Estoy preparando mi vuelta a los mercados, si Buffet está en liquidez es momento de afilar las espadas :)
EL tema de la IA es algo que no puedo dejar pasar. Ya en 2008 hice trading con NeuroShell cuando solo hacía que perder dinero ( Neuroshell, no yo) .
Parece que ahora puede ser diferente, y 17 años después programo mucho mejor con Python que entonces, que tirabamos de programación en los programas del momento, y no fue hasta Quantopian cuando Python empezó a usarse más.
Un plan sin fisuras:)
Así que en primer lugar me estoy poniendo al día.
He leído un paper académico de octubre 2025 que me ha llamado la atención: los agentes de IA son más racionales que los humanos y reducen comportamientos irracionales en mercados,
PERO si muchos inversores adoptan modelos similares, crean un nuevo tipo de riesgo sistémico más peligroso que el comportamiento de manada humano.
¡¡¡¡Este tema me parece superinteresante!!! Así que vamos al lío..... en primero lugar algunos datos que arroja el paper para abrir boca...
EL tema de la IA es algo que no puedo dejar pasar. Ya en 2008 hice trading con NeuroShell cuando solo hacía que perder dinero ( Neuroshell, no yo) .
Parece que ahora puede ser diferente, y 17 años después programo mucho mejor con Python que entonces, que tirabamos de programación en los programas del momento, y no fue hasta Quantopian cuando Python empezó a usarse más.
Un plan sin fisuras:)
Así que en primer lugar me estoy poniendo al día.
He leído un paper académico de octubre 2025 que me ha llamado la atención: los agentes de IA son más racionales que los humanos y reducen comportamientos irracionales en mercados,
PERO si muchos inversores adoptan modelos similares, crean un nuevo tipo de riesgo sistémico más peligroso que el comportamiento de manada humano.
¡¡¡¡Este tema me parece superinteresante!!! Así que vamos al lío..... en primero lugar algunos datos que arroja el paper para abrir boca...
- La IA reduce el herding (comportamiento de manada) en un34% respecto a los humanos
- La formación de burbujas disminuye 28% con agentes IA
- Los agentes IA basan sus decisiones un 73% en información privada respecto al 52% de los humanos
- Pero bajo condiciones específicas, IA puede ser inducida a un "herding algorítmico óptimo" sincronizado
A corto plazo, IA puede estabilizar mercados. A largo plazo, si se concentra en pocos modelos (OpenAI, Anthropic), aumenta riesgo de "flash crashes algorítmicos" coordinados.
Esto se pone cada vez más flipante..
Esto se pone cada vez más flipante..
¿Por qué importa ahora?
La adopción masiva de IA en finanzas ya está aquí
En 2025, el 19% de inversores retail ya usan herramientas de IA para decisiones de inversión, con un crecimiento de 46% al año. Los Hedge funds cuantitativos y robo-advisors integran modelos de machine learning masivamente.
¿Qué pasa cuando millones de inversores toman decisiones con ChatGPT, Claude o sistemas similares?
¿Qué pasa cuando millones de inversores toman decisiones con ChatGPT, Claude o sistemas similares?
Los "Animal Spirits" de Keynes en la era de la IA
John Maynard Keynes acuñó el término "animal spirits" (espíritus animales) para describir las emociones humanas irracionales que impulsan decisiones económicas:
- Miedo en pánico que provoca ventas masivas
- Euforia que infla burbujas
- Comportamiento de manada (si todos venden, yo vendo)
¿La IA, siendo "racional", elimina estos espíritus animales? ¿O crea nuevas formas de irracionalidad colectiva?
El paper: metodología y diseño experimental
Información del estudio
Título: "Financial Stability Implications of Generative AI: Taming the Animal Spirits"
Publicación: arXiv:2510.01451 (Octubre 2025)
Método: Simulación multi-agente de mercados financieros
Link aquí
Agentes comparados:
Publicación: arXiv:2510.01451 (Octubre 2025)
Método: Simulación multi-agente de mercados financieros
Link aquí
Agentes comparados:
- Inversores humanos (con sesgos cognitivos documentados)
- Agentes de IA generativa (basados en LLMs)
Diseño del experimento
Los investigadores crearon mercados sintéticos donde los agentes compiten por maximizar retornos:
- Información disponible:
- Información pública: Visible para todos (precios, volumen, noticias)
- Información privada: Cada agente recibe señales privadas sobre valor fundamental
- Comportamientos medidos:
- Herding: ¿Siguen la tendencia del mercado o su información privada?
