Sistemas de trading de acciones con IA

Separa los tres significados de un sistema de trading con IA

Decide si estás construyendo investigación, evaluando una estrategia u operando un sistema de ejecución. Para investigación, empieza con un informe vinculado a fuentes. Para evaluar una estrategia, define reglas y un conjunto de datos de un momento concreto. Para ejecutar, especifica la autorización y la gestión del estado de órdenes antes de conceder acceso. Una explicación generada por un modelo es una hipótesis; un backtest es un experimento sujeto a supuestos; una orden es una acción externa con consecuencias financieras. Mantener estas salidas separadas te ayuda a elegir el proyecto correcto y evita que un paso correcto de una capa oculte un paso ausente de otra.

Define el contrato entre cada capa

Mantén visible el límite incluso cuando una aplicación empaquete varias capas. La etapa de investigación debe devolver observaciones estructuradas y elementos sin resolver. La etapa de evaluación debe consumir reglas explícitas, versiones de datos y supuestos. La etapa de ejecución debe aceptar solo instrucciones autorizadas bajo restricciones aplicadas de forma independiente. Evita que una fuente ausente se convierta en una señal neutral implícita o que un número de confianza generado se convierta en tamaño de posición. Son decisiones de dominio que necesitan una responsabilidad documentada.

Usa LLM para tareas de investigación acotadas

Los modelos lingüísticos pueden comparar divulgaciones, redactar código de análisis y explicar logs de experimentos. Da a cada tarea un paquete de fuentes conocido y exige referencias en su salida. Para la asistencia de código, proporciona la especificación del experimento y el esquema de datos esperado, y revisa el código generado antes de ejecutarlo. Mantén separadas las credenciales de datos financieros de las credenciales del modelo y deja las herramientas de investigación en modo de solo lectura por defecto. Un artículo o informe recibido mediante recuperación nunca debe adquirir autoridad para cambiar permisos de ejecución. Estos límites hacen que una aplicación de investigación sea más fácil de depurar sin acoplar cada solicitud del modelo a un sistema de trading.

Distingue los experimentos de Qlib del entrenamiento de FinRL

Qlib proporciona un flujo cuantitativo con preparación de datos, entrenamiento de modelos y evaluación. FinRL estudia políticas de aprendizaje por refuerzo en entornos de mercado. Ninguno de sus flujos centrales es un endpoint de chat general. Un LLM puede sugerir un factor o editar código de experimentos alrededor de ellos, pero los cálculos reales consumen recursos de cálculo locales o alojados y dependen de sus conjuntos de datos. Elige un framework según la hipótesis que se evalúa. No compares el argumento escrito de un agente con una recompensa de aprendizaje por refuerzo como si fueran mediciones del mismo resultado.

Audita la disponibilidad de información y los supuestos de ejecución

Una fecha histórica en un prompt no garantiza datos de un momento concreto. Registra cuándo se hicieron públicas las divulgaciones, cómo se gestionan las revisiones y qué valores existían en el universo en ese momento. Para mercados internacionales, confirma el calendario de negociación, el mapeo de clases de acciones y el tratamiento de la moneda. Los supuestos de evaluación también deben cubrir comisiones, spreads, slippage, liquidez y restricciones de mercado aplicables. Si esas entradas no están disponibles, informa del límite de evaluación. Cambiar los supuestos después de ver una curva favorable puede hacer engañoso un cálculo reproducible aunque el código no contenga un error evidente.

Mantén los permisos y las comprobaciones de riesgo fuera de la prosa generada

Un informe de investigación no debe poder concederse permisos de trading a sí mismo. Un sistema de ejecución posterior necesita una responsabilidad explícita para la autorización, los límites de posición, la detección de duplicados, la cancelación y la conciliación. Aplica esos controles en el código y en los permisos del servicio, no solo en un prompt. Conserva la diferencia entre que un analista apruebe un artefacto de investigación y que una persona autorice una orden. Una etiqueta de advertencia al final de un informe no compensa que un agente tenga credenciales de bróker innecesarias en su entorno.

{
  "mode": "research",
  "data_access": "read_only",
  "order_submission": "disabled",
  "artifact_review": "required",
  "missing_required_data": "stop",
  "evaluation_status": "not_run"
}

Mide la fiabilidad del sistema independientemente de los retornos

Antes de evaluar una estrategia, verifica si los trabajos terminan con las fuentes previstas, si los fallos se exponen y si los resultados pueden reproducirse a partir de las entradas guardadas. Registra la cobertura de fuentes, las salidas rechazadas y la facturación sin resolver en lugar de inventar una tasa de éxito. La ejecución simulada añade pruebas de las transiciones del estado de órdenes, pero no recrea todas las condiciones del mercado en vivo. Una prueba correcta del cliente solo establece la conectividad a través de ese cliente. Mantén evidencias separadas para las llamadas al modelo, la investigación completa, la evaluación histórica y cualquier entorno de ejecución posterior.

Usa un presupuesto de evaluación acotado

Limita antes de una ejecución el número de estrategias candidatas, iteraciones del modelo e intentos de reintento. De lo contrario, el código generado por el agente puede crear una búsqueda abierta sobre los mismos datos de evaluación. Conserva las hipótesis fallidas y el motivo por el que se rechazó cada candidata. Cuenta los datos, el cálculo y la revisión del analista junto a los cargos del modelo, usando el contrato actual del modelo en lugar de un precio fijo copiado en un artículo. Una comparación creíble informa de lo que se intentó y de lo que sigue sin conocerse. La guía de fraude de IA de Investor.gov recuerda que el lenguaje de rendimiento garantizado es una señal de advertencia, no una evidencia.

Evidencia y alcance

Esta comparación usa documentación oficial de frameworks y describe el diseño del sistema. No contiene una estrategia ejecutada, un resultado de paper trading ni un caso de trading en vivo. Cualquier afirmación de rendimiento posterior necesita su propio conjunto de datos, experimento y evidencia de ejecución, con los supuestos y límites de revisión declarados.

Preguntas frecuentes