El trading impulsado por IA aún no ha alcanzado un "momento iPhone", cuando todos lleven en el bolsillo un gestor de cartera algorítmico de aprendizaje por refuerzo, pero algo así está por llegar, según los expertos.

De hecho, el poder de la IA encuentra su límite cuando se enfrenta al dinámico y adverso escenario de los mercados de trading. A diferencia de un agente de IA informado por infinitos circuitos de coches autónomos que aprenden a reconocer con precisión las señales de tráfico, ninguna cantidad de datos y modelado podrá jamás predecir el futuro.

Esto hace que refinar los modelos de trading con IA sea un proceso complejo y exigente. La medida del éxito tradicionalmente ha sido evaluar las ganancias y pérdidas (PNL). Pero los avances en la personalización de algoritmos están generando agentes que aprenden continuamente a equilibrar riesgo y recompensa cuando se enfrentan a múltiples condiciones de mercado.

Permitir que métricas ajustadas al riesgo como el Ratio de Sharpe informen el proceso de aprendizaje multiplica la sofisticación de una prueba, dijo Michael Sena, director de marketing de Recall Labs, una empresa que ha ejecutado unos 20 escenarios de trading con IA, donde una comunidad envía agentes de trading con IA, y esos agentes compiten durante un período de cuatro o cinco días.

"Cuando se trata de escanear el mercado en busca de alfa, la próxima generación de desarrolladores está explorando la personalización y especialización de algoritmos, teniendo en cuenta las preferencias del usuario", dijo Sena en una entrevista. "Estar optimizado para un ratio particular y no solo para el PNL bruto es más parecido a la forma en que trabajan las principales instituciones financieras en los mercados tradicionales. Así que, mirando cosas como, ¿cuál es tu máxima caída, cuánto fue tu valor en riesgo para generar este PNL?"

Dando un paso atrás, una reciente competición de trading en el exchange descentralizado Hyperliquid, que involucró varios modelos de lenguaje grandes (LLMs), como GPT-5, DeepSeek y Gemini Pro, estableció de alguna manera la línea base de dónde está la IA en el mundo del trading. A todos estos LLMs se les dio la misma instrucción y ejecutaron de forma autónoma, tomando decisiones. Pero no fueron tan buenos, según Sena, apenas superando al mercado.

"Tomamos los modelos de IA utilizados en el concurso de Hyperliquid y permitimos que las personas enviaran sus agentes de trading que habían construido para competir contra esos modelos. Queríamos ver si los agentes de trading son mejores que los modelos fundamentales, con esa especialización adicional", dijo Sena.

Los tres primeros puestos en la competición de Recall fueron ocupados por modelos personalizados. "Algunos modelos no fueron rentables y tuvieron un rendimiento inferior, pero se hizo evidente que los agentes de trading especializados que toman estos modelos y aplican lógica adicional, inferencia y fuentes de datos y cosas por encima, están superando a la IA básica", dijo.

La democratización del trading basado en IA plantea interesantes preguntas sobre si quedará algún alfa por cubrir si todos utilizan el mismo nivel de tecnología sofisticada de aprendizaje automático.

"Si todos usan el mismo agente y ese agente está ejecutando la misma estrategia para todos, ¿eso se colapsa en sí mismo?" dijo Sena. "¿Desaparece el alfa que está detectando porque está tratando de ejecutarlo a escala para todos los demás?"

Por eso, los mejor posicionados para beneficiarse de la ventaja que eventualmente traerá el trading con IA son aquellos con los recursos para invertir en el desarrollo de herramientas personalizadas, dijo Sena. Como en las finanzas tradicionales, las herramientas de mayor calidad que generan más alfa típicamente no son públicas, añadió.

"La gente quiere mantener estas herramientas lo más privadas posible, porque quieren proteger ese alfa", dijo Sena. "Pagaron mucho por ello. Lo viste con los fondos de cobertura comprando conjuntos de datos. Puedes verlo con algoritmos propietarios desarrollados por family offices.

"Creo que el punto dulce mágico será donde haya un producto que sea un gestor de cartera pero el usuario todavía tenga algo que decir en su estrategia. Pueden decir: 'Así es como me gusta operar y estos son mis parámetros, implementemos algo similar, pero hagámoslo mejor'."