Seis semanas dejando que la IA construya un sistema de trading de cripto
Del 2 de septiembre al 13 de octubre de 2026 pedimos a un asistente de IA que construyera un sistema de trading de cripto, lo probara, lo ejecutara y lo auditara. Todas las operaciones fueron simuladas (en papel). Esto es lo que ocurrió, en orden.
Cómo se hizo: el código, las ejecuciones de investigación y los primeros borradores de este texto los produjo un asistente de IA bajo la dirección del operador; el operador tomó todas las decisiones y comprobó las cifras. Todas las operaciones fueron simuladas: precios reales, sin dinero real. Nada de esto es asesoramiento de inversión.
La versión corta
- El trading a escala de minutos perdió dinero de todas las formas que probamos. En 42 cuentas simuladas y 918 salidas, la pérdida fue de ₩25.161.360 (unos US$18.900), con un porcentaje de aciertos del 32 %.
- Las únicas reglas que sobrevivieron a nueve años de reproducción (replay) con datos pasados fueron reglas lentas de seguimiento de tendencia en monedas grandes y líquidas. Incluso esas se redujeron mucho cuando eliminamos del backtest la ventaja de la retrospectiva.
- La mejor de ellas funcionó durante dos semanas en un servidor dedicado, siguió sus reglas al pie de la letra y perdió un 3,93 %. Mantener Bitcoin (BTC) durante esas mismas dos semanas supuso una pérdida del 0,25 %.
- La conclusión del operador: el problema es el método, no el mercado. La investigación sobre trading queda en pausa hasta que lleguen mejores modelos de IA.
2–5 de septiembre: un radar para libros de órdenes
El primer objetivo era un sitio web gratuito que mostrara las diferencias de precio entre exchanges, junto con una señal de trading. La IA construyó un motor de datos que leía libros de órdenes y operaciones de Upbit y después de doce exchanges, y un panel que puntuaba cada segundo cada moneda como «comprar, esperar o vender», con informes hablados en inglés y coreano.
6–11 de septiembre: las primeras operaciones automáticas, −44,2 %
El primer bot automático compraba una moneda con todo su efectivo a precio de mercado cada vez que el panel indicaba comprar, y vendía ante señales de advertencia. Tras la primera auditoría, el resultado simulado fue de −44,2 %. Solo el 10 % de las operaciones ganó y la mediana del tiempo de permanencia fue de 12 segundos; 157 de 158 salidas fueron salidas «de emergencia».
La causa fue aritmética, no mala suerte: una operación completa (compra y venta) con órdenes de mercado en monedas pequeñas del mercado en wones costaba una mediana de 0,46 %, mientras que la ventaja de la señal era de +0,02 % a +0,08 % por operación.
12–17 de septiembre: parches que no resolvieron el problema
Probamos órdenes límite, mantener las posiciones durante más tiempo, una señal adelantada de Binance que anticipara los precios coreanos y cuentas «sombra» en paralelo en cada exchange. Perseguir monedas que ya estaban en pleno repunte perdió un 62 % en una reproducción (replay) con datos pasados de 63 horas. Un estudio de cinco días con 1,91 millones de filas mostró que las señales acertaban la dirección en el 58–63 % de las ocasiones, pero que el movimiento medio que captaban era de solo +0,04 % a +0,09 %. Un buen porcentaje de aciertos no puede pagar costes diez veces mayores que el movimiento.
Una auditoría de los registros simulados encontró algo más: el 86,5 % de todas las pérdidas procedía de una única ruta del código que vendía ante alarmas sin confirmar. Corregirla eliminó un error, no el problema de fondo.
18–25 de septiembre: buscar en todos los demás frentes
Probamos decisiones de trading tomadas por un modelo de lenguaje (LLM), copiar a los líderes de las clasificaciones, estrategias de pump, compra de caídas y niveles de comisiones. Probamos 34 reglas clásicas de indicadores en gráficos horarios: perdieron 34 de 34. Una revisión de resultados publicados encontró beneficios verificados solo donde las empresas tienen una ventaja estructural (velocidad, creación de mercado o market making, escala). No encontramos ningún historial verificado de bots de trading minoristas, de copy trading ni de bots de trading con IA.
26 de septiembre: contar los daños y reducir el ritmo
En todo el proyecto hasta ahora: 42 registros simulados, 918 salidas, ₩25.161.360 perdidos, porcentaje de aciertos del 32 %, con una ganancia media equivalente a la mitad de la pérdida media. Todo ello procedía de reglas que mantenían posiciones de minutos a horas. Pasamos a reglas de tendencia diarias y de cuatro horas, y una reproducción (replay) con ocho monedas grandes mostró una rentabilidad anual de +75 %. Entonces nos dimos cuenta de que esas ocho monedas se habían elegido en 2026. Al elegir las ocho primeras por volumen de negociación en cada momento, el resultado bajó a una rentabilidad anual de +41 % a +46 %. Detalles.
28 de septiembre: empezar de cero y probarlo todo
Descartamos las suposiciones anteriores y probamos 44 familias de estrategias, unas 9500 configuraciones, en siete temporalidades, eligiendo cada año las configuraciones solo a partir de datos pasados (walk-forward). Solo sobrevivió el seguimiento de tendencia en monedas líquidas a cuatro horas o a un día. La elegida: comprar cuando el cierre de cuatro horas supera el máximo de 55 velas, vender cuando cae dos rangos medios por debajo de su punto más alto, mantenerse fuera cuando Bitcoin (BTC) cotiza por debajo de su media de 100 velas y cortar las pérdidas en el 5 %. Reproducción con datos de nueve años: rentabilidad anual de +92 %. Tras ajustar por las trampas que conocíamos, esperábamos una rentabilidad anual de +28 % a +46 %, con drawdowns de 27–33 %.
También calculamos cuánto tardaría el trading en vivo en demostrar una regla como esta: unos 34 meses. El cálculo.
29 de septiembre – 13 de octubre: un servidor dedicado
Un pequeño servidor en la nube ejecutó la regla de forma ininterrumpida con un programa autónomo, alertas automáticas y una señal de vida (heartbeat) externa. Dinero simulado: ₩10.000.000. En dos semanas procesó a tiempo las 87 velas de cuatro horas, no registró ningún error y coincidió operación por operación con una reproducción (replay) independiente. También vendió cinco veces y perdió las cinco: −₩392.842, −3,93 %. Desde el 7 de octubre permaneció en efectivo porque Bitcoin (BTC) cayó por debajo de su media, lo que evitó una nueva caída. El registro completo y la auditoría.
Un estudio final de 31.407 configuraciones de indicadores en ocho duraciones de vela confirmó el patrón: cuanto más corta la vela, menos dinero sobrevivía a los costes. Resultados por temporalidad.
Lo que le diríamos a cualquiera que construya un bot
- Antes que nada, compara tu ventaja por operación con tu coste por operación completa (compra y venta).
- Un porcentaje de aciertos no significa nada sin el tamaño del movimiento.
- Elige las monedas del backtest como podrías haberlas elegido en su momento.
- Analiza las pérdidas según el motivo de salida: un solo error puede parecer una mala estrategia.
- Unas semanas de resultados en vivo no bastan para demostrar una estrategia. Úsalos solo para comprobar que el sistema sigue sus reglas.
- Un sistema que sigue sus reglas a la perfección aún puede perder dinero.
Todo lo que probamos figura en el cementerio de estrategias.