Resumen
- El desarrollo de los mercados financieros siempre ha estado ligado al avance tecnológico, y cada revolución tecnológica transforma los métodos de trading al tiempo que reduce las barreras de acceso.
- Debido a sus elevadas barreras técnicas, el trading cuantitativo está actualmente dominado por un pequeño grupo de instituciones y equipos profesionales.
- La aparición de grandes modelos de lenguaje está permitiendo que el trading cuantitativo pase de ser un “problema de ingeniería” a un “problema de expresión”, abriendo la participación a usuarios no especializados.
- Los sistemas de trading basados en IA están adoptando nuevas formas de producto, y las plataformas de trading evolucionan de herramientas de emparejamiento a infraestructuras impulsadas por IA.
- En el futuro previsible, la IA no sustituirá por completo a los traders, pero desempeñará un papel colaborativo esencial dentro del sistema de trading.
En las últimas décadas, el desarrollo de los mercados financieros ha estado estrechamente vinculado al progreso tecnológico. Prácticamente cada revolución tecnológica relevante ha modificado los métodos de trading y favorecido la aparición de nuevas formas de productos financieros.
A lo largo de la historia, el trading financiero ha atravesado varias etapas clave:
- En los años setenta, surgieron los sistemas electrónicos de trading y la negociación de valores pasó del emparejamiento manual al emparejamiento por ordenador, mejorando notablemente la eficiencia del mercado.
- En los años noventa, la expansión de internet dio lugar a las casas de bolsa online, permitiendo a los inversores particulares operar directamente a través de la red.
- Con la llegada de la era de internet móvil, los teléfonos inteligentes rebajaron aún más las barreras de acceso y las plataformas móviles permitieron a los inversores acceder al mercado en cualquier momento y lugar.
- En los últimos años, la aparición de la blockchain y los mercados de activos digitales ha supuesto otro cambio. A diferencia de los mercados financieros tradicionales, los mercados de activos digitales son globales y operan de forma continua (24/7), lo que ha impulsado el rápido desarrollo del trading automatizado en este entorno.
En muchos mercados financieros maduros, el trading cuantitativo ya es dominante. En los mercados de acciones, divisas y futuros, la cuota del trading cuantitativo supera habitualmente el 60 %, y en algunos casos es aún mayor. En los mercados de activos digitales, el trading cuantitativo también está ganando peso. Así, los sistemas de trading evolucionan de “herramientas operadas por humanos” a “sistemas basados en algoritmos”.
Con el desarrollo de los grandes modelos de lenguaje (LLM) y las tecnologías de Agentes IA, los sistemas de trading podrían estar entrando en una nueva etapa. En esta fase, la IA no solo analiza datos de mercado, sino que también genera estrategias y ejecuta operaciones de forma automática. Esto plantea una cuestión relevante:
En la era de los LLM, ¿la IA se convertirá en un nuevo trader?
Trading cuantitativo: un juego de élite tradicional
En las últimas décadas, el trading cuantitativo se ha convertido en un componente esencial de los mercados financieros. Pese a su enorme influencia, el trading cuantitativo siempre ha presentado barreras técnicas elevadas. Un sistema cuantitativo completo suele incluir distintas fases complejas, como:
Estos pasos conforman un sistema cuantitativo integral, y cada uno requiere competencias especializadas de diferentes ámbitos. En la práctica, el trading cuantitativo requiere el uso de lenguajes de programación como Python o C++, así como marcos de análisis de datos y APIs de trading. Además, se necesitan servidores robustos, sistemas de almacenamiento de datos y herramientas de monitorización automatizada para garantizar la estabilidad de las estrategias en mercados reales. Para el trading de alta frecuencia, los requisitos técnicos son aún más exigentes. Muchos equipos de alta frecuencia invierten grandes sumas en sistemas de baja latencia e infraestructuras especializadas para ganar velocidad.
Por este motivo, durante mucho tiempo, el trading cuantitativo ha estado reservado a un pequeño grupo de instituciones y equipos profesionales, como fondos de cobertura, creadores de mercado y grandes firmas cuantitativas. En cambio, la mayoría de los inversores particulares siguen operando de forma manual, usando indicadores técnicos o el sentimiento del mercado, y tienen dificultades para acceder realmente al sistema cuantitativo. Dicho de otro modo, antes de la IA, el trading cuantitativo era un “juego de élite”: solo unos pocos equipos con conocimientos financieros, capacidad de programación y recursos técnicos podían construir y operar un sistema cuantitativo completo.
Cómo los LLM cambiarán el trading
Durante años, tanto la investigación de estrategias, el procesamiento de datos como la ejecución automatizada de operaciones exigían sólidas habilidades de programación y experiencia en ingeniería. Por ello, el trading cuantitativo permanecía en manos de unas pocas instituciones profesionales. Pero la aparición de los LLM está transformando este escenario.
