta y cuándo se excluye. Si no puedes escribirlo en cinco líneas, no lo entiendes lo suficiente para depender de él.
• Valida con una cuenta pequeña antes de escalar. El experimento de Mirabilis usó US$20. Ese es el costo de aprender si tu modelo del mecanismo resiste la realidad, y es infinitamente más barato que descubrirlo con capital serio.
• Instrumenta la diferencia entre lo esperado y lo real. El valor del toolkit no está en su predicción, sino en que produce un número comparable contra el pago efectivo. Sin esa métrica, no sabes si tu edge existe o si estás confundiendo suerte con modelo.

Conclusión

lip-ledger es un caso poco común: un agente de IA documentando públicamente, con código y con pérdidas incluidas, cómo modeló un mecanismo financiero real. El resultado es mixto y por eso mismo es útil. El modelo de scoring funciona; la estrategia de trading no. Para un founder, la lección no es copiar la operación, sino adoptar el método: leer las reglas, escribir la fórmula, medir contra la realidad y no confundir un cálculo correcto con un negocio rentable.

Fuentes

• lip-ledger (fuente original)
• Liquidity Incentive Program – Kalshi Help Center
• Kalshi Moves to End Volume Rewards as CFTC Scrutinizes Prediction Markets – Defirate
• Kalshi Ends Its Trader Volume Rewards a Year Early – Yahoo Finance
• Public brings AI trading agents to prediction markets with Kalshi tie-up – Yahoo Finance

Artículos relacionados:

Kalshi negocia valoración de $40.000M: lecciones para founders Giannis Antetokounmpo invierte en Kalshi: fintech récord Kalshi integra Threads: mercados predictivos en redes OpenAI integra Kalshi en ChatGPT: primera alianza con mercados de predicción Kalshi procesa $27.000M en el Mundial: lecciones para founders