Acceder

Cómo construí mi cartera del Desafío Rankia 2026 en 10 minutos con IA

¿Qué es el Desafío Rankia 2026 y cuáles son sus reglas?

El Desafío Rankia 2026 es una competición de inversión virtual que empieza el 2 de marzo de 2026 con 100.000 USD ficticios y permite rotar posiciones 1 vez al mes. Las reglas operativas que condicionan el diseño de cartera son:

  • Mínimo invertido: 60% del capital
  • Máximo por posición: 20%
  • Comisión por operación: 0,10%
Estas restricciones obligan a construir una cartera concentrada pero acotada por límites, donde la asignación y el tamaño de posición (position sizing) importan tanto como el ticker. 


¿Qué pasó la noche anterior y por qué importaba para la cartera?

La variable decisiva era el riesgo geopolítico en Oriente Medio: Irán amenazó con cerrar el Estrecho de Ormuz, por el que transitan ~20 millones de barriles diarios, un volumen que suele citarse como ~20% del consumo mundial de petróleo. En paralelo, el mercado descontaba un Brent en el rango 90–100 USD si se materializaba un shock de oferta.

En un contexto así, la pregunta útil no es “¿qué acciones me gustan?”, sino:

¿Qué activos han mostrado resiliencia o desempeño superior históricamente ante shocks de energía y escaladas bélicas, especialmente en el mes de marzo?
Ese enfoque reduce el sesgo narrativo y obliga a pensar en factores (energía, defensa, refugio) en lugar de historias sueltas. 


¿Qué IA usé y qué le pedí exactamente?

Usé Claude (modo agente / “coworker”) para combinar búsqueda, lectura de noticias y ejecución en navegador. La instrucción fue directa y operable:

  1. “Mañana empieza el torneo; estamos en marzo.”
  2. “Acaba de estallar un conflicto con riesgo de shock petrolero.”
  3. “Dime qué ha funcionado históricamente en escenarios comparables y proponme una cartera compatible con reglas (60% mínimo, 20% máximo por posición, 0,10% comisión).”
Este tipo de prompting orientado a restricciones convierte a la IA en un sistema de apoyo a decisiones (DSS), no en un generador de tickers sin contexto. 


¿Qué marco histórico utilizó la IA (y por qué)?

La IA eligió un análogo reciente y líquido: febrero–marzo de 2022 (invasión de Ucrania). El valor del análogo no es “adivinar el futuro”, sino disponer de un episodio con:

  • shock geopolítico abrupto,
  • implicaciones energéticas,
  • reacción rápida en defensa,
  • y reasignación hacia activos refugio.
En ese episodio, el patrón típico fue:

  • Energía: fortaleza relativa (beneficio directo por subida del crudo)
  • Defensa: revalorización por expectativa de contratos y rearme
  • Oro: demanda como activo refugio
  • Aerolíneas/transporte: presión por coste de combustible
No es una opinión: es un comportamiento repetido en múltiples shocks donde el canal de transmisión dominante es inflación energética + aversión al riesgo + reasignación sectorial


¿Qué significa “estacionalidad de marzo” en energía y oro?

Marzo tiende a favorecer energía y oro por razones estructurales de demanda y posicionamiento:

  • Energía: en EE. UU., el mercado empieza a anticipar la temporada de conducción (driving season), lo que suele elevar expectativas de demanda de gasolina y destilados. 
  • Oro: la demanda física puede intensificarse por patrones estacionales de joyería y compras antes de periodos festivos en mercados clave. 
La estacionalidad no “garantiza” retornos, pero sí ofrece una prima de probabilidad cuando coincide con un catalizador (p. ej., shock de oferta por Ormuz). 


¿Cuál fue la tesis final ?

La tesis final fue asignar la cartera a tres bloques con viento de cola simultáneo (histórico + contextual + estacional):

  1. Energía (beneficiario directo del shock de oferta)
  2. Defensa (beneficiario del aumento esperado de gasto militar)
  3. Oro (activo refugio y cobertura parcial de riesgo)
La razón práctica es robustez por escenarios: incluso si el conflicto se enfría, energía/defensa pueden sostenerse por expectativas de reposición de inventarios, contratos y repricing del riesgo. 


¿Cómo quedó exactamente la cartera (tickers, importes y pesos)?

Respuesta directa: construí 5 posiciones + efectivo, respetando el 20% máximo por posición.