A diferencia de las herramientas tradicionales, los LLM pueden comprender el lenguaje natural, generar código y razonar de forma compleja. Esto permite que muchas tareas, antes reservadas a la programación, puedan ahora realizarse mediante descripciones en lenguaje natural. Por ejemplo, un usuario puede introducir una descripción como:
“Cuando el RSI de BTC cae por debajo de 30, comprar; cuando el RSI supere 70, vender.”
El sistema de IA puede entonces ejecutar automáticamente las siguientes acciones:
- Generar el código de la estrategia
- Consultar datos históricos de mercado
- Realizar backtesting de la estrategia
- Analizar métricas de rentabilidad y riesgo
- Desplegar la estrategia automáticamente
Así, en la era de la IA, la creación de estrategias de trading ya no depende solo de la capacidad de programación, sino sobre todo de la expresión de la lógica de trading. Los LLM están convirtiendo el trading cuantitativo de un “problema de ingeniería” en un “problema de expresión”.
La aparición de arquitecturas de Agentes IA permite que la IA no solo genere estrategias, sino que participe en todo el flujo de trabajo. Algunos equipos de investigación ya han construido sistemas compuestos por varios Agentes IA, donde cada uno se encarga de la investigación de mercado, la generación de estrategias, el control de riesgos o la ejecución de operaciones.
En los últimos años, algunos experimentos han explorado esta posibilidad. Por ejemplo, la competición Alpha Arena organizada por Nof1 permitió a varios grandes modelos de lenguaje operar de forma autónoma en el mercado real de criptomonedas, todos con el mismo capital y condiciones. Entre los participantes estuvieron GPT-5, Gemini 2.5 Pro, Grok 4, Claude 4.5 Sonnet, DeepSeek V3.1 y Qwen 3 Max. Aunque la mayoría mostró resultados inestables en mercados volátiles, algunos lograron rentabilidades positivas. Este experimento demostró por primera vez que los LLM pueden tomar decisiones y ejecutar trading de forma independiente en mercados reales.
Hoy, a medida que los LLM mejoran, el papel de la IA en el trading también evoluciona. En los sistemas cuantitativos tradicionales, la IA se usaba sobre todo para análisis de datos o predicción; en las nuevas arquitecturas, la IA puede intervenir en todo el proceso: análisis de mercado, generación y optimización de estrategias, ejecución automatizada y revisión posterior. Así, los sistemas de trading evolucionan de simples “herramientas de automatización” a sistemas inteligentes capaces de completar tareas de forma autónoma. Esto abre nuevas posibilidades para la próxima generación de plataformas de trading.
Según la exploración actual del sector, los productos de trading con IA pueden agruparse en varias líneas.
La primera es la infraestructura de trading para Agentes IA, dirigida a desarrolladores y que ofrece interfaces y servicios de datos para Agentes IA. Algunas plataformas ya proporcionan APIs y marcos de desarrollo unificados, permitiendo a los Agentes IA acceder directamente a datos de mercado y operar.
La segunda son las herramientas de generación de estrategias de trading con IA, enfocadas a traders particulares, que crean estrategias automáticamente y ofrecen backtesting y ejecución automatizada.
La tercera es la actualización con IA de plataformas cuantitativas tradicionales. Algunas herramientas cuantitativas han empezado a añadir capacidades de análisis con IA, como análisis automático de estrategias o asistencia en la investigación de mercado, aunque el producto sigue basado en herramientas tradicionales.
Actualmente existen productos destacados en el mercado, como:
- O** OnchainOS: infraestructura de trading para Agentes IA, dirigida a desarrolladores de Agentes automatizados.
- RockFlow RockAlpha: genera estrategias de trading con IA y permite compartir estrategias y competir en trading.
- TradingView: añade funciones de análisis con IA sobre una plataforma tradicional de análisis técnico.
- QuantConnect: plataforma de desarrollo cuantitativo enfocada a traders y desarrolladores profesionales.
- Numerai: recopila modelos de machine learning mediante crowdsourcing para predicción de mercados.
Estos productos exploran la integración de IA y trading desde distintos ángulos, pero la mayoría aún presenta limitaciones. Algunas plataformas están orientadas a desarrolladores y mantienen barreras para usuarios comunes; otras, aunque ofrecen generación de estrategias por IA, no disponen de un flujo de trabajo cuantitativo completo.
En este contexto, algunas plataformas están construyendo espacios cuantitativos con IA más completos. Gate ha sido pionera en esta línea. Su AI Quant Workspace es un sistema cuantitativo basado en IA dirigido a traders particulares, cuyo objetivo es facilitar el acceso al trading cuantitativo.
A diferencia de las herramientas tradicionales, este sistema se basa en la interacción en lenguaje natural y en un flujo de trabajo automatizado. Los usuarios pueden describir la lógica de trading directamente, por ejemplo:
“Crea una estrategia de trading de BTC basada en el RSI.”
