Te explicaré exactamente cómo construir los loops que ejecutan todo un sistema de trading cuantitativo por sí solos.
Vamos directo al grano.
Guarda esto
- Soy Roan, desarrollador backend especializado en diseño de sistemas, ejecución estilo HFT y sistemas de trading cuantitativo. Mi trabajo se centra en cómo se comportan los mercados de predicción bajo carga. Si tienes sugerencias, colaboraciones interesantes o asociaciones, mis DMs están abiertos.
Algo que comienzo desde hoy.
Si estás construyendo un sistema cuantitativo, a punto de empezar o incluso solo pensando en ello, envíame un DM contándome en qué trabajas o simplemente responde debajo de este artículo y te contactaré (incluso puedes solo darme una captura de tu arquitectura actual).
Revisaré personalmente los primeros 20 setups y te mostraré la brecha entre lo que tienes y un sistema que realmente imprime alpha.
La mayoría de los cuants todavía usan Claude con prompts. Escriben. Esperan. Leen la salida. Vuelven a escribir.
Los constructores más inteligentes del planeta han dejado de hacer eso.
Escriben loops. Los loops le hacen prompts a Claude. Los loops verifican la salida. Los loops deciden qué hacer después. Los loops siguen funcionando incluso después de cerrar la laptop.
Boris Cherny, el jefe de Claude Code en Anthropic, lo dijo claramente hace dos semanas. "Ya no le hago prompts a Claude. Tengo loops ejecutándose que le hacen prompts a Claude y deciden qué hacer. Mi trabajo es escribir loops." Esa sola frase redefinió cómo piensa construir todo ingeniero de IA serio en la tierra. Y encaja perfectamente con el trading cuantitativo.
La mayoría de los cuants minoristas leerán esto y dirán que no aplica porque son muy pequeños. Están equivocados. Cuanto más pequeño es tu capital, más importa esto. Un loop auto-ejecutable es la única forma en que un constructor individual puede cerrar la brecha con un fondo que tiene 100 PhDs.
Porque el trading cuantitativo ya es un loop. Obtener datos. Generar señales. Backtestear. Ejecutar. Monitorear riesgo. Repetir.
Cada fondo en Wall Street ejecuta ese ciclo exacto. Renaissance lo ha estado ejecutando desde 1988. Citadel lo ejecuta con equipos de ingenieros monitoreando cada etapa. Two Sigma, Jane Street, todos ellos.
La única diferencia es que ellos necesitan cientos de humanos sentados dentro del loop. Tú no.
Ya he construido este loop para mí. Obtiene datos del mercado según un cronograma. Ejecuta investigación de alpha. Verifica cada señal a través de un agente separado. Ejecuta solo lo que pasa la verificación. Escribe cada lección de vuelta a la memoria.
Este artículo es todo lo que he aprendido sobre ingeniería de loops y cómo conectarlo en un sistema de trading autónomo completo.
Al final de esto sabrás:
La diferencia exacta entre hacerle un prompt a un agente e ingenierizar un loop.
Las seis piezas que ejecutan todo loop funcional en producción.
Cómo conectar esas seis piezas en un sistema de trading cuantitativo auto-mejorable desde cero.
Vamos a ello.
Parte 1: La Diferencia Entre Hacer Prompts e Ingeniería de Loops
Durante los últimos dos años, trabajar con IA se veía así.
Escribías un prompt. Leías lo que devolvía. Escribías el siguiente prompt basado en lo que veías.
Tú eras el loop.
El agente era una herramienta. Lo sostenías todo el tiempo. Cada movimiento eras tú sentado frente al teclado decidiendo qué hacer después.
La ingeniería de loops termina con eso.
Dejas de ser la cosa dentro del loop. Te conviertes en el arquitecto que lo diseña.
Un loop es un objetivo recursivo. Defines un propósito. El agente itera contra él. El loop sigue ejecutándose hasta que se cumple una condición de parada real.
El agente olvida entre ejecuciones. El loop no.
Ese simple hecho es toda la arquitectura.
Esto es lo que Boris quiso decir cuando dijo que su trabajo es escribir loops. Dejó de escribir instrucciones una por una. Construyó sistemas que envían las instrucciones por él, leen los resultados y deciden qué hacer después.
Para la programación, esto cambia cómo se entrega el software.
Para el trading, esto lo cambia todo.
Porque ningún quant ha ganado dinero escribiendo un solo prompt y yéndose. La ventaja viene de ejecutar el mismo ciclo miles de veces, mejorando un uno por ciento cada iteración, y nunca durmiendo.
Eso es exactamente lo que hace un loop.
Si todavía estás escribiendo prompts en Claude un trade a la vez, estás haciendo lo que Boris dejó de hacer hace dos años. El punto de apalancamiento se ha movido un piso arriba. Ya no estás escribiendo mejores prompts. Estás escribiendo el sistema que escribe los prompts.
