Una orden falsa puede nacer y morir en menos de un milisegundo. Si tu motor de riesgo mira el libro de órdenes cada segundo, ya llegó tarde. MicroFraud ejecuta núcleos neuronales en el mismo servidor de la bolsa y clasifica cada evento del feed mientras el matching engine aún lo está procesando.
Lo que un sistema remoto nunca ve: cancelaciones agrupadas en microventanas, capas de liquidez que se desmontan en el mismo instante en que se dibujan, y una latencia de inferencia que se mide en microsegundos, no en milisegundos.
Cómo desplegamos la inferencia en el bordeSi quieres ver el detalle técnico antes de decidir, empieza por los casos de uso o revisa qué cubre cada despliegue.
El mismo motor de inferencia se ofrece en tres configuraciones según dónde necesites la decisión: junto al matching engine, en tu propio rack de colocación o en un nodo intermedio de la red de la bolsa. La elección depende menos del presupuesto y más del tipo de manipulación que quieras atrapar.
Latencia de inferencia por debajo del microsegundo
El modelo corre en el mismo chasis que el motor de emparejamiento, con acceso directo al feed de mensajes antes de que se publique. Detecta spoofing y layering en la ventana en la que la orden falsa todavía existe. Requiere acuerdo con el operador de la bolsa y una tarjeta dedicada reservada al clasificador.
Ver requisitos de colocaciónControl total sobre pesos y versionado
Instalas el acelerador en tu propia jaula, conectado al mismo switch que tu motor de órdenes. La latencia sube unas decenas de microsegundos respecto al despliegue anterior, pero mantienes la política de actualización de modelos, los registros de auditoría y la posibilidad de reentrenar con tus propios datos de cola.
Casos donde encajaPunto de entrada para mesas pequeñas
El clasificador se ejecuta en un nodo compartido dentro del mismo centro de datos, sin necesidad de rack propio. Es la vía más rápida para empezar a medir anomalías en el flujo de órdenes y calibrar umbrales antes de mover la inferencia al borde. Los modelos se actualizan desde un canal gestionado.
Qué incluye el nodoSi tu libro de órdenes ya convive con cancelaciones agrupadas en microventanas, la diferencia entre estas tres opciones se reduce a cuántos microsegundos puedes permitirte antes de bloquear una técnica.
El modelo corre en el mismo rack que el motor de emparejamiento, así que ve el evento antes de que se propague al feed público. La consecuencia práctica: una orden fantasma se marca como sospechosa mientras aún existe, no cuando ya movió la referencia.
Los pesos viven en un acelerador dedicado junto al matching engine. No hay round-trip a un centro de datos remoto, así que la decisión se toma en la misma microventana en la que llega el mensaje. El coste real es de memoria y de cómputo acotado, no de ancho de banda.
Una orden legítima que se retira deja un rastro distinto al de una que solo existía para presionar el libro. El clasificador compara agrupaciones de cancelaciones en ventanas sub-milisegundo y separa la retirada táctica normal del patrón de órdenes fantasma.
El layering se apoya en varios niveles sincronizados en el mismo lado. Los umbrales fijos fallan porque la operativa legítima también acumula profundidad. Aquí se mide la coordinación temporal entre niveles, no el volumen bruto.
Actualizar pesos en caliente exige políticas de rollback y respaldo cuando el modelo se degrada. Se versiona por lotes y se valida contra tráfico en sombra antes de activar la decisión sobre el flujo real.
Para ver cómo se aplica esto en distintos mercados, revisa los casos de uso o el enfoque de despliegue.