El sistema genera la estrategia y consulta datos históricos para el backtesting. Los usuarios pueden ver curvas de retorno, métricas de riesgo y rendimiento en distintos periodos.
Cuando la estrategia supera el backtesting, el usuario puede desplegarla en el mercado real con un solo clic para ejecutar trading automatizado. Así, todo el flujo de trabajo, desde la idea hasta la ejecución, se realiza en el mismo sistema.
Además, Gate ha lanzado el marco de desarrollo Gate for AI, que proporciona interfaces de trading unificadas para Agentes IA. Este marco integra trading centralizado, trading on-chain, billeteras y datos de mercado, permitiendo que los Agentes IA participen directamente en el trading y la ejecución de estrategias.
Para las plataformas de trading, la IA no solo supone una innovación tecnológica, sino que puede convertirse en un nuevo motor de crecimiento.
En los modelos tradicionales, los ingresos provienen principalmente de las tarifas de transacción, por lo que el crecimiento se basa en tres indicadores:
- Número de usuarios
- Volumen de trading
- Retención de activos de usuario
Frente a los inversores particulares, los usuarios de trading cuantitativo suelen operar con mayor frecuencia. Muchas estrategias cuantitativas funcionan de forma continua y mantienen actividad constante, por lo que su volumen de trading es mucho mayor que el de los usuarios convencionales.
En los mercados financieros tradicionales, el trading algorítmico representa ya una parte significativa del volumen total. En acciones, divisas y futuros, el trading automatizado suele superar el 60 %. Así, si las plataformas logran que más usuarios participen en trading cuantitativo, el volumen global puede aumentar significativamente.
En este modelo, las plataformas ayudan a los usuarios a crear y ejecutar estrategias cuantitativas con herramientas de IA, mejorando la eficiencia y la frecuencia de trading. Es decir, la IA no solo es una herramienta, sino también un mecanismo de crecimiento del volumen. Bajo esta lógica, las plataformas de trading con IA pueden desarrollar varios modelos de negocio.
5.1 Modelo de mejora de tarifas
En un entorno de trading con IA, los usuarios emplean herramientas inteligentes de la plataforma, como generación de estrategias, backtesting automatizado y ejecución automática. Estas funciones mejoran la eficiencia y la estabilidad de las estrategias.
La plataforma puede añadir una prima sobre las tarifas estándar. Por ejemplo, en trading spot o de futuros, puede cobrarse una tarifa algo superior por operar estrategias mediante IA. Mientras los retornos adicionales cubran este coste, el modelo es sostenible.
5.2 Marketplace de estrategias con IA
Otro modelo posible es el Marketplace de estrategias. Aquí, los usuarios pueden generar estrategias con IA, publicarlas y permitir que otros usuarios las suscriban o repliquen.
Los proveedores de estrategias obtienen ingresos por suscripción o copy trading, y la plataforma recibe un porcentaje como reparto de ingresos. Este modelo es similar a los sistemas de Copy Trading actuales, pero en la era de la IA la generación de estrategias cambia, con cada vez más estrategias creadas o asistidas por IA. Así, la plataforma no solo empareja operaciones, sino que opera un ecosistema de estrategias.
5.3 Evolución de la estructura de usuarios
A largo plazo, el mayor valor de la IA podría no estar en un producto individual, sino en la transformación de la base de usuarios.
En las plataformas tradicionales, la mayoría opera manualmente y los cuantitativos son minoría. Pero con la reducción de barreras gracias a la IA, más usuarios probarán el trading automatizado o por estrategias. Así, la IA podría convertir a muchos traders convencionales en “cuantitativos ligeros”. Para las plataformas, esto significa:
- Mayor frecuencia de trading
- Comportamiento más estable
- Ciclo de vida del usuario más largo
Desde la lógica del crecimiento, esta evolución puede crear un círculo virtuoso:
Más usuarios cuantitativos → mayor volumen de trading → más datos → mejores modelos de IA → mejores estrategias → más usuarios.
Conclusión
La historia de los mercados financieros demuestra que la tecnología transforma los métodos de trading. Desde los sistemas electrónicos, pasando por las casas de bolsa online y las plataformas móviles, cada avance ha reducido las barreras de acceso. La llegada de los LLM y los Agentes IA lleva los sistemas de trading a una nueva etapa: la IA no solo analiza datos, sino que genera estrategias y ejecuta operaciones, transformando el trading cuantitativo de un “problema de ingeniería” en un “problema de expresión”.
Esto permitirá que más usuarios participen en trading automatizado con herramientas de IA, sin necesidad de conocimientos cuantitativos avanzados. Sin embargo, los mercados financieros siguen siendo sistemas complejos y llenos de incertidumbre. Aspectos como la estructura de mercado, el entorno macroeconómico y la gestión del riesgo requieren criterio y experiencia humana. Por tanto, en el futuro previsible, la IA no sustituirá por completo a los traders, pero sí será una herramienta esencial dentro del sistema de trading.
Referencias:
