Criar langostas y operar en la bolsa, ¿es "ciencia" o "esoterismo"?

Reportero de The Paper | Liu Litong

Editor de The Paper | Song Yejun

Recientemente, la “cría de langostas” (despliegue, entrenamiento y uso de agentes de IA de código abierto OpenClaw) ha causado un gran revuelo en toda la red, y muchos inversores se han unido a esta ola de entusiasmo.

The Paper ha notado que, en los últimos días, los debates en redes sociales sobre “usar langostas para invertir en bolsa” se han intensificado, algunos se sorprenden por la eficiencia y conveniencia de que las “langostas” puedan vigilar el mercado 24/7 con inteligencia, otros lamentan que “usar langostas para invertir en bolsa, el costo en tokens supera por más de 10 veces las comisiones”, hay quienes consultan en todas partes sobre OpenClaw, y también quienes cuestionan la seguridad y fiabilidad de “invertir en bolsa con langostas”…

Desde que DeepSeek se popularizó el año pasado, cada vez más inversores en A-shares han comenzado a explorar diferentes formas de abrazar la IA, aunque su experiencia práctica varía mucho.

La inversora Chen Xue (nombre ficticio) buscó en varias plataformas de grandes modelos de IA la “clave para hacerse rico”, pero en medio de un mercado alcista, sufrió pérdidas cercanas al 20%. Ella dice: “Al final, toda mi sinceridad fue en vano”.

Para Qin Peng (nombre ficticio), responsable de un equipo de cuantitativa en el sur de China, la IA “compañera” es una “herramienta de investigación y inversión increíble”, que ha multiplicado por varias veces su eficiencia laboral.

¿Qué rendimiento tiene actualmente la IA en escenarios de inversión en bolsa?

Eficiente, pero no necesariamente confiable

Cuando surge un problema, la primera reacción de He Feng (nombre ficticio), un inversor de Guangdong, es “consultar con Doubao”.

Ya sea una noticia repentina o un nuevo concepto de tendencia, generalmente en 1-2 minutos obtiene una respuesta preliminar. Si considera que necesita un análisis más profundo, ajusta las palabras clave y la forma de preguntar, y en unos minutos obtiene una respuesta más ajustada a sus expectativas.

Antes de la aparición de los grandes modelos de IA, para responder a esas mismas preguntas, He Feng solía dedicar mucho tiempo a navegar en sitios de noticias, foros de acciones, redes sociales, etc. Después de recopilar suficiente información, tenía que hacer su propia integración y análisis para obtener una respuesta aceptable.

A Qin Peng le gusta combinar su modelo de selección de acciones cuantitativo con grandes modelos de IA.

Su modelo de selección automática filtra cada día acciones basándose en flujo de fondos, popularidad del mercado, tendencias de volumen y precio, etc., y luego realiza una segunda selección considerando los fundamentos y temas de tendencia de esas acciones, para definir el objetivo final. Con la ayuda de la IA, el tiempo dedicado a la selección manual se ha reducido de 3-5 horas a 30-50 minutos, multiplicando la eficiencia.

Además, al crear o modificar su modelo de selección, Qin Peng ocasionalmente delega tareas simples a la IA.

“Eficiencia” es la palabra que muchos inversores piensan primero cuando hablan de invertir con IA. Solo en A-shares hay más de 5000 empresas, y la información financiera se actualiza 24/7. Extraer la parte que necesitas de toda esa cantidad de datos ya supera la capacidad de cualquier inversor individual, y para la IA, esa tarea es “pan comido”.

Sin embargo, varios entrevistados coinciden en que muchas veces las respuestas de los grandes modelos de IA no son confiables.

Por ejemplo, preguntar a la IA sobre la relación entre una acción específica y un tema de tendencia suele dar respuestas que parecen muy razonables, pero en realidad carecen de fundamentos fácticos.

También hay ejemplos en los que la IA busca las 10 acciones con menor ratio PE en el mercado, pero en realidad solo revisa datos de unas pocas decenas de acciones y da respuestas, algunas de las cuales pueden ser datos antiguos o incluso incorrectos.

La “compañera” de IA también muestra a menudo una “personalidad complaciente”.

Por ejemplo, si le preguntas “¿A es mejor que B?”, te listará muchos argumentos a favor. Pero si luego le preguntas “¿B es mejor que A?”, también te dará muchos argumentos en contra. Si primero le pide analizar un sector, y después le pregunta qué sectores son los más prometedores ahora, los sectores ya mencionados suelen aparecer en la lista.

Casi todos los entrevistados han experimentado “alucinaciones” de la IA, es decir, respuestas que parecen razonables y completas, pero en realidad inventan hechