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.
Empecemos directamente.
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 bien pensadas o asociaciones, los DM están abiertos.
La mayoría de los traders escuchan "IA en trading" y se imaginan un chatbot escupiendo señales de compra.
Lo que realmente está sucediendo ahora dentro de las mejores firmas cuantitativas del mundo es algo completamente diferente. Y la brecha entre lo que ellos hacen y lo que la mayoría de los traders sistemáticos entienden es una de las mayores ventajas sin explotar en los mercados modernos.
Jane Street comprometió 6 mil millones de dólares en infraestructura de IA en la nube en 2025. Construyeron un centro de datos especialmente diseñado en Texas con 4,032 GPUs refrigeradas por líquido para entrenar modelos de trading de próxima generación. Jane Street generó 39.6 mil millones de dólares en ingresos por trading en 2025 con aproximadamente 3,500 empleados. Su jefe de investigación cuantitativa, Craig Falls, declaró públicamente que dependen de la infraestructura de GPU 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 de dólares, 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 activos por valor de 70 mil millones de dólares durante años. Citadel construyó un asistente interno de IA 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 de dólares está generando "alfa único no correlacionado con lo que hacen nuestros humanos". La IA actúa como la tomadora de decisiones principal 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 gestionan capital real.
Pero aquí está la pregunta que nadie hace en voz alta.
¿Están las mejores firmas usando IA para reemplazar a sus cuantitativos? ¿O la están usando para hacer que sus cuantitativos sean tan rápidos que todos los demás simplemente no puedan seguir 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 habilidades de Claude Code para comprimir tu ciclo de investigación de la misma manera que lo hacen los cuantitativos institucionales, la arquitectura completa de pipeline agéntico que puedes construir hoy con herramientas públicas disponibles, 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 basa en la anterior. Si hablas en serio sobre añadir 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 Cuantitativos? 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 gestor senior de cartera, Ziang Fang, confirmó que varias docenas de señales ya han sido aprobadas para trading en vivo tras 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 han 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 marco explica todo el panorama. La IA no está resolviendo un problema de juicio. Está resolviendo un problema de rendimiento. Un equipo de investigación sólido podría probar en serio 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 relaciones causales en los mercados. Jensen dijo explícitamente: "El gran salto aquí es usar inteligencia de máquina para generar el alfa. Eso es un salto". Pero incluso en su implementación más agresiva, los profesionales humanos siguen supervisando la gestión de riesgos, la adquisición de datos y la ejecución de operaciones. La IA decide qué negociar. Los humanos deciden cuánto riesgo asumir.
Jane Street lo dice directamente en su sitio web: el aprendizaje profundo es parte de su caja 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 gestores de cartera 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, aunque 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 pública 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 cuantitativos con IA. Están haciendo que sus cuantitativos sean 10 veces más rápidos. Ese es el modelo que debes replicar.
Parte 2: Los Cinco Casos de Uso Que Realmente Generan Ventaja
La mayoría de las aplicaciones de IA en trading producen pequeñas mejoras que los costos de transacción eliminan en meses. Cinco de ellas producen ventajas estructurales que las mejores firmas han confirmado públicamente que ejecutan en producción.
Caso de Uso 1: Descubrimiento Agéntico de Señales
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 los datos. El segundo escribe la lógica exacta y el código de implementación. El tercero actúa puramente como un desafiante cuyo trabajo es encontrar todas las razones por las que 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 en 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. Alucinaciones, sesgo de前瞻, problemas de pruebas múltiples y muchos otros. Su modelo de razonamiento registra cada decisión en cada paso, proporcionando total transparencia que los procesos impulsados por humanos no siempre ofrecen.
Caso de Uso 2: Extracción de Señales de Datos Alternativos
Point72 utiliza modelos de PLN para analizar transcripciones de llamadas de resultados y convertirlas en señales estructuradas que alimentan directamente estrategias de opciones. Two Sigma usa aprendizaje automático para extraer señales de imágenes satelitales y datos macroeconómicos. Hudson Labs, una firma especializada en este espacio, ajusta finamente la IA para separar las ganancias reales reportadas de las guías prospectivas, 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 procese cada transcripción, cada presentación, cada pieza de datos disponible simultáneamente y produzca una salida cuantificada consistente.
Para un trader sistemático, la versión más inmediatamente accesible es el análisis de llamadas de resultados. 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 la falta de 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 más aprovecha esto es preciso desde el principio. Describes la especificación completa de la estrategia antes de que se escriba una sola línea de código. Condición de entrada, condición de salida, regla de dimensionamiento de posición, período de tenencia, supuesto de costo de transacción y método de validación. La precisión en la descripción produce precisión en la salida.
Caso de Uso 4: Pruebas 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 percentil cinco del resultado, 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 Sensible al 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 todos los insumos.