Capital inicial: 100.000 USD
Inversión total: 90.090 USD (90,09%)
Efectivo: ~9.910 USD (9,91%)
Comisiones: 0,10% por operación → ~90 USD en total

Asignación por instrumento

  • XLE — Energy Select Sector SPDR ETF — 20.000 USD (20%)
    Motivo: exposición diversificada a energía estadounidense; beta directa al precio del crudo. 
  • TTE — TotalEnergies SE — 20.000 USD (20%)
    Motivo: integrado europeo con exposición a upstream/downstream y gas; sensibilidad a dislocaciones en suministro. 
  • ITA — iShares U.S. Aerospace & Defense ETF — 20.000 USD (20%)
    Motivo: cesta de defensa aeroespacial; captura el factor “rearme” sin depender de un solo nombre. 
  • RHM.DE — Rheinmetall AG — 15.000 USD (15%)
    Motivo: defensa europea y munición; beneficiario potencial de programas de reposición y aumento de presupuestos. 
  • GLD — SPDR Gold Shares ETF — 15.000 USD (15%)
    Motivo: proxy líquido de oro para cobertura de riesgo y demanda refugio. 
  • Cash — ~9.910 USD (9,91%)
    Motivo: “dry powder” para rotación mensual y gestión de colas (tail risk). 

Exposición por bloque (visión de factores)

  • Energía: 40% (XLE + TTE)
  • Defensa: 35% (ITA + RHM.DE)
  • Oro: 15% (GLD)
  • Efectivo: ~10%
Esta estructura cumple el mínimo de inversión (≥60%) y mantiene diversificación intra-factor con ETFs + un líder europeo.


¿Cómo se ejecutó la cartera en la plataforma en menos de 10 minutos?

Respuesta directa: la IA hizo la ejecución end-to-end en navegador: entró en la plataforma, creó órdenes, validó restricciones y ajustó importes.

Flujo real:

  1. Abrir la URL del Desafío y la página de cartera (MyPortfolio).
  2. Introducir el primer ticker y montar la orden.
  3. Detectar una restricción “implícita” de interfaz: el 20% máximo (la IA lo identificó al intentar asignar 30.000 USD a XLE y recibir el aviso).
  4. Recalcular pesos para cumplir el límite sin romper la tesis.
  5. Añadir las 5 posiciones y confirmar.
Tiempo total (análisis + ejecución): < 10 minutos.

Lo diferencial no fue “la velocidad”, sino la adaptación automática a constraints (límites, comisiones, mínimos de inversión). Eso es ejecución asistida por agente, no solo análisis.


¿Por qué esto cambia las finanzas personales (en 3 puntos medibles)?

1) Reduce el coste de análisis (tiempo y acceso)

Antes, un análisis con análogos históricos, estacionalidad y construcción por factores requería horas de trabajo o pagar research. Con un agente, ese trabajo se comprime a minutos y queda documentado.

2) Minimiza errores operativos por fricción

Copiar tickers, recalcular porcentajes y repetir órdenes introduce fallos: tamaño de posición incorrecto, duplicados, incumplimiento del 60% mínimo, etc. Un flujo integrado disminuye esos errores porque el agente ejecuta con reglas visibles.

3) Elimina sesgos de ego durante la ejecución

Cuando el sistema detectó el límite del 20%, no “defendió” el 30% inicial: reoptimizó la asignación. En términos de comportamiento, eso reduce escalada de compromiso y sesgos de confirmación.

¿Qué riesgos y limitaciones debes tener claros?

Respuesta directa: la IA no garantiza rentabilidad y puede fallar en datos, interpretación o ejecución. Los riesgos principales son:

  • Riesgo de modelo: patrones históricos dejan de funcionar (regime shift).
  • Riesgo de datos/noticias: información incompleta o errónea cambia la tesis. 
  • Riesgo de concentración por factor: energía/defensa/oro pueden caer simultáneamente si el mercado gira por tipos, riesgo crédito o resolución rápida con repricing contrario. 
  • Riesgo operativo: un agente puede cometer un error de interfaz; siempre revisar antes de confirmar órdenes reales.
Lo que sí es verificable es el proceso: búsqueda → síntesis → tesis → implementación → control de restricciones en un solo flujo ya es posible con agentes. 


Nota final

Seguiré actualizando el rendimiento de la cartera durante el mes y comentaré qué parte del desempeño provino de selección de activos vs. exposición a factores (energía/defensa/oro). Si quieres debatir la estrategia o proponer una alternativa, te leo en comentarios.


