AI e inversión en mercados de acciones y cripto: evidencia y límites

Resumen

Esta revisión evalúa las aplicaciones de AI en acciones, ETF, mercados cripto centralizados, futuros perpetuos y actividad on-chain. Presenta el camino hacia los rendimientos de inversión como una secuencia: los datos correspondientes al momento analizado deben permitir obtener una señal fiable, posiciones prácticas, órdenes ejecutables y un rendimiento positivo ajustado al riesgo después de costes. Los enfoques revisados incluyen aprendizaje automático, modelos de series temporales y de lenguaje, aprendizaje por refuerzo y agentes automatizados. Los avances comunicados son mayores en la previsión, el análisis de texto, el diseño de carteras y los flujos de trabajo de investigación.

La revisión encuentra menos evidencia pública de rentabilidad neta duradera. La filtración de datos, la selección reiterada de estrategias, los efectos de supervivencia, las comparaciones deficientes, los costes de trading, las restricciones de las plataformas y la capacidad limitada pueden debilitar los resultados históricos. También señala el deterioro de los predictores, la corrección de errores de anticipación, resultados prospectivos dispares y la escasez de evidencia auditada con capital real. Las criptomonedas requieren un análisis específico del mercado porque los mercados al contado, perpetuos y descentralizados tienen flujos de caja y condiciones de ejecución distintos. La revisión no encuentra ningún enfoque de AI que haya demostrado un alfa neto persistente en distintos regímenes y niveles de capacidad. Para mejorar la evaluación hacen falta datos correspondientes al momento analizado, objetivos vinculados a decisiones de trading, pruebas conjuntas de cartera y ejecución, adaptación controlada, evaluación prospectiva y una gobernanza adecuada; estas prácticas mejoran la evidencia, pero no garantizan rendimientos.

Ideas clave

• Las capacidades de AI han avanzado más en predicción y apoyo a los flujos de trabajo que en la demostración de una rentabilidad duradera.
• Una señal de inversión utilizable debe superar cada etapa, desde la información correspondiente al momento analizado hasta los rendimientos ejecutables ajustados por costes.
• La contaminación de datos, los efectos de selección, las referencias deficientes, las fricciones de implementación y la capacidad pueden socavar los resultados históricos.
• La evidencia sobre acciones y criptomonedas debe interpretarse teniendo en cuenta sus distintas estructuras de mercado y flujos de caja.
• Las pruebas prospectivas y la evaluación conjunta de cartera, ejecución y gobernanza refuerzan las afirmaciones, pero no garantizan beneficios.

Etiquetas

# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.