Voy a desglosar exactamente cómo las principales firmas de trading del mundo están utilizando la IA en sus flujos de trabajo diarios y compartir todo lo que necesitas para implementar el mismo sistema desde cero.
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 realmente los mercados de predicción bajo carga. Para sugerencias, colaboraciones reflexivas o alianzas, mis DMs están abiertos.
La mayoría de los traders escuchan "IA en el trading" e imaginan un chatbot escupiendo señales de compra.
Lo que realmente está sucediendo dentro de las principales firmas cuantitativas del mundo ahora mismo es algo completamente diferente. Y la brecha entre lo que están haciendo y lo que la mayoría de los traders sistemáticos entienden es una de las ventajas sin explotar más grandes en los mercados modernos.
Jane Street destinó $6 mil millones a infraestructura de nube para IA en 2025. Construyeron un centro de datos especialmente diseñado en Texas que alberga 4,032 GPUs refrigeradas por líquido, específicamente para entrenar modelos de trading de próxima generación. Jane Street generó $39.6 mil millones en ingresos de trading en 2025 con aproximadamente 3,500 empleados. Su director de investigación cuantitativa, Craig Falls, declaró públicamente que dependen de la infraestructura de GPUs de CoreWeave para entrenar y escalar modelos propietarios.
Man Group, el fondo de cobertura cotizado más grande del mundo que gestiona alrededor de $150 mil millones, se asoció públicamente con Anthropic para usar Claude como la columna vertebral de su pipeline de generación de alfa. Su brazo cuantitativo Man Numeric construyó una herramienta interna llamada AlphaGPT que genera, codifica y realiza backtesting de estrategias de trading de forma autónoma.
Two Sigma ha estado ejecutando estrategias impulsadas por IA en $70 mil millones en activos durante años. Citadel construyó un Asistente de IA interno que escanea transcripciones, resume investigaciones de corretaje y señala riesgos para su equipo de renta variable. La herramienta ahora es parte del flujo de trabajo diario de la mayoría de los inversores de renta variable de la firma.
Bridgewater Associates formó su división Artificial Investment Associate Labs en 2023. Su CEO Nir Bar Dea dijo en una conferencia de Bloomberg en marzo de 2025 que su fondo de IA de $2 mil millones está generando "alfa único no correlacionado con lo que hacen nuestros humanos". La IA sirve como la principal tomadora de decisiones en el fondo, mientras que los profesionales humanos supervisan la gestión de riesgos y la ejecución de operaciones.
Estos no son experimentos. Son sistemas de producción que operan con capital real.
Pero aquí está la pregunta que nadie se atreve a hacer en voz alta.
¿Están las principales firmas usando IA para reemplazar a sus quants? ¿O la están usando para hacer que sus quants sean tan rápidos que todos los demás simplemente no puedan seguirles el ritmo?
La respuesta cambia todo sobre cómo deberías construir tu propio sistema. Y al final de este artículo, tendrás la hoja de ruta completa para hacerlo.
Ya he cubierto las Cadenas de Markov para la detección de regímenes y el análisis de series temporales en los artículos anteriores de esta serie. Los flujos de trabajo de IA son la cuarta y última capa que completa el stack de trading institucional.
Al final de este artículo entenderás exactamente cómo Man Group, Jane Street, Bridgewater y Citadel estructuran sus flujos de trabajo de IA desde la investigación hasta la señal en vivo, los cinco casos de uso específicos donde la IA genera la ventaja más medible en el trading sistemático, cómo usar las skills de Claude Code para comprimir tu ciclo de investigación de la misma manera que lo hacen los quants institucionales, la arquitectura completa de pipeline agéntico que puedes construir hoy con herramientas disponibles públicamente, y la única capa que todo sistema de trading con IA necesita que ningún modelo puede proporcionar.
Nota: Este artículo es deliberadamente largo. Cada parte se construye sobre la anterior. Si estás serio acerca de agregar una ventaja genuina impulsada por IA a tu trading sistemático, lee cada palabra. Si buscas un atajo, esto no es para ti.