La Diferencia Entre Hacer Prompts e Ingeniería de Loops
Parte 2: Las Seis Piezas Que Ejecutan Todo Loop Funcional
Un loop funcional está construido con seis partes. Falta una y el loop se rompe silenciosamente.
1. La automatización.
Este es el latido del corazón. Un cronograma cron, un webhook, un comando /loop o un hook dentro de Claude Code que se dispara sin que tú escribas.
Hay dos sabores que vale la pena conocer. /loop se re-ejecuta en una cadencia sin importar el estado. /goal continúa hasta que una condición verificable que escribiste sea realmente verdadera, con un modelo pequeño separado calificando si el trabajo está hecho.
En trading, /loop es tu obtención de datos cada minuto. /goal es "sigue iterando en esta señal hasta que el Sharpe del backtest esté por encima de 1.5."
2. La habilidad.
Una habilidad es un manual de procedimientos que el agente lee en lugar de que se le diga desde cero cada sesión.
Vive en un archivo SKILL.md. Contiene tus convenciones, tus reglas, tus "no lo hacemos así por ese incidente."
Sin habilidades, cada ejecución del loop empieza desde cero. Con habilidades, la intención se acumula.
3. El archivo de estado.
Un archivo markdown. Generalmente llamado STATE.md o PROGRESS.md.
Sobrevive entre ejecuciones. El agente olvida. El archivo no.
El agente lo lee al inicio de cada ejecución. Escribe lo que sucedió al final.
Esto suena demasiado tonto como para importar. En realidad es la columna vertebral de todo loop funcional.
4. El verificador.
El agente que escribió el código es el peor juez posible de si el código es correcto.
Aplica esto al trading. El agente que generó la señal es el peor juez posible de si la señal es alpha real o ruido.
Necesitas un agente separado, con instrucciones diferentes, idealmente un modelo diferente, cuyo único trabajo sea verificar el trabajo.
Este es el patrón maker-checker. Cada prop shop en Wall Street está estructurado así internamente. En Jane Street, el trader que propone un trade no aprueba el trade. En Citadel, el investigador que construye el modelo no valida el modelo.
5. Los worktrees.
En el momento en que ejecutas más de un agente contra los mismos archivos, comienzan a chocar.
Los worktrees de Git le dan a cada agente su propio directorio de trabajo aislado apuntando a su propia rama.
En trading, esto te permite ejecutar investigación de señales, backtesting y monitoreo de riesgo en paralelo sin pisarse nunca.
6. Los conectores.
Un loop que solo puede leer archivos es un loop diminuto.
Los conectores construidos sobre el Model Context Protocol permiten que el loop acceda a una API de broker, consulte una base de datos, publique en Slack, envíe órdenes al exchange.
Esta es la diferencia entre un loop que sugiere trades y un loop que realmente los coloca.
Estas seis piezas son universales. Aparecen en Claude Code. Aparecen en Codex. Aparecen en todo sistema agéntico funcional del planeta.
Ahora déjame mostrarte cómo conectarlas juntas en un sistema de trading completo.
Parte 3: Cómo Construir un Loop de Trading Cuantitativo Auto-Mejorable
El loop de trading cuantitativo tiene cinco etapas. Cada etapa es su propio sub-loop, con su propia habilidad, su propio archivo de estado y su propio verificador.
Etapa uno. Ingesta de datos.
Una automatización se dispara cada minuto, cada hora o cada día dependiendo de la clase de activo.
1@loop(interval="1h")2def ingest_data():3 data = fetch_market_data(symbols=universe, lookback="30d")4 state.write("latest_data.parquet", data)
Los datos van a un archivo de estado compartido que la siguiente etapa lee.
Etapa dos. Generación de señales.
Aquí es donde ocurre la investigación de alpha.
1@loop(trigger="data_updated")2def generate_signal():3 data = state.read("latest_data.parquet")4 signal = claude.run_skill("alpha_research", data)5 state.write("pending_signal.json", signal)
El agente de generación de señales lee de un archivo SKILL.md que contiene tus reglas de investigación de alpha.
1# alpha_research_skill.md23## Objetivo4Generar señales usando regresión lineal en los últimos 30 días5de datos de precio y volumen.67## Reglas8- El ratio Sharpe debe estar por encima de 1.5 en 3 de los últimos 5 backtests9- El tamaño de la posición está limitado al 2 por ciento del capital por señal10- Saltar señales en días de anuncios del FOMC11- Saltar señales 48 horas antes de publicaciones de resultados1213## Lecciones aprendidas14- 2026-02-14: Perdí 4.2 por ciento durante la semana de resultados.15 Nueva regla: saltar cualquier señal 48 horas antes de resultados.16- 2026-03-08: Una violación de exposición sectorial causó una caída del 6 por ciento.17 Nueva regla: limitar la exposición sectorial al 30 por ciento.18- 2026-04-22: Una señal de momentum explotó en día de FOMC.19 Nueva regla: eliminar todas las señales de momentum en días de FOMC.