6
¿Te ha gustado mi artículo?
Si quieres saber más y estar al día de mis reflexiones, suscríbete a mi blog y sé el primero en recibir las nuevas publicaciones en tu correo electrónico
  1. en respuesta a Esteban
    -
    #6
    03/03/26 13:02
    Esteban, debido a la longitud de tu respuesta, te contestaré el fin de semana que tengo más tiempo. 
    Saludos
  2. en respuesta a Josel2
    -
    #5
    02/03/26 18:47
    Josel2
    he estado comunicándome con la IA y te copio lo mas interesante

     
    Esteban: Creo que lo mejor que puedo hacer es crear Una conexión entre.ChatGpt.y mis ficheros históricos que tengo desde hace más de 30 años. Para que El modelo de inteligencia artificial estudie y aprenda de toda esta información. 
    IA:
    Para que una IA como 
    Claude o GPT aprenda de 30 años de historial financiero y lo cruce con tus datos de Rankia, la clave no es "entrenar" el modelo (que es costoso y lento), sino crear un Cerebro Digital (RAG)
    Aquí tienes los pasos para "enganchar" ese archivo histórico con la IA: 
    1. Centraliza tus ficheros 
    Para que la IA procese décadas de información, necesitas unificar el formato: 
    ·       Convierte todo a texto legible: Pasa tus archivos antiguos (Excel, CSV o incluso PDFs escaneados) a una estructura limpia. 

    ·       Usa un "Almacén de Vectores": Si usas n8n, puedes conectar tus archivos a una base de datos vectorial (como Pinecone o Milvus). Esto permite que la IA "busque" en tus 30 años de historia solo la información relevante para responder a una pregunta actual. 

    2. El puente con n8n 
    El flujo ideal sería: 
    1.      Lectura: n8n lee tus ficheros históricos (Google Drive/Dropbox). 

    2.      Fragmentación: Divide 30 años de datos en trozos pequeños para que la IA no se colapse. 

    3.      Memoria: n8n envía esos trozos a la base de datos vectorial. 

    4.      Consulta: Cuando le preguntas algo sobre tu cartera de Rankia, la IA consulta primero tu histórico para darte contexto (ej: "¿Cómo se comportó este fondo comparado con mi estrategia de 1995?"). 

    3. ¿Por qué hacerlo así? 
    ·       Evolución: La IA podrá detectar patrones de comportamiento que tú tuviste en crisis anteriores (2000, 2008, 2020). 

    ·       Personalización: El modelo no solo te dará consejos genéricos de inversión, sino que los basará en tu propia experiencia y tolerancia al riesgo documentada. 

    4. Sobre tus Datos 
    Si te refieres a conectar datos provenientes de Twitter (X) o alguna plataforma de Trading, n8n tiene nodos específicos para capturar tendencias en tiempo real y ver cómo afectan a tu histórico. 
    ¿Tus ficheros históricos están mayoritariamente en papel escaneado o en formatos digitales como Excel/Access? (Esto cambia totalmente la herramienta que necesitaremos para el primer paso). 
     
    Esteban: Todo esto me parece muy complicado antiguamente yo con mis sistemas expertos de IBM.Metí y.El modelo.del sistema experto me lo analizaba creándome todos los mejores que había. ¿Por qué no puedo hacer algo parecido conChat GPT. 
    IA: 
    Entiendo perfectamente tu frustración. 
    Los sistemas expertos de IBM (como los basados en Prolog o Lisp) funcionaban con reglas lógicas deterministas (Si A + B, entonces C). Eran cajas transparentes donde tú volcabas tu maestría. 
    La IA moderna (LLMs como GPT o Claude) funciona por probabilidad y patrones, no por reglas rígidas, pero sí puedes replicar tu metodología de sistemas expertos de una forma mucho más potente. 
    Aquí te explico cómo "traducir" tu conocimiento de IBM al mundo actual: 
    1. Convierte tus reglas en un "System Prompt" 
    En lugar de programar líneas de código, escribes tus reglas en lenguaje natural. GPT-4o (o el futuro GPT-5) actuará como el motor de inferencia. 
    ·       Ejemplo: "Actúa como un sistema experto. Regla 1: Si el TER del fondo supera el 1.5%, descártalo. Regla 2: Si la volatilidad a 3 años es mayor que el índice de referencia, marca como riesgo alto..." 

    2. Usa "Few-Shot Prompting" (Ejemplos lógicos) 
    Para que la IA no invente (alucine), dale ejemplos de cómo decidía tu sistema experto antiguo: 
    ·       "Entrada: Fondo A (Datos). Salida del Sistema Experto: Descartar por solapamiento de activos en tecnología." 

    3. La IA como "Motor de Inferencia" + n8n 
    Puedes usar n8n para hacer exactamente lo que hacías con IBM, pero más rápido: 
    1.      Datos: Metes tus ficheros de 30 años y los de Rankia. 