Parte 1: ¿Reemplazará la IA a los Quants? La Respuesta Que Nadie Te Da
Man Group hizo público AlphaGPT en julio de 2025. Bloomberg lo reportó primero. El sistema genera ideas de señales de trading, escribe el código de implementación y ejecuta los backtests de forma autónoma. El gerente senior de cartera Ziang Fang confirmó que varias docenas de señales ya han sido aprobadas para trading en vivo después de pasar la revisión humana.
Esto es lo que dijo el propio equipo de Man Group: la tecnología ayuda a abordar un desafío creciente en la inversión cuantitativa, que es el enorme volumen de datos y las posibles relaciones de mercado que ha crecido más rápido de lo que cualquier equipo humano puede evaluar manualmente. Su CTO Gary Collier lo llamó una disrupción del propio proceso cuantitativo.
Ese encuadre explica el panorama completo. La IA no está resolviendo un problema de juicio. Está resolviendo un problema de rendimiento. Un equipo de investigación sólido podría probar seriamente veinte ideas de señales en un trimestre. AlphaGPT prueba cientos en una semana. Las ideas que sobreviven pasan a revisión humana. Ni una sola toca capital real sin que un investigador tome una decisión deliberada al respecto.
Bridgewater fue aún más lejos. Su división AIA Labs, liderada por el co-CIO Greg Jensen y el científico jefe Jasjeet Sekhon de Yale, construyó lo que describen como un Motor de Razonamiento de IA que combina grandes modelos de lenguaje, aprendizaje automático y herramientas de razonamiento para entender las relaciones causales en los mercados. Jensen dijo explícitamente: "El gran salto aquí es usar inteligencia mecánica para generar el alfa. Eso es un salto". Pero incluso en su implementación más agresiva, los profesionales humanos aún supervisan la gestión de riesgos, la adquisición de datos y la ejecución de operaciones. La IA decide qué comerciar. Los humanos deciden cuánto riesgo tomar.
Jane Street lo dice directamente en su sitio web: el aprendizaje profundo es parte de su kit de herramientas, no el punto de partida. Trabajan con decenas de miles de GPUs. Los investigadores siguen ahí. Las GPUs multiplican lo que los investigadores pueden hacer.
El CTO de Citadel, Umesh Subramanian, lo dijo claramente en una conferencia en Nueva York a finales de 2025: "No queremos que los PMs deleguen su juicio de inversión humano a la IA. Esta es una herramienta para acelerar aún más su proceso de investigación". El propio Ken Griffin dijo que, si bien la tecnología aumenta la eficiencia, es poco probable que produzca rendimientos superiores al mercado por sí sola.
El patrón es consistente en todas las firmas que han hecho público su implementación de IA. La IA maneja las partes donde la velocidad y el volumen importan: generación de hipótesis, escritura de código, backtesting inicial, procesamiento de datos. Los humanos manejan las partes donde el juicio importa: evaluación de regímenes, asignación de capital, supervisión de riesgos, la decisión de apagar un sistema cuando las condiciones cambian.
Las firmas que están ganando no están reemplazando a sus quants con IA. Están haciendo que sus quants sean 10 veces más rápidos. Ese es el modelo que deberías replicar.
Parte 2: Los Cinco Casos de Uso Que Realmente Generan Ventaja
Caso de Uso 1: Descubrimiento de Señales con Agentes
Esto es lo que Man Group construyó con AlphaGPT. La arquitectura ejecuta cuatro agentes separados en un bucle. El primero genera una hipótesis de señal a partir de datos. El segundo escribe la lógica exacta y el código de implementación. El tercero actúa puramente como un retador cuyo trabajo es encontrar cada razón por la cual la señal podría ser falsa, sobreajustada o económicamente insostenible. El cuarto evalúa el backtest y decide si vale la pena enviar la señal a revisión humana.
Man Group lo describió en sus propias palabras: el sistema se comporta muy parecido a una firma real, un grupo de equipos. Una persona propone. Otra desafía. Una tercera evalúa. Los agentes ejecutan este ciclo a través de cientos de ideas simultáneamente. Las que sobreviven a la revisión adversarial van a un investigador. El resto se descartan.