- Formación de burbujas: ¿Precio diverge del valor fundamental?
- Volatilidad: Fluctuación de precios en el tiempo
- Eficiencia: ¿Precio refleja información disponible?
- Condiciones testeadas:
- Mercados normales (bull/bear markets)
- Crisis (información contradictoria, pánico)
- Diversidad de modelos (todos usan mismo modelo vs modelos diversos)
La IA es más racional pero....
Los Agentes de IA reducen comportamiento de manada (-34%)
Resultado: Agentes IA exhiben 34% menos herding que humanos.
Explicación:
- Humanos: Cuando ven a todos comprando, asumen "ellos saben algo que yo no sé" y compran también por FOMO (Fear of Missing Out)
- IA: Procesa información privada más objetivamente, menos influenciada por tendencias sociales
Ejemplo práctico:
Imagina una acción que sube 50% en una semana sin cambios fundamentales:
Imagina una acción que sube 50% en una semana sin cambios fundamentales:
- Humano: "¡Todos están comprando! No quiero quedarme fuera" asi que compro en el pico.
- IA: Analiza fundamentales (P/E, crecimiento earnings) y concluye que está sobrevalorada así que ni compra ni vende.
Los mercados con más agentes IA nos llevarán a menos "momentum investing" irracional por lo que las burbujas serán más pequeñas.
Menos burbujas de precios (-28%)
Resultado: La formación de burbujas se reduce un 28% cuando los agentes IA dominan el mercado.
Mecánica:
- Las burbujas ocurren cuando el precio es mayor que el valor fundamental
- Los humanos inflan las burbujas por FOMO, exceso de confianza, extrapolación de tendencias
- La IA ancla decisiones en datos objetivos: earnings, cash flow, ratios financieros
Data point del paper:
En simulaciones de "mercado en euforia":
En simulaciones de "mercado en euforia":
- Mercado con 100% humanos: El precio alcanza 2.3x valor fundamental antes de colapsar
- Mercado con 100% IA: El precio alcanza máximo 1.5x valor fundamental, corrección más gradual
Caso real comparable:
Flash crash 2010 ( lo vivÍ) vs correcciones lentas. Antes del trading algorítmico, las correcciones eran más dramáticas pero menos frecuentes. Con algoritmos, correcciones más frecuentes pero menos severas.
Flash crash 2010 ( lo vivÍ) vs correcciones lentas. Antes del trading algorítmico, las correcciones eran más dramáticas pero menos frecuentes. Con algoritmos, correcciones más frecuentes pero menos severas.
3. Mayor uso de información privada (+40% sobre los humanos)
Los agentes IA basan decisiones 73% en información privada vs 52% humanos.
Por qué importa:
- Información privada son análisis propios, due diligence, modelos predictivos
- Información pública es lo que todos saben (precio actual, noticias mainstream)
Eficiencia del mercado:
- Los mercados eficientes requieren que los inversores actúen con su información privada (su análisis único)
- Si todos solo reaccionan a información pública, el mercado es pura especulación
Podemos concluir que la IA mejora eficiencia informacional del mercado.
Ejemplo:
- Humano: ve noticia "Apple lanza nuevo iPhone" va y compra AAPL (reacción obvia)
- IA: Analiza supply chain data, reseñas de early adopters, comparativas con competencia, pricing power, margenes y toma la decisión más informada que puede ir contra el mainstream
El riesgo del herding algorítmico
El Problema de la concentración de modelos
El paper incluye un hallazgo inquietante: Bajo ciertas condiciones, agentes IA pueden ser inducidos a herding de forma "óptima".
¿Qué significa esto?