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. Ningún insumo individual te dice el tamaño correcto. La síntesis de los cuatro sí.
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: Habilidades 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 viene de las habilidades. Estos son archivos de instrucciones 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 habilidades verificadas disponibles ahora mismo que importan para los traders sistemáticos.
La habilidad de 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前瞻 y el sesgo de supervivencia, los dos errores que inflan casi todos los backtests minoristas. La habilidad maneja flujos de trabajo de optimización multiperíodo y admite parámetros de backtest personalizables en cualquier período de tiempo.
La habilidad de Quant Trading and Backtesting va más profundo. Incluye detección automatizada de Sharp Edge, que identifica los errores específicos de backtesting que hacen que las estrategias parezcan 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 habilidad de 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 integradas de pruebas de estrés. Resuelve el problema específico de distinguir señales de alfa genuinas de artefactos estadísticos.
La habilidad de Market Data Pipeline maneja la capa completa de ingesta de datos. Estandariza cómo Claude obtiene y estructura datos de mercado de los proveedores, normaliza las respuestas a DataFrames con nombres de columnas estándar, aplica ajustes de acciones corporativas para el análisis histórico y almacena en caché los resultados para evitar llamadas API redundantes. Los datos malos son el asesino silencioso de los backtests. Esta habilidad hace que el manejo de datos sea determinista.
También hay una habilidad 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 emite la señal. Ese diseño es deliberado.
El flujo de trabajo que extrae el máximo 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 negociación en muestra, costos de transacción de al menos diez puntos básicos por operación. Tercero, trata la salida 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 concentres completamente 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 saltarse.
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, las acciones corporativas faltantes 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 "opera el impulso" no es una hipótesis. Una hipótesis que dice "ve largo cuando el rendimiento a 20 días excede una desviación estándar de la distribución de rendimientos móviles a 60 días y la volatilidad realizada actual está por debajo de su mediana a 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 cuantitativos minoristas omiten por completo y la etapa que separa a AlphaGPT de los consejos de trading de los chatbots. Un agente separado recibe la hipótesis y su único rol es romperla. ¿Es la señal computable a partir de los 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 causaría 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 de backtest inflado.
Etapa 5: Pruebas 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 sitúa en el cinco por ciento superior de esa distribución, tienes evidencia de una 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 real sin que un investigador la evalúe. Man Group, Bridgewater, Citadel y Jane Street confirmaron esto públicamente.
Seis etapas. Cinco automatizadas. Una siempre humana.
La capa de monitoreo de despliegue que todo sistema necesita:
Define umbrales antes de empezar 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 bandera 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 desencadenante 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 o 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 cualquier investigador podía probar seriamente en un año estaba severamente limitado. La selección de ideas ocurría antes de las pruebas, no debido a 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 excedían 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 se sienten menos seguras. Puedes ejecutar 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 fallo comunes. Los investigadores pasan tiempo evaluando señales que ya han sobrevivido a un proceso de desafío automatizado, en lugar de gastar 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 PLN 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 todos los insumos 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 supervivientes a evaluación humana. Las señales aprobadas entran en paper trading monitoreado diariamente contra las expectativas fuera de muestra. Las señales que se mantienen pasan a una asignación pequeña en vivo. El tamaño de la posición escala solo a medida que 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 sufren 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 única tarea donde el juicio humano es más insustituible.
Tarea: Antes de desplegar cualquier señal generada por IA en vivo, escribe tres condiciones que te harán dejar de operar 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 cuantitativo a algo que antes requería un equipo completo.
Man Group lo dijo después de hacer público AlphaGPT: los LLMs han acelerado significativamente el ritmo del cambio. Pero sus cuantitativos 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 de dólares donde la IA es la tomadora de decisiones principal mientras los humanos supervisan el riesgo y la ejecución.
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 sigue siendo humano.
Ahora tienes los mismos componentes básicos. La arquitectura de pipeline agéntico. Las habilidades de Claude Code para backtesting, generación de señales y monitoreo. El marco de extracción de PLN para datos alternativos. Las pruebas de significancia Monte Carlo. El dimensionamiento de posiciones sensible al régimen. Y la puerta de revisión humana que mantiene vivo el sistema cuando los mercados se mueven de maneras que ningún conjunto de datos histórico contenía.
Aquí está la pregunta que quiero que consideres.
Man Group prueba cientos de señales con AlphaGPT y envía las supervivientes a revisión humana. Bridgewater construyó un fondo de 2 mil millones de dólares donde la IA es la tomadora de decisiones principal. 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 la fuente de la ventaja sistemática en los mercados modernos.
Déjala en los comentarios. No hay una respuesta incorrecta. Pero las hay muy reveladoras.