Man Group también destacó los riesgos que encontraron durante el desarrollo. Alucinación, sesgo de mirar hacia adelante, problemas de pruebas múltiples y muchos otros problemas. Su modelo de razonamiento registra cada decisión en cada paso, proporcionando una transparencia total que los procesos impulsados por humanos no siempre ofrecen.
Caso de Uso 2: Extracción de Señales de Datos Alternativos
Point72 utiliza modelos de PNL para analizar transcripciones de llamadas de ganancias y convertirlas en señales estructuradas que alimentan directamente estrategias de opciones. Two Sigma utiliza aprendizaje automático para extraer señales de imágenes satelitales y datos macroeconómicos. Hudson Labs, una firma especializada en este espacio, ajusta la IA para separar las ganancias reales reportadas de la guía prospectiva, resolviendo el problema de que la IA mezcle números históricos con proyecciones.
El patrón es el mismo en todas partes. La información no estructurada se está convirtiendo en señales numéricas precisas. La ventaja proviene de que la IA procesa cada transcripción, cada presentación, cada pieza de datos disponibles simultáneamente y produce una salida cuantificada consistente.
Para un trader sistemático, la versión más inmediatamente accesible es el análisis de llamadas de ganancias. Las transcripciones son públicas. Aquí está la estructura de extracción de grado de producción exacta:
La salida es un número, no un párrafo. Ese número fluye directamente a tu modelo de dimensionamiento de posiciones.
Caso de Uso 3: Backtesting Acelerado por IA
El mayor cuello de botella en la investigación sistemática no es tener ideas. Es el tiempo entre tener una idea y saber si tiene alguna validez histórica real. Un investigador que reduce ese ciclo a la mitad prueba el doble de estrategias por año. En cinco años, esa diferencia de rendimiento es decisiva.
El flujo de trabajo que obtiene el máximo provecho de esto es preciso desde el principio. Describes la especificación completa de la estrategia antes de escribir una sola línea de código. Condición de entrada, condición de salida, regla de dimensionamiento de posición, período de tenencia, supuesto de costos de transacción y método de validación. La precisión en la descripción produce precisión en la salida.
Caso de Uso 4: Prueba de Significancia Monte Carlo
Cada backtest estándar utiliza un camino a través de la historia. Un camino no es suficiente para saber si tu resultado refleja una ventaja genuina o la secuencia específica de eventos en tu ventana de prueba.
La simulación Monte Carlo genera miles de caminos posibles y te muestra la distribución completa de resultados. El resultado del percentil cinco, la reducción máxima esperada y la probabilidad de una pérdida que exceda tu umbral de riesgo. Esos tres números determinan el tamaño de tu posición antes de comprometer cualquier capital. Ejecutarlos a través de una capa de IA que interpreta los resultados en lenguaje sencillo, diciéndote lo que significan para tu tolerancia al riesgo específica, es cómo los fondos institucionales traducen la salida de la simulación en decisiones de asignación.
Caso de Uso 5: Dimensionamiento de Posiciones Consciente del Régimen
Aquí es donde el marco de Cadenas de Markov del artículo anterior se conecta directamente con la capa de IA. El modelo de régimen te dice dónde está el mercado y la probabilidad de que transicione. La IA sintetiza esa señal con tu reducción actual, tu estimación de volatilidad realizada y la fuerza de tu señal para producir una recomendación de posición consistente en todas las entradas.
Un tamaño de posición correcto en un régimen de tendencia de baja volatilidad es casi con certeza demasiado grande en un régimen de crisis de alta volatilidad. Ninguna entrada individual te dice el tamaño correcto. La síntesis de las cuatro sí lo hace.
Tarea: Clasifica estos cinco casos de uso según cuál tendría el impacto más inmediato en tu investigación actual. Esa clasificación te dice exactamente por dónde empezar.