La habilidad crece con el tiempo. Cada pérdida escribe una nueva lección. Cada lección se convierte en una nueva regla para la siguiente ejecución.
Esto es lo que hace que el sistema sea auto-mejorable.
Etapa tres. Verificación.
La señal va a un agente completamente separado. Modelo diferente. Instrucciones diferentes. Sin exposición a cómo se razonó la señal original.
1@checker2def verify_signal(signal):3 result = claude.invoke(4 skill="backtest_verification_skill.md",5 signal=signal,6 rules=[7 "Ratio Sharpe por encima de 1.5",8 "Caída máxima por debajo del 10 por ciento",9 "Estadístico t de Newey-West por encima de 2.0",10 "Período fuera de muestra de al menos 2 años"11 ]12 )13 return result.verdict
Si la verificación falla, la señal se elimina. Si pasa, pasa a ejecución.
El verificador nunca ve lo que razonó el creador. Esa separación es toda la ventaja.
También puedes usar un modelo más fuerte para el verificador que para el creador. Claude Opus para verificación, Claude Sonnet para generación. Diferentes arquitecturas de modelos detectan diferentes tipos de errores. Esta es la misma lógica que usan los métodos de ensemble en machine learning.
La división maker-checker
Etapa cuatro. Ejecución.
Solo las señales verificadas llegan a esta etapa.
1@auto_mode2def execute(signal):3 if verify_signal(signal):4 broker.send_orders(signal, max_position=0.02)5 state.write("active_trades", signal)
El conector MCP maneja la API del broker. El loop nunca pide permiso. El modo auto le permite funcionar sin intervención.
Etapa cinco. Monitoreo de riesgo.
Ejecutándose en un worktree paralelo todo el tiempo.
1@loop(interval="1m")2def monitor_risk():3 positions = broker.get_positions()4 if drawdown(positions) > 0.05:5 broker.close_all()6 state.append("STATE.md", "Se activó el límite de caída. Todas las posiciones cerradas.")
Este es el interruptor de apagado. Hace cumplir las reglas sin negociación.
Juntos, estos cinco sub-loops forman un sistema auto-ejecutable.
Los datos fluyen. Las señales se generan. Las señales se verifican. Las señales verificadas se ejecutan. El riesgo se monitorea. Las lecciones se escriben de vuelta a la memoria.
Luego comienza de nuevo.
Cómo se acumula el loop
Diseñé esto una vez. No he hecho prompts para ninguno de estos pasos desde entonces.
Eso es ingeniería de loops. Eso es lo que Boris quiso decir cuando dijo que su trabajo es escribir loops.
Una advertencia. Un loop sin una condición de parada real falla silenciosamente. El agente emite una señal de finalización creyendo que el trabajo a medio hacer está terminado. El loop sale. El mal trade queda abierto.
Tus condiciones de parada deben ser verificables por algo distinto a la propia afirmación del agente. "Sharpe por encima de 1.5 en los últimos 30 trades." "Caída por debajo del 5 por ciento." "El conjunto de pruebas pasa." Nunca "el agente dice que está hecho."
En mi artículo sobre teoría de juegos expliqué por qué cada trade es un movimiento estratégico en un juego multijugador con información imperfecta. Si te lo perdiste, querrás leerlo justo después de esto:
https://x.com/RohOnChain/status/2066178991892119820
El loop es lo que te permite sentarte en esa mesa para siempre sin quemarte.
Resumen
El trading cuantitativo ya es un loop. Cada fondo en Wall Street lo ejecuta. Solo que necesitan cientos de humanos sentados dentro.
La ingeniería de loops elimina a los humanos.
Seis piezas hacen todo loop funcional. Las automatizaciones marcan el ritmo. Las habilidades contienen el conocimiento del proyecto. Los archivos de estado contienen la memoria. Los verificadores califican la salida. Los worktrees aíslan el trabajo paralelo. Los conectores le dan manos al loop en el mundo real.
Conéctalos alrededor del ciclo de trading de cinco etapas y tienes un sistema auto-mejorable que ejecuta investigación de alpha, verifica señales, ejecuta trades y monitorea el riesgo por sí solo.
El sistema se vuelve más inteligente con cada ciclo. Cada pérdida escribe una nueva lección. Cada lección se convierte en una nueva regla. Después de cien trades, el archivo de habilidad es un documento vivo. Después de mil, está más cerca del conocimiento institucional que cualquier cosa que un solo humano podría recordar.
Los fondos que construyan esto primero se acumularán durante la próxima década. Los que todavía hacen prompts se quedarán atrás.
Así que aquí está la pregunta para reflexionar.
Si la ingeniería de loops es la siguiente abstracción por encima de los prompts, y el trading cuantitativo es el loop de más alto riesgo en el mundo, ¿eres la persona que todavía escribe prompts un trade a la vez, o eres el arquitecto que diseñó el loop que tradea por ti mientras duermes?
No hay una respuesta incorrecta, pero hay algunas muy reveladoras.
