El “Momento iPhone” del Aprendizaje Automático en Cripto se Acerca a Medida que los Agentes de IA Operan en el Mercado

El trading impulsado por inteligencia artificial aún no ha alcanzado un “momento iPhone,” cuando todos lleven en el bolsillo un gestor de carteras algorítmico con aprendizaje por refuerzo, pero los expertos aseguran que algo así está por llegar.

De hecho, el poder de la IA encuentra su límite al enfrentarse al dinámico y adversarial escenario de los mercados de trading. A diferencia de un agente de IA informado por circuitos interminables de autos autónomos que aprenden a reconocer señales de tráfico con precisión, ningún volumen de datos y modelado podrá jamás predecir el futuro.

Esto convierte la refinación de los modelos de trading con IA en un proceso complejo y exigente. La medida del éxito ha sido típicamente la evaluación de las ganancias y pérdidas (P&L). Pero los avances en la personalización de algoritmos están generando agentes que aprenden continuamente a equilibrar riesgo y recompensa cuando se enfrentan a una multitud de condiciones de mercado.

Permitiendo métricas ajustadas al riesgo como Ratio de Sharpe para informar el proceso de aprendizaje multiplica la sofisticación de una prueba, dijo Michael Sena, director de marketing en Recall Labs, una firma que ha gestionado alrededor de 20 arenas de trading con inteligencia artificial, donde una comunidad presenta agentes de trading con IA, y dichos 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, tomando en cuenta las preferencias de los usuarios,” dijo Sena en una entrevista. “Estar optimizado para una proporción particular y no solo para el beneficio y pérdida bruto es más parecido a la forma en que las principales instituciones financieras operan en los mercados tradicionales. Así que, observar aspectos como, ¿cuál es su máxima caída?, ¿cuánto fue su valor en riesgo para obtener este beneficio y pérdida?”

Dando un paso atrás, una reciente competencia de trading en el intercambio descentralizado Hyperliquid, que involucra varios grandes modelos de lenguaje (LLMs), como GPT-5, DeepSeek y Gemini Pro, establece una especie de línea base sobre la posición de la IA en el mundo del trading. A todos estos LLMs se les proporcionó el mismo estímulo y ejecutaron de forma autónoma, tomando decisiones. Pero no fueron tan buenos, según Sena, apenas superando el rendimiento del mercado.

“Tomamos los modelos de IA utilizados en el concurso Hyperliquid y permitimos que las personas presentaran sus agentes de trading que habían desarrollado 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 competencia de Recall fueron ocupados por modelos personalizados. “Algunos modelos no fueron rentables y tuvieron un rendimiento inferior, pero se volvió evidente que los agentes de trading especializados que toman estos modelos y aplican lógica adicional, inferencias y fuentes de datos, entre otros elementos, están superando al IA base,” dijo.

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

“Si todos están utilizando el mismo agente y ese agente está ejecutando la misma estrategia para todos, ¿eso no termina colapsando sobre sí mismo?” dijo Sena. “¿La alfa que está detectando desaparece porque intenta ejecutarla a escala para todos los demás?”

Es por eso que aquellos mejor posicionados para beneficiarse de la ventaja que el trading con IA traerá eventualmente son quienes cuentan con los recursos para invertir en el desarrollo de herramientas personalizadas, dijo Sena. Al igual que en las finanzas tradicionales, las herramientas de mayor calidad que generan el mayor alfa generalmente no son públicas, añadió.

“La gente quiere mantener estas herramientas lo más privadas posible, porque desean proteger esa ventaja competitiva,” dijo Sena. “Pagaron mucho por ella. Eso se puede ver con los fondos de cobertura que compran conjuntos de datos. También puede observarse en los algoritmos propietarios desarrollados por oficinas familiares.

“Creo que el punto óptimo mágico será aquel en el que exista un producto que funcione como gestor de cartera, pero en el que el usuario aún tenga cierta voz en su estrategia. Pueden decir: ‘Así es como me gusta operar y estos son mis parámetros, implementemos algo similar, pero mejorado.’”