Parte 3: Skills de Claude Code y las Herramientas Exactas Que se Usan en Producción
Man Group declaró públicamente que Claude mejoró significativamente la eficiencia de las tareas de codificación para sus tecnólogos cuantitativos. Eso es de su anuncio de asociación con Anthropic. Pero Claude Code no es solo un chatbot que escribe código. Es un entorno de codificación agéntico que se ejecuta en tu terminal, lee tus archivos y ejecuta código en tu máquina.
El verdadero poder proviene de las skills. Estos son archivos de instrucción SKILL.md que funcionan como recetas, diciéndole a Claude exactamente cómo abordar una tarea específica. Instala una y Claude se transforma en un especialista para ese dominio.
Aquí están las skills verificadas disponibles ahora mismo que importan para los traders sistemáticos.
La skill Backtesting Frameworks construye arquitecturas de backtesting tanto basadas en eventos como vectorizadas de alta velocidad. Implementa análisis walk forward, pruebas fuera de muestra y modelado realista de costos de transacción incluyendo deslizamiento y comisiones. Fue construida específicamente para eliminar el sesgo de mirar hacia adelante y el sesgo de supervivencia, los dos errores que inflan casi todos los backtests minoristas. La skill maneja flujos de trabajo de optimización multiperíodo y admite parámetros de backtest personalizables en cualquier período de tiempo.
La skill Quant Trading and Backtesting va más allá. Incluye detección automatizada de Sharp Edge, que identifica los errores específicos de backtesting que hacen que las estrategias se vean rentables en investigación y fallen inmediatamente en mercados en vivo. Investigación de factores y minería de alfa en dimensiones de valor, impulso y calidad. Dimensionamiento de posiciones basado en el Criterio de Kelly. Y plantillas completas de desarrollo de estrategias para seguimiento de tendencias, reversión a la media y arbitraje estadístico.
La skill Quantitative Research permite estándares de validación de grado institucional. Desarrollo de estrategias, generación de alfa, modelado de factores y técnicas de arbitraje estadístico con metodologías de pruebas de estrés integradas. Resuelve el problema específico de distinguir señales de alfa genuinas de artefactos estadísticos.
La skill Market Data Pipeline maneja la capa completa de ingesta de datos. Estandariza cómo Claude obtiene y estructura los datos de mercado de los proveedores, normaliza las respuestas a DataFrames con nombres de columna estándar, aplica ajustes de acciones corporativas para análisis históricos y almacena en caché los resultados para evitar llamadas API redundantes. Los datos malos son el asesino silencioso de los backtests. Esta skill hace que el manejo de datos sea determinista.
También hay una skill de monitoreo de señales en vivo que cierra el ciclo desde la investigación hasta el despliegue. Obtiene datos en tiempo real, mantiene una ventana móvil de barras, recalcula indicadores en cada nueva barra, evalúa las condiciones de la señal y envía alertas. Nunca ejecuta órdenes directamente. Solo genera la señal. Ese diseño es deliberado.
El flujo de trabajo que extrae el mayor valor sigue un orden específico.
Primero, especifica la estrategia completamente en lenguaje preciso antes de pedirle a Claude Code que construya algo. Segundo, especifica los requisitos de validación explícitamente: validación walk forward, mínimo 252 días de trading en muestra, costos de transacción de al menos diez puntos base por operación. Tercero, trata el resultado como un borrador para tu revisión. El código se ejecutará. El backtest producirá números. Tu trabajo es evaluar si esos números reflejan una ventaja genuina o una coincidencia estadística.
La IA maneja la implementación para que te centres por completo en la hipótesis y la evaluación. El trabajo intelectual no desaparece. Se concentra en las partes que realmente requieren una mente entrenada.
Parte 4: Construyendo el Pipeline Completo Desde Cero
Man Group no construyó AlphaGPT en un fin de semana. Pero la arquitectura no es propietaria. Es un flujo de trabajo multiagente aplicado a un problema específico. La estructura central es replicable hoy usando Claude Code y la API de Anthropic.
El pipeline tiene seis etapas. Ninguna puede omitirse.
