La gente nos pregunta qué significa en concreto que "un equipo de AI investiga estrategias", así que aquí va una hipótesis recorrida de principio a fin. Lo importante que hay que retener: esto es un embudo que existe para rechazar. La mayoría de las ideas mueren. Eso es el producto funcionando.
Las preguntas que de verdad nos hacen sobre el tema
¿Quién genera las ideas?
Un agente de investigación que lee lo que la biblioteca de datos puede soportar — tasas de funding, interés abierto, cintas de liquidaciones, superficies de opciones, sentimiento de noticias, Fear & Greed — y escribe hipótesis con una tesis, un venue, un marco temporal y un perfil de riesgo. Es explícitamente consciente de las comisiones: una idea cuyo edge plausible está por debajo del coste de ida y vuelta del venue llega malformada de origen. También lee el cementerio. El motivo de fracaso de cada estrategia abandonada queda embebido y es consultable, de modo que "momentum de funding en barras horarias, tercer intento" se marca antes de desperdiciar un ciclo.
¿Quién escribe el código y por qué habría que fiarse de él?
Un agente desarrollador codifica la estrategia sobre una plantilla base fija — dimensionamiento relativo al capital, lógica de stops explícita, necesidades de datos declaradas. La confianza viene del guantelete, no del autor. Cuatro capas: análisis estático (comprobaciones AST de los antipatrones que hemos catalogado); escenarios sintéticos (seis formas de mercado con datos suplementarios fabricados — una estrategia que compra en un escenario de crash que fue diseñada para evitar muere aquí); un backtest en sandbox con datos reales que debe producir al menos una operación; y un agente de QA que hace revisión de código buscando polaridad de señal, casos límite y viabilidad frente a comisiones. La capa 2 atrapa la clase más vergonzosa: código que se ejecuta perfectamente y hace lo contrario de la hipótesis.
¿Qué cobra realmente el backtest?
Comisiones maker/taker reales por venue, devengo de funding sobre el mark, impacto de mercado de raíz cuadrada, margen y liquidación para libros apalancados, calendarios de sesión para renta variable. Equity mark-to-market incluyendo el PnL no realizado, de modo que los drawdowns no quedan ocultos entre la entrada y la salida. Si eso suena a lo mínimo exigible, no lo es; cada elemento se añadió porque su ausencia produjo una promoción errónea concreta.
¿La optimización no acaba simplemente en overfitting?
Lo intenta. El pipeline lo da por hecho: los parámetros pasan primero por un barrido de sensibilidad (una estrategia que solo funciona exactamente con lookback=14 es una coincidencia, no una estrategia), luego por optimización walk-forward en tres ventanas con seguimiento IS/OOS, y por último por un holdout final que la estrategia ve exactamente una vez. Un Sharpe OOS por debajo de la mitad del IS es un rechazo. El holdout tiene que retener al menos el 70% del Sharpe OOS del walk-forward. Son puertas impuestas por código, no criterio del analista — el analista puede dispensar un umbral blando dejando el motivo registrado, pero no puede dispensar las comprobaciones de overfitting.
¿Cuál es la tasa de aprobación?
Baja, y así debe ser. La muerte más habitual ocurre en la revisión del analista: el edge es real pero queda por debajo del 0.15% por operación después de costes. La segunda más común es el acantilado de sensibilidad. Los supervivientes pasan a un responsable de riesgo y después a paper trading, donde una comprobación diaria de paridad por replay los mantiene honestos frente a datos en vivo de forma indefinida. El capital real está detrás de una puerta separada, controlada por humanos.
