Cómo utilizan realmente la IA los traders profesionales
Esto es algo que he observado de forma constante entre los traders sistemáticos y algorítmicos realmente profesionales: la inteligencia artificial siempre ocupa un papel secundario frente al proceso. Siempre.
Los traders que he visto tener éxito durante largos periodos —éxito real, verificado y sostenido, no simplemente un backtest de dos años— trabajan con una metodología estructurada y probada para desarrollar estrategias.
Las herramientas de IA se integran dentro de esa metodología en puntos concretos donde aportan valor. No sustituyen al proceso. Nunca sustituyen al proceso.
El control del riesgo va primero, siempre
Todos los traders profesionales que conozco definen la gestión del riesgo antes de desarrollar sus estrategias.
Establecen reglas de dimensionamiento de posiciones, límites máximos de drawdown, restricciones de correlación entre posiciones y límites de exposición sectorial.
Todo eso se determina antes incluso de ejecutar el primer backtest.
La inteligencia artificial no cambia esa jerarquía.
Una estrategia que utilice una red neuronal para generar señales sigue necesitando reglas de riesgo explícitas y definidas por una persona.
Ningún sistema de IA debería tomar de forma unilateral decisiones sobre cuánto capital arriesgar. Punto.
Validar antes de optimizar
Esta es la secuencia que diferencia a los traders que sobreviven de los que terminan desapareciendo: primero validar y después optimizar.
Los traders profesionales prueban una estrategia sobre datos fuera de muestra (out-of-sample) antes de modificar sus parámetros.
Utilizan análisis walk-forward para simular cómo habría funcionado realmente el sistema en condiciones de mercado reales.
También aplican simulaciones de Monte Carlo para comprender cuál podría ser el rango realista de resultados.
Solo después de superar todas esas pruebas se permite que una estrategia entre en una fase de optimización.
La mayoría de los traders minoristas que utilizan IA hacen exactamente lo contrario.
Construyen un modelo, lo optimizan hasta conseguir unos resultados atractivos y posteriormente utilizan esa misma optimización como si fuera una validación.
Ese proceso es precisamente el que genera muchos de los fracasos descritos anteriormente.
El enfoque híbrido
El enfoque más eficaz que he observado —y el que utilizo personalmente— combina reglas explícitas con mejoras selectivas mediante Machine Learning.
La lógica central de la estrategia sigue estando basada en reglas: condiciones de entrada, condiciones de salida, selección de mercados y filtros de régimen.
Todo ello debe ser completamente transparente y comprensible.
Las herramientas de Machine Learning se aplican después en puntos específicos del sistema, por ejemplo para ajustar el tamaño de las posiciones, filtrar señales de baja probabilidad o detectar cuándo las condiciones del mercado resultan desfavorables para la estrategia.
Este enfoque híbrido permite conservar la interpretabilidad y la robustez de los sistemas basados en reglas, al mismo tiempo que incorpora determinadas mejoras procedentes de la inteligencia artificial.
Es más difícil de desarrollar que un modelo puramente basado en IA.
Sin embargo, también tiene muchas más probabilidades de sobrevivir cuando se lleva al mercado real.
Pensar en términos de cartera
Los traders sistemáticos profesionales rara vez concentran todo su capital en una única estrategia.
Normalmente trabajan con carteras formadas por múltiples estrategias, mercados, marcos temporales y mecanismos de mercado diferentes.
La estructura de correlaciones dentro de esa cartera resulta fundamental.
Un conjunto de estrategias con rentabilidades individuales moderadas pero con baja correlación entre sí puede generar una cartera con una rentabilidad ajustada al riesgo muy superior a la de cualquier supuesto sistema perfecto.
Y conviene aclarar algo: el santo grial no existe.
Lo aprendí por las malas.
Sin embargo, si existe algo parecido a un santo grial dentro del trading algorítmico, probablemente sea la diversificación.
Las herramientas de inteligencia artificial pueden aportar un valor real en la construcción de carteras.
Por ejemplo, pueden ayudar a identificar estrategias con baja correlación esperada, optimizar la asignación de capital entre sistemas bajo condiciones de incertidumbre o detectar cuándo determinadas estrategias comienzan a correlacionarse excesivamente durante periodos de estrés.
Se trata de aplicaciones sofisticadas que requieren tanto un profundo conocimiento del trading como habilidades técnicas avanzadas.
Pero son aplicaciones reales y, bien utilizadas, pueden aportar un valor considerable.