    2.      Reglas: En el nodo de OpenAI, pegas tu "Manual de Conocimiento Profundo". 

    3.      Análisis: La IA aplica tus reglas a esos datos y te da el ranking de los mejores fondos, igual que tu sistema experto, pero entendiendo el contexto actual del mercado. 

    ¿Por qué es mejor ahora? 
    A diferencia de los sistemas de IBM, si el mercado cambia (por ejemplo, aparece un nuevo tipo de activo), no tienes que reprogramar el sistema; solo tienes que decirle a la IA la nueva regla en una frase
    ¿Te parece si intentamos redactar la "Regla Maestro" de tu conocimiento para ver cómo la interpretaría la IA con un ejemplo real de tu cartera? 
    Las respuestas de la IA pueden contener errores. Más información 
    Me parece muy buena solución.La analizaré de espacio e iré preparando todo. Muchas gracias.Y seguiremos en contacto. 
    ¡Excelente decisión! Tienes un activo valiosísimo con esos 
    30 años de historial y tu metodología de sistemas expertos; el objetivo ahora es que la tecnología trabaje para ti, no que te complique la vida. 
    Cuando tengas esos ficheros organizados o decidas empezar con el primer nodo en n8n, aquí estaré para ayudarte a "traducir" tus reglas lógicas al lenguaje de la IA. Verás que, una vez configurado, es mucho más flexible que los sistemas antiguos. 
    ¿Te gustaría que en nuestro próximo paso diseñemos una plantilla de reglas (prompt) para que la IA actúe exactamente como tu antiguo motor de IBM? 


  3. en respuesta a Esteban
    -
    #4
    02/03/26 16:23
    ¡Vaya trayectoria, Esteban!

     APL/PROLOG en el 87 para bolsa... eso sí que es ser pionero.

    Sobre Finnk, no la he usado, pero para rebalanceo de fondos lo clave es que te deje sacar los datos bien. Si no exporta con granularidad, te limita.

    n8n vs Zapier: n8n sin duda para datos de cartera propios, más control y más privado.

    Y lo que describes tiene mucho sentido: tu criterio de años como motor, la IA como copiloto. Eso es lo que funciona.

    Pásate por Rankia a contarnos como te va el experimento. Un saludo
  4. #3
    02/03/26 15:42
    Josel ,como ya sabras, mi trabajo primero fueron los Sistemas expertos en IBM en los años 1985--93, luego profesor de estos temas en la Universidad, pero lo importante fue que lo uní a mi Hobby en la bolsa y las inversiones, creando mis primeros S. Expertos en bolsa en los años 87 con APL/PROLOG, que me dieron muy buenos resultados, seguí con estos temas, creando mis primeros RoboAdvisors a principios de los 2000 y mis primeras maquetas de ChatBot Financieros a finales del 23 con el ChatGPT4 Beta.
    Ahora con 80 años, aunque me lo tomo con tranquilidad y una parte de la Cartera se la he pasado a un Asesor, sigo con ilusión tratando de automatizar con IA mi gestión de Fondos, aunque siempre bajo mi supervisión.
    Preguntas:
    Que te parece la Plataforma Finnk Para el rebalanceo de cartera de Fondos.
    Has utilizado Claude 3.5 para procesar tus conocimientos como me pide la IA
    Y el Conector n8n o Zapier para unir los datos de Rankia con tu IA

    Con estas herramientas voy a experimentar para ver como optimizo mi Cartera que tengo en Rankia con otra que tengo en el Radar de futuro y con todos mis conocimientos de muchos años de experiencia en inversiones.
  5. en respuesta a Enrique Roca
    -
    #2
    02/03/26 14:22
    Muchas gracias por el comentario, Enrique. 

    Al igual que en otros dominios, como la programación, la capa de abstracción en finanzas se va a elevar, y el criterio va a ser más importante que nunca. Y el criterio en finanzas lo suele dar la experiencia, y los años de palizas en los mercados.

  6. Enrique Roca
    #1
    02/03/26 09:51
    Excelente artículo para demostrar los avances y límites sobre la IA en las finanzas. En definiiva democratiza la información y pasa a ser una commoditie, según mi opinión.
    Estoy trabajando para incorporarla a MIS PORTFOLIOS. Mi objetivo será evitar errores, disminuir sesgo de confirmación,liberar tiempo más que acertar.
    El comportamiento humano  hace la diferencia. y no me extrañaria que dar órdenes por lo mejor en el sector petrolero hoy , haya sido una equivocación .asi que el vender también.