Jano

Idioma: English | Español

Toolkit de simulación temporal y backtesting para sistemas de machine learning dependientes del tiempo

La capa faltante entre los modelos de ML y la validación temporal en producción.

Políticas explícitas de partición

Definí layouts train/test o train/validation/test con duraciones, filas o proporciones.

Simulaciones operativas

Modelá evaluaciones rolling, expanding o single-window con gaps temporales opcionales.

El drift se vuelve visible

Al mantener los folds anclados en el tiempo, los cambios en resultados y comportamiento quedan expuestos.

Inputs tabulares flexibles

Usá la misma API con pandas, NumPy o Polars manteniendo un único motor temporal.

Visualización de particiones temporales en Jano

Resumen visual de cómo Jano organiza particiones temporales, folds y reporting a lo largo del tiempo.

Jano es un toolkit de Python para estructurar, ejecutar y analizar simulaciones temporales sobre sistemas de machine learning que operan con datos correlacionados en el tiempo. Proporciona un marco explícito para definir políticas de partición temporal, correr evaluaciones walk-forward y generar reportes auditables que reflejan cómo se comportan los modelos bajo dinámicas de producción más realistas.

A diferencia de los splits aleatorios tradicionales, Jano trata la cronología como una restricción de primer nivel. Está pensado para escenarios donde el leakage debe controlarse estrictamente y donde la performance cambia en el tiempo por drift, ciclos de reentrenamiento o cambios en la distribución de los datos.

En la práctica, la superficie recomendada es TemporalSimulation para corridas completas, mientras que TemporalBacktestSplitter sigue disponible para control manual de folds. Jano no calcula métricas de drift directamente; expone la estructura temporal de los resultados para que el drift, los cambios de régimen y la degradación sean observables fold por fold.

Casos de uso típicos:

  • validación walk-forward para forecasting o clasificación temporal

  • simulación de políticas de retraining y despliegue

  • monitoreo de estabilidad del modelo a lo largo del tiempo

  • evaluación de políticas de decisión bajo condiciones de datos cambiantes

Backends soportados:

  • pandas.DataFrame con columnas nombradas

  • numpy.ndarray con referencias enteras de columnas

  • polars.DataFrame a través del extra opcional jano[polars]

Contenidos