Si muchos inversores usan el mismo modelo de IA (todos usan ChatGPT API o Claude para operar), podría pasar esto:
- Recibir información similar
- Procesarla con arquitecturas similares
- Llegar a conclusiones idénticas
- Ejecutar trades simultáneamente
Herding humano vs Herding algorítmico
Aspecto | Herding Humano | Herding Algorítmico |
|---|---|---|
Velocidad | Gradual (horas/días) | Instantáneo (milisegundos) |
Sincronización | Imperfecta (timing disperso) | Perfecta (ejecución simultánea) |
Reversión | Lenta (miedo persiste) | Puede ser abrupta (modelo cambia) |
Detección | Visible en sentiment, redes sociales | Opaca (algoritmos black box) |
Corrección | Intervención manual posible | Difícil detener cascada algorítmica |
El riesgo real:
- El Herding humano lleva a una corrección de mercado
- El Herding algorítmico sincronizado puede llevar a un flash crash sistémico
¿Cómo se puede liar?
Escenario 1: "The GPT Flash Crash"
Setup:
- 40% de traders retail usandoChatGPT/Claude para decisiones
- Todos preguntan variaciones de "¿debería vender mis acciones tech?"
- Modelo recibe información macro similar (ej: Fed sube tasas)
- LLM responde con variaciones de "considere reducir exposición tech"
Resultado:
- Millones ejecutan sell orders simultáneamente
- La liquidez se evapora
- Los precios caen 10-15% en minutos
- Los circuit breakers activan
- El pánico se amplifica
Probabilidad:
- MEDIA-ALTA si adopción supera 30-40% sin diversidad de modelos
- Mitigación: Modelos diversos, human-in-the-loop, time delays
Escenario 2: "Consenso en los Hedge Funds"
Setup:
- Hedge funds cuantitativos usan modelos ML similares (ej: todos entrenados en mismos datasets)
- Mercado entra en régimen nuevo (ej: inflación alta sostenida, algo raro post-2008)
- Modelos no reconocen el nuevo régimen (entrenados en data pre-inflación)
- Todos fallan simultáneamente en misma dirección
Resultado:
- Pérdidas correlacionadas masivas
- Liquidaciones forzadas (margin calls)
- Contagio a mercados relacionados
- Crisis sistémica estilo LTCM 1998 pero amplificada
Probabilidad:
- MEDIA - Histórico: LTCM, Quant Quake 2007
- El riesgo aumenta con concentración de estrategias
Escenario 3: "Ataque adversario" ( mi preferido)
Setup:
- un tio malo muy malo descubre cómo manipular modelos de IA populares
- Usa "adversarial inputs" (noticias fake, datos manipulados) que confunden a la IA pero no a humanos
- El modelo IA interpreta señal manipulada como legítima
Resultado:
- La IA ejecuta trades basados en información falsa
- Manipula el profit de movimientos predecibles
- Erosiona de confianza en trading algorítmico
- Investigaciones regulatorias, posibles prohibiciones
Probabilidad:
- BAJA-MEDIA a corto plazo, ALTA a largo plazo
- Conforme la IA se vuelva más sofisticada, también pasara con esto.
Implicaciones según quién seas
Para inversores retail
Ventajas de usar IA:
- Decisiones más racionales, menos sesgos emocionales
- Acceso a análisis antes solo disponible para institucionales
- Backtesting y optimización de estrategias
Riesgos a considerar:
- No uses solo una herramienta (diversifica fuentes de IA)
- No ejecutes ciegamente recomendaciones de IA
- Mantén human oversight (tú decides, IA asesora)
- En alta volatilidad, desactiva trading automático
Recomendación práctica:
Si usas ChatGPT/Claude para ideas de inversión:
Si usas ChatGPT/Claude para ideas de inversión:
- Consulta múltiples modelos (OpenAI + Anthropic + otros)
- Valida con análisis propio o un asesor humano
- Nunca ejecutes trades automáticamente basado solo en LLM
- Usa IA para research, no para market timing
¿Estabilización o riesgo sistémico?
