Communitygithub.com

Investigación de Oráculo de Mercados de Predicción

Investiga los mercados de predicción como fuentes de datos o señales de oráculo para productos, agentes, paneles y inteligencia de decisiones corporativas. Útil para un análisis basado en fuentes de probabilidades implícitas en el mercado, advertencias y patrones de integración sin incluir asesoramiento de inversión. Emplee al evaluar los mercados de predicción como una fuente de datos o señal de oráculo para un producto, agente o panel.

¿Qué es Investigación de Oráculo de Mercados de Predicción?

Esta habilidad está diseñada para analizar los mercados de predicción como un mecanismo de señalización similar a un oráculo para agentes de IA, paneles de control y sistemas de inteligencia de decisiones. Ayuda a los desarrolladores a extraer probabilidades implícitas en el mercado, evaluar la calidad de la señal (liquidez, diferencial, antigüedad del mercado, concentración de incentivos) y comparar estas señales con fuentes fuera del mercado, como informes de la empresa, noticias o KPI internos. La habilidad respalda varios patrones de integración, incluido el contexto para analistas humanos, datos de panel, memoria de agente, activación por umbrales y planificación de escenarios, todo sin automatizar operaciones ni proporcionar asesoramiento de inversión. Es compatible con cualquier plataforma de agente o aplicación que utilice mercados de predicción como fuente de datos, como Cursor o Claude Code, y requiere un análisis crítico de la manipulación del mercado, la liquidez baja y las reglas de resolución. El resultado incluye el contexto de la decisión, las fuentes del mercado, la calidad de la señal, fuentes de comparación, una recomendación de integración y advertencias, terminando con un descargo legal de que estas señales son insumos informativos, no asesoramiento de inversión.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/prediction-market-oracle-research

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

¿Qué hace Investigación de Oráculo de Mercados de Predicción?

Use esta habilidad cuando se estén considerando los mercados de predicción como una fuente de datos, insumo de pronóstico, señal similar a un oráculo o capa de inteligencia de decisiones.

Salvaguardas

  • No trate los precios del mercado como verdad objetiva.
  • No proporcione asesoramiento de inversión ni recomendaciones de trading.
  • Separe la mecánica del lugar, la liquidez, los incentivos y las reglas de resolución de la señal implícita.
  • Señale manipulación, liquidez baja, mercados inactivos y resultados ambiguos.
  • Para sistemas en cadena o vinculados a ejecución, ejecute llm-trading-agent-security antes de otorgar cualquier autoridad de escritura.

Flujo de Trabajo de Investigación

  1. Defina la decisión que la señal debe informar.
  2. Encuentre mercados, eventos, etiquetas y lugares relevantes.
  3. Registre las probabilidades implícitas en el mercado con marcas de tiempo y enlaces a las fuentes.
  4. Evalúe la calidad de la señal:
    • liquidez
    • diferencial
    • antigüedad del mercado
    • concentración de traders/incentivos si se conoce
    • autoridad de resolución
    • restricciones geográficas o de cuenta
  5. Compare con fuentes no relacionadas con el mercado, como presentaciones, noticias, encuestas, investigaciones, datos de clientes o KPI internos.
  6. Recomiende si la señal es utilizable, débil o no adecuada para la decisión indicada.

Patrones de Integración

  • Asistente de investigación: contexto fundamentado en fuentes para un analista humano.
  • Señal de panel: probabilidad implícita en el mercado junto con métricas internas.
  • Entrada de memoria de agente: una señal con marca de tiempo que se pueda recuperar posteriormente.
  • Entrada de alerta: notificar cuando las probabilidades, los diferenciales o la liquidez crucen un umbral.
  • Planificación de escenarios: comparar múltiples resultados de eventos sin automatizar operaciones.

Contrato de Salida

Use:

  1. contexto de decisión
  2. fuentes del mercado
  3. calidad de la señal
  4. fuentes de comparación
  5. recomendación de integración
  6. advertencias

Termine con:

Las señales de los mercados de predicción son insumos informativos, no asesoramiento de inversión.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

Skills relacionados