IA para investigar sistemas de inversión

La IA sirve para investigar sistemas de inversión más rápido, no para que decida por ti. Herramientas como Claude o ChatGPT son excelentes generando hipótesis, escribiendo y revisando código, leyendo papers y señalando los sesgos de tu propio razonamiento. Pero hay una línea que no deben cruzar: no predicen el mercado, no dan señales fiables y no sustituyen la validación. La regla, en una frase: la IA es tu copilot, no tu oráculo. El juez final siempre es el método —datos, validación fuera de muestra y revisión crítica—, nunca el chatbot.

Si interiorizas esa frontera, la IA se convierte en el mejor acelerador que ha tenido nunca un inversor cuantitativo de a pie. Si la cruzas, es la forma más rápida y cara de engañarte a ti mismo. Vamos a desarrollar qué hace bien, qué no debe hacer nunca y cómo encajarla en un flujo de trabajo realista sin necesidad de ser un programador experto.

Por qué “copilot, no oráculo” no es un eslogan

Un modelo de lenguaje no entiende los mercados. Genera texto estadísticamente plausible a partir de lo que ha leído. Eso lo hace brillante para reformular, explicar y razonar sobre ideas que ya existen, y peligroso cuando le pides que adivine el futuro o que tenga “criterio” propio sobre tu dinero.

La diferencia entre copilot y oráculo es quién tiene el mando:

• Copilot: tú decides, tú validas, tú asumes la responsabilidad. La IA te ayuda a ir más rápido y a pensar mejor, pero el piloto eres tú.
• Oráculo: le delegas el criterio. Le preguntas “¿compro?” y aceptas su respuesta como verdad. Ahí empieza el desastre.

El problema del modo oráculo es doble. Primero, la IA alucina: inventa funciones que no existen, cita estudios que no ha leído y afirma con total seguridad cosas falsas. Segundo, es complaciente: tiende a darte la razón. Si le dices “creo que esta estrategia de cruces de medias es buenísima”, buscará argumentos a favor antes que en contra. Un oráculo que te adula es justo lo contrario de lo que necesita un inversor.

Por eso en Quant IA Club, dentro de Bolsa Academy, repetimos que la IA no aprueba un proyecto. Lo aprueba el método. Y el método es indiferente a lo convincente que suene un párrafo generado por un modelo.

Qué hace bien la IA (y deberías exprimir)

Estas son las tareas donde la IA aporta valor real, sin tocar la frontera del criterio.

1. Generar hipótesis de partida

Investigar un sistema empieza por una idea: “¿y si el momentum funciona mejor filtrando por volatilidad?”. La IA es excelente para ampliar ese espacio de ideas. Pídele veinte variantes de una hipótesis, las anomalías documentadas en un activo concreto o qué factores suelen combinarse en la literatura. No te dará la idea ganadora —esa la encuentras validando—, pero te ahorra horas de folio en blanco.

Lo mismo sirve para investigar sistemas sobre un mercado concreto: las opciones son un buen ejemplo, un terreno que cubre en detalle una escuela como Campus Opciones, donde la IA te ayuda a mapear estructuras y escenarios antes de validarlos.

Un truco: pídele explícitamente que actúe como escéptico. “Dame cinco razones por las que esta hipótesis podría ser una casualidad estadística” produce mejor investigación que “dime si es buena”.

2. Escribir y revisar código

Aquí es donde más gana quien no tiene formación técnica. La IA escribe el esqueleto de un backtest en Python, conecta una librería de datos, monta un gráfico de equity o calcula un ratio de Sharpe. Ese código luego lo ejecutas sobre datos reales en una plataforma como ProRealTime, que es donde la idea deja de ser teoría y se contrasta con el mercado. Y, casi más importante, hace revisión del código que ya tienes: le pegas tu script y le pides que busque errores lógicos, casos límite o cálculos sospechosos.

Esto democratiza la parte técnica del cuant. No necesitas dominar pandas para empezar a investigar. Pero —y es un pero enorme— necesitas entender la lógica lo suficiente para auditar lo que produce. Volveremos a ello.

3. Leer y resumir papers

La investigación cuantitativa seria vive en papers densos, en inglés y llenos de notación. La IA los resume, te explica la metodología en simple, traduce las fórmulas a lenguaje claro y responde preguntas concretas: “¿qué periodo usaron de muestra?”, “¿corrigieron por sesgo de supervivencia?”. Es como tener un compañero de doctorado disponible a las dos de la mañana. Eso sí: verifica las citas, porque a veces inventa detalles que no están en el texto.

4. Hacer de abogado del diablo contra ti mismo

Quizá el uso más infravalorado. Cuando crees que has encontrado algo bueno, eres tu peor revisor: el sesgo de confirmación te ciega. Pega tu razonamiento completo y pide que lo destroce. “¿Dónde está el agujero en este argumento? ¿Qué sesgo de backtesting podría estar inflando estos resultados?”. La IA es un detector de falacias incansable y sin ego, justo cuando tú estás emocionado con tu propia idea.

Para entender por qué este uso es tan crítico, conviene tener claro contra qué te proteges: repasa los sesgos de backtesting y el sobreajuste que arruinan la mayoría de sistemas que parecen geniales sobre el papel.