Etapa 1: Ingesta de Datos e Ingeniería de Características. La calidad de tus datos establece el techo para todo lo que sigue. Los datos malos no arrojan errores. Producen backtests que se ven geniales y colapsan en mercados en vivo. El sesgo de supervivencia, los precios no ajustados, la falta de acciones corporativas son errores silenciosos que inflan los rendimientos sin anunciarse. La capa de IA toma tus datos limpios y genera un resumen estadístico estructurado del entorno actual: volatilidad realizada en diferentes marcos temporales, señales de impulso, patrones de volumen, indicadores de régimen.
Etapa 2: Generación de Hipótesis de Señal. El primer agente recibe el resumen de datos y genera una hipótesis específica y comprobable. Una hipótesis que dice "comerciar impulso" no es una hipótesis. Una hipótesis que dice "ir largo cuando el rendimiento a 20 días excede una desviación estándar de la distribución de rendimiento móvil de 60 días y la volatilidad realizada actual está por debajo de su mediana de 90 días" es una hipótesis. El agente también genera la justificación económica y las condiciones específicas bajo las cuales se esperaría que la señal dejara de funcionar.
Etapa 3: Desafío Adversarial. Esta es la etapa que la mayoría de los quants minoristas omiten por completo y la etapa que separa a AlphaGPT de los consejos de trading de chatbots. Un agente separado recibe la hipótesis y su único papel es romperla. ¿La señal es computable a partir de datos disponibles en el momento de la operación? ¿La justificación económica es coherente o es una historia post hoc? ¿Se mantiene en diferentes regímenes? ¿Qué evento macroeconómico haría que fallara?
Etapa 4: Backtesting Walk Forward. En cada punto en el tiempo, cada parámetro del modelo se estima utilizando solo datos históricos disponibles hasta ese punto. El modelo nunca ve datos futuros. Este único requisito elimina la fuente más común de rendimiento inflado del backtest.
Etapa 5: Prueba de Significancia Estadística. Genera la serie de rendimientos de una estrategia aleatoria con propiedades estadísticas coincidentes mil veces. Si tu ratio de Sharpe real se encuentra en el cinco por ciento superior de esa distribución, tienes evidencia de ventaja genuina. Si no, tienes evidencia de coincidencia de patrones sobre ruido.
Etapa 6: Puerta de Revisión Humana. Esta etapa no puede automatizarse. Ninguna señal toca capital vivo sin que un investigador la evalúe. Man Group, Bridgewater, Citadel y Jane Street lo confirmaron públicamente.
Seis etapas. Cinco automatizadas. Una siempre humana.
La capa de monitoreo de despliegue que todo sistema necesita:
Define umbrales antes de comenzar a operar. El peor momento para tomar esa decisión es cuando el sistema ya está rindiendo por debajo de lo esperado. La salida es una marca para revisión humana, no un apagado automático. La señal de régimen de Cadenas de Markov del artículo anterior alimenta directamente esta capa de monitoreo como un disparador adicional.
Parte 5: Antes de la IA vs Después de la IA y el Flujo de Trabajo de Producción Completo
Antes de la IA: Una idea surgía de leer un artículo u observar una anomalía del mercado. Escribir la implementación tomaba horas, a veces días. Configurar un backtest adecuado con validación walk forward tomaba tiempo adicional. El número de ideas que un investigador podía probar seriamente en un año estaba severamente limitado. La selección de ideas ocurría antes de las pruebas, no como resultado de ellas. La gestión de riesgos era un paso manual separado. El dimensionamiento de posiciones se calibraba por intuición y se ajustaba después del hecho cuando las reducciones superaban las expectativas.
Después de la IA: El tiempo entre la idea y la evaluación rigurosa se ha comprimido de días a horas. Cuando las pruebas son rápidas, puedes permitirte probar ideas que parecen menos seguras. Puedes realizar una revisión adversarial de tus propias hipótesis antes de invertir tiempo en desarrollarlas. Puedes generar una docena de variaciones de una señal prometedora y probarlas todas entre sí en lugar de elegir una por intuición.
Man Group lo describió precisamente: la tecnología les ayuda a probar más ideas. El listón de calidad para lo que se envía a un investigador ha subido porque la IA prefiltra los modos de falla comunes. Los investigadores pasan tiempo evaluando señales que ya han sobrevivido a un proceso de desafío automatizado en lugar de pasar ese tiempo en trabajo de implementación.