Argumentos Pro-IA (estabilización)
1. Reducción de sesgos humanos
- IA no tiene FOMO, pánico, overconfidence
- Decisiones basadas en data, no emociones
- Menos errores cognitivos costosos
2. Mayor eficiencia de mercado
- Precios reflejan información más rápidamente
- Arbitraje de ineficiencias más eficiente
- Mejor price discovery
3. Democratización
- Inversores retail acceden a análisis sofisticado
- Nivel de juego más parejo vs institucionales
- Reducción de asimetrías informacionales
Evidencia del paper:
- 34% menos herding
- 28% menos burbujas
- 73% uso de información privada (vs 52% humanos)
Argumentos Anti-IA (riesgo sistémico)
1. Concentración de riesgo
- Si todos usan ChatGPT habrá una monocultura algorítmica
- El fallo de un modelo afecta a millones simultáneamente
- Correlación de decisiones aumenta riesgo sistémico
2. Opacidad y falta de control
- Black box algorithms son difíciles de auditar
- Difícil predecir comportamiento en situaciones extremas
- Los reguladores no pueden supervisar efectivamente
3. Velocidad y sincronización
- Ejecución en milisegundos amplifica impacto
- Flash crashes más probables y severos
- Imposible intervención humana a tiempo
4. Riesgos adversarios
- Manipulación de inputs para engañar IA
- Ataques coordinados más efectivos
- Carrera armamentística AI attacker vs defender
Evidencia del paper:
- Herding algorítmico bajo condiciones específicas
- Riesgo de sincronización perfecta
- Fallo correlacionado si modelos similares
Parece que depende de la diversidad
Ecosistema diverso vs monocultura
El paper concluye que el impacto de IA en estabilidad financiera depende críticamente de la diversidad del ecosistema:
Escenario A: Ecosistema Diverso
- Múltiples proveedores de IA (OpenAI, Anthropic, Google, modelos open-source)
- Arquitecturas variadas (Transformers, RNNs, Reinforcement Learning)
- Estrategias diferentes (value, momentum, arbitrage, etc.)
- Resultado: Estabilización - Los beneficios de racionalidad sin riesgos de sincronización
Escenario B: Monocultura Algorítmica
- 1-2 proveedores dominantes (ej: 70% usa ChatGPT)
- Modelos similares entrenados en datos similares
- Estrategias convergentes
- Resultado: Riesgo sistémico, Herding algorítmico, flash crashes, fallos correlacionados
Recomendaciones prácticas ( no de inversión)
Para usuarios de IA que invierten
ESTO SI:
- Usa IA como herramienta de research y análisis
- Consulta múltiples modelos/plataformas
- Mantén human oversight en decisiones finales
- Establece límites (stop-losses, position sizing)
- Diversifica estrategias, no solo herramientas
ESTO NO:
- No ejecutes trades automáticamente basado solo en un LLM
- No uses solo ChatGPT/Claude para timing de mercado
- No ignores tu análisis propio y due diligence
- No asumas que IA "sabe más" sin validación
- No actives trading automático en alta volatilidad
Navegando la paradoja
La paradoja de la racionalidad artificial
La IA enfrenta a los mercados financieros con una paradoja fascinante:
A nivel individual: Cada agente de IA es más racional que humanos y eso llevará a menos burbujas, menos pánico, mercados más eficientes
A nivel sistémico: Si muchos agentes de IA convergen en decisiones similares nos va a llevar un nuevo tipo de riesgo de herding algorítmico sincronizado
Es como la paradoja del tráfico: cada conductor que usa Google Maps individualmente optimiza su ruta, pero si todos usan el mismo algoritmo, crean tráfico en rutas esas rutas óptimas.
La respuesta no es binaria
¿La IA estabiliza o desestabiliza mercados?
Respuesta corta: AMBAS, dependiendo del contexto.
Respuesta matizada:
- Estabiliza si hay diversidad de modelos, estrategias y human oversight
- Desestabiliza si converge en monocultura algorítmica sin supervisión
No es una cuestión de "sí o no", sino de cómo diseñamos el ecosistema.
