El jefe de Quant de Man Group dijo algo que se me quedó grabado:
«El desafío es el volumen absoluto de datos y las posibles relaciones de mercado, que ha crecido más rápido de lo que cualquier equipo humano puede evaluar manualmente».
Así que crearon AlphaGPT. Genera hipótesis de señales, escribe el código y ejecuta los backtests. De forma autónoma. Cientos de ideas por semana en lugar de 20 por trimestre.
Bridgewater fue más allá y creó un fondo de 2 mil millones de dólares donde la IA toma las decisiones principales de trading.
Jane Street gastó 6 mil millones de dólares en infraestructura de GPU el año pasado para entrenar modelos propietarios.
No voy a fingir que sé exactamente qué funciona dentro de estos sistemas. Pero las declaraciones públicas de las personas que los construyen cuentan una historia bastante coherente, y no es la que la mayoría supone cuando escucha «trading con IA».
Las firmas que están ganando no están reemplazando a sus quants. Están haciendo que cada quant sea unas 10 veces más rápido.
Este artículo es el marco completo para ejecutar la misma arquitectura en Polymarket hoy.
PARTE 1 - ¿REEMPLAZARÁ LA IA A LOS QUANTS?
La pregunta que todos formulan mal.
Man Group hizo público AlphaGPT en julio de 2025. El sistema genera hipótesis de señales, escribe código de implementación y ejecuta backtests de forma autónoma. Varias docenas de señales ya han sido aprobadas para trading en vivo tras pasar la revisión humana.
El desafío en la inversión cuantitativa es el volumen absoluto de datos y las posibles relaciones de mercado, que ha crecido más rápido de lo que cualquier equipo humano puede evaluar manualmente.
Un equipo de investigación sólido podría probar en serio 20 ideas de señales en un trimestre. AlphaGPT prueba cientos en una semana.
Pero ni una sola señal de AlphaGPT toca capital real sin que un investigador tome una decisión deliberada al respecto.
Bridgewater construyó un Motor de Razonamiento de IA que combina LLMs, aprendizaje automático y herramientas de razonamiento. Su co-CIO lo llamó «un gran salto». Pero los humanos siguen supervisando la gestión de riesgos y la ejecución.
El CTO de Citadel lo dijo claramente: «No queremos que los gestores de carteras deleguen su juicio de inversión humano a la IA».
El propio Ken Griffin dijo que la IA aumenta la eficiencia, pero es poco probable que genere rendimientos superiores al mercado por sí sola.
Las firmas que están ganando están haciendo que sus quants sean 10 veces más rápidos. No los están reemplazando.
PARTE 2 - CINCO CASOS DE USO CON VENTAJA REAL
CASO DE USO 1: DESCUBRIMIENTO DE SEÑALES AGENTIVAS
AlphaGPT de Man Group ejecuta cuatro agentes en un bucle:
- Agente 1 genera una hipótesis de señal.
- Agente 2 escribe el código de implementación.
- Agente 3 actúa como puro desafiante: encuentra todas las razones por las que la señal podría ser falsa o estar sobreajustada.
- Agente 4 evalúa el backtest y decide si enviarlo a revisión humana.
En Polymarket esto se aplica directamente:
- Agente 1 genera una estimación de probabilidad a partir de noticias, mercados relacionados y tasas base.
- Agente 2 compara con el precio actual del mercado.
- Agente 3 desafía: ¿qué tendría que ser cierto para que esto esté equivocado?
- Agente 4 evalúa el valor esperado y envía un visto bueno o no al humano.
CASO DE USO 2: EXTRACCIÓN DE DATOS ALTERNATIVOS
Para los mercados de predicción, cada declaración de un funcionario de la Fed, cada acontecimiento geopolítico, cada publicación de datos económicos contiene señal. La IA convierte texto no estructurado en un cambio de probabilidad estructurado.
CASO DE USO 3: PRUEBA DE SIGNIFICANCIA DE MONTE CARLO
El backtesting estándar utiliza un solo camino a través de la historia. Un solo camino no es suficiente.
CASO DE USO 4: DIMENSIONAMIENTO DE POSICIÓN SENSIBLE AL RÉGIMEN
f_ajustado = f_kelly x factor_de_régimen x (1 - factor_de_pérdida)
CASO DE USO 5: MONITOREO DE DESPLIEGUE
PARTE 3 - EL PROCESO COMPLETO
Empieza aquí si aún no estás en Polymarket: polymarket.com/?r=atlas
28 mil millones de dólares negociados. Más de 9,000 mercados. Cada contrato resuelto es un punto de dato de verdad absoluta para tu modelo.
6 etapas. 5 automatizadas. 1 siempre humana.
Etapa 1 - Ingesta de datos: tasas de resolución históricas, series temporales de precios, correlaciones de mercados relacionados, métricas de volumen.
Etapa 2 - Hipótesis de señal: específica, comprobable, con fundamento económico y las condiciones bajo las cuales falla.
Etapa 3 - Desafío adversarial: un agente separado cuyo único trabajo es romper la hipótesis antes de invertir tiempo en construirla. Man Group llama a esto la parte más valiosa de AlphaGPT.
Etapa 4 - Backtesting progresivo: cada parámetro estimado utilizando solo datos disponibles en el momento de la operación. Este único requisito elimina la fuente más común de rendimientos inflados en backtesting.
Etapa 5 - Prueba de significancia de Monte Carlo: si tu señal se sitúa en el 5% superior de 10,000 alternativas aleatorias, tienes evidencia de una ventaja real.
Etapa 6 - Puerta de revisión humana: no se puede automatizar. Escribe tres condiciones que te harán detenerte y revisar el sistema antes de empezar.
PARTE 4 - ANTES DE LA IA VS DESPUÉS DE LA IA
Antes de la IA:
Una idea surgía de la lectura o la observación. Escribir la implementación llevaba horas o días. Configurar un backtesting adecuado llevaba más tiempo. Un investigador podía probar en serio 20 estrategias al año. El dimensionamiento de la posición se calibraba por intuición.
Después de la IA:
El tiempo entre la idea y la evaluación rigurosa se comprimió de días a horas. Realizas una revisión adversarial de tus propias hipótesis antes de invertir tiempo en desarrollarlas. Pruebas 12 variaciones de una señal prometedora y las evalúas todas en lugar de elegir una por intuición.
Man Group lo describió con precisión: la tecnología les ayuda a probar más ideas. Los investigadores dedican tiempo a evaluar señales que ya han superado un desafío automatizado, en lugar de dedicar ese tiempo al trabajo de implementación.
Para Polymarket específicamente, la compresión es aún más valiosa. Los mercados se resuelven en fechas fijas. La ventana para entrar a un buen precio es finita. Cuanto más rápido pases de una hipótesis a una señal validada, más oportunidades capturarás realmente.
EL RESUMEN
La IA no predice los mercados.
Comprime 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.
Man Group: los LLMs han acelerado el ritmo del cambio. Pero sus quants siguen ahí. Cada señal que llega al capital ha tenido la aprobación de un investigador.
Jane Street invirtió 6 mil millones de dólares en infraestructura de GPU para multiplicar lo que sus investigadores pueden hacer. No para reemplazarlos.
La IA les dio escala. El juicio se mantuvo humano.
La ventaja en los mercados de predicción hoy no es tener mejor información.
Es probar más ideas más rápido que todos los demás y actuar solo en aquellas que sobreviven a la revisión adversarial.
Ese es el sistema completo.