Los datos alternativos que antes requerían equipos dedicados de ciencia de datos ahora son accesibles a través de pipelines de extracción de PNL construidos en horas. Las transcripciones de ganancias, las presentaciones regulatorias y los informes macroeconómicos pueden convertirse en señales estructuradas de forma continua.
El dimensionamiento de posiciones ya no es un paso manual separado. Está integrado con la detección de regímenes de la capa de Cadenas de Markov, la estimación de volatilidad de la capa GARCH y la fuerza de la señal de la estrategia actual, produciendo una recomendación de posición consistente en todas las entradas simultáneamente.
El flujo de trabajo de producción completo: La investigación se ejecuta continuamente en segundo plano. El pipeline agéntico genera y prueba hipótesis de señales, descarta las que fallan en la revisión adversarial y envía las sobrevivientes a evaluación humana. Las señales aprobadas entran en paper trading monitoreado diariamente contra expectativas fuera de muestra. Las señales que se mantienen pasan a una asignación en vivo pequeña. El tamaño de la posición escala solo cuando el rendimiento confirma las expectativas. Cualquier desviación significativa desencadena una revisión humana inmediata.
Jane Street describe el desafío central en su sitio web: los mercados experimentan cambios estructurales frecuentes en reacción a pandemias, elecciones, regulaciones y cambios en el comportamiento colectivo. Identificar cuándo ha ocurrido uno de estos cambios es la tarea donde el juicio humano es más irremplazable.
Tarea: Antes de desplegar cualquier señal generada por IA en vivo, escribe tres condiciones que te harán detener el trading y revisar el sistema. Escribe esto antes de empezar. El momento en que un sistema está rindiendo por debajo de lo esperado es el peor momento para tomar esa decisión por primera vez.
El Resumen
La IA no predice los mercados. Lo que hace es comprimir el tiempo entre una idea de trading y una prueba rigurosa de esa idea de días a horas. Ejecuta una revisión adversarial que la mayoría de los traders sistemáticos nunca aplican a sus propias hipótesis. Escala el rendimiento de investigación de un solo quant a algo que antes requería un equipo completo.
Man Group lo dijo después de hacer público AlphaGPT: los LLMs han acelerado significativamente el ritmo de cambio. Pero sus quants siguen ahí. Cada señal que llega al capital ha tenido la aprobación de un investigador.
Bridgewater fue aún más lejos, construyendo un fondo de $2 mil millones donde la IA es la principal tomadora de decisiones mientras los humanos supervisan el riesgo y la ejecución.
Jane Street invirtió $6 mil millones en infraestructura de GPUs para multiplicar lo que sus investigadores pueden hacer, no para reemplazarlos.
La IA les dio escala. El juicio sigue siendo humano.
Ahora tienes los mismos bloques de construcción. La arquitectura de pipeline agéntico. Las skills de Claude Code para backtesting, generación de señales y monitoreo. El marco de extracción de PNL para datos alternativos. La prueba de significancia Monte Carlo. El dimensionamiento de posiciones consciente del régimen. Y la puerta de revisión humana que mantiene el sistema vivo cuando los mercados se mueven de formas que ningún conjunto de datos histórico contenía.
Aquí está la pregunta con la que quiero que te quedes.
Man Group prueba cientos de señales con AlphaGPT y envía las sobrevivientes a revisión humana. Bridgewater construyó un fondo de $2 mil millones donde la IA es la principal tomadora de decisiones. Jane Street entrena modelos en petabytes de datos con decenas de miles de GPUs. Two Sigma extrae ventaja de datos alternativos que la mayoría de los traders nunca han considerado.
Si pudieras construir solo una de estas capacidades como trader sistemático trabajando de forma independiente, ¿cuál elegirías y por qué?
Tu respuesta revela exactamente dónde crees que reside realmente la fuente de la ventaja sistemática en los mercados modernos.
Déjalo en los comentarios. No hay respuesta incorrecta. Pero hay respuestas muy reveladoras.