Qué NO debe hacer nunca

Igual de importante es la lista de prohibiciones. Si la IA empieza a hacer cualquiera de estas, estás en modo oráculo y debes parar.

• Decidir por ti. Entrar, salir, dimensionar una posición. La decisión y la responsabilidad son tuyas, siempre.
• Prometer o estimar rentabilidad futura. Cualquier “esta estrategia te dará un X%” es ruido generado, no una predicción. El pasado no se proyecta así.
• Dar señales en tiempo real. Un modelo de lenguaje no tiene datos de mercado fiables al segundo ni capacidad de adivinar el próximo movimiento.
• Sustituir la validación. Que la IA diga que tu sistema “parece sólido” no es una validación. La validación son las pruebas fuera de muestra, el walk-forward y el control del sobreajuste.
• Ser tu única fuente. Verifica datos, citas y código contra fuentes reales. La IA es un punto de partida, no la autoridad final.

Copilot vs. oráculo: la tabla que conviene tener delante

Tarea	Modo copilot (sí)	Modo oráculo (no)
Hipótesis	”Dame 20 ideas para investigar"	"Dime cuál es la idea ganadora”
Código	”Escribe este backtest y explícamelo"	"Confío en tu código sin revisarlo”
Papers	”Resume y explícame la metodología"	"Dime qué papers son verdad sin verificar”
Decisión	”Critica mi razonamiento"	"¿Compro o vendo?”
Validación	”Sugiere cómo testear esto fuera de muestra"	"¿Es bueno mi sistema?”

La columna de la izquierda acelera tu trabajo. La de la derecha lo sabotea.

Un flujo de trabajo realista, paso a paso

Así encaja todo sin necesidad de programar a alto nivel. Es el flujo que tiene sentido tanto si empiezas como si ya llevas tiempo.

1. Define la pregunta. Antes de tocar la IA, escribe en una frase qué quieres averiguar. “¿Un filtro de tendencia mejora una estrategia de reversión a la media en el índice X?”. Sin pregunta clara, la IA solo amplifica tu confusión.

2. Genera hipótesis y pídele crítica. Usa la IA para abrir el abanico de variantes y, acto seguido, para atacar cada una. Te quedas con dos o tres hipótesis que sobreviven al escrutinio.

3. Construye el backtest con su ayuda. Pídele el código paso a paso y que te explique cada bloque. No copies y pegues a ciegas: si no entiendes una línea, pregunta hasta entenderla. Aquí es donde adquieres criterio técnico de verdad.

4. Audita el código tú mismo. Busca los sospechosos habituales: ¿usa datos del futuro (look-ahead)? ¿Incluye comisiones y slippage? ¿El universo de activos sufre sesgo de supervivencia? Pídele a la IA que se autorrevise, pero la última lectura es tuya. Si no sabes qué buscar, repasa qué es la inversión cuantitativa para tener el marco completo.

5. Valida fuera de la muestra. Aquí la IA no manda. Reserva datos que el sistema no ha visto, haz walk-forward, comprueba la robustez ante pequeños cambios de parámetros. Un sistema que solo brilla en los datos con los que lo construiste casi siempre está sobreajustado.

6. Lleva el debate a humanos. Por bueno que sea el copilot, el contraste final lo dan otras personas que conocen tu nivel. En el club eso son las Tripulaciones: tres o cuatro personas revisando el mismo proyecto. La IA detecta errores de código; un humano con experiencia detecta el error de planteamiento que la IA pasó por alto.

7. Documenta y decide tú. Anota qué probaste, qué falló y por qué. La decisión de operar —o no— es siempre tuya, con tu dinero y tu responsabilidad.

La IA te lleva del folio en blanco a un sistema testeable mucho más rápido. Pero el último kilómetro —validar y decidir— lo recorres tú.

El error mental que debes evitar

El riesgo no es técnico, es psicológico. La IA es tan fluida y segura de sí misma que invita a bajar la guardia. Te da un párrafo perfecto sobre por qué tu estrategia funcionará y tu cerebro, que ya quería creérselo, lo acepta. Has externalizado tu criterio sin darte cuenta.

La defensa es un hábito simple: trata cada respuesta de la IA como una hipótesis, no como una conclusión. Algo que verificar, no algo que creer. Si interiorizas eso, la IA multiplica tu capacidad de investigación. Si no, se convierte en una máquina de fabricar falsa confianza, y en inversión esa confianza falsa se paga en euros.

El cuant serio no consiste en encontrar la estrategia mágica que la IA te susurre. Consiste en un método repetible: generar ideas, validarlas con dureza y descartar sin pena las que no aguantan. La IA encaja en ese método como un acelerador potentísimo. Nunca como el método en sí.

Empieza con buenos prompts

La diferencia entre un copilot útil y un oráculo peligroso está, en buena parte, en cómo preguntas. Un prompt que pide adulación recibe adulación; uno que pide escrutinio recibe investigación.

Hemos preparado los 12 prompts para Claude que usamos para investigar sistemas: generar hipótesis, revisar código, leer papers y hacer de abogado del diablo contra tu propio razonamiento. Están pensados para mantenerte en el lado correcto de la frontera.

Descarga gratis los 12 prompts para Claude y empieza a usar la IA como lo que es: el mejor copilot que has tenido, no un oráculo al que rendir tu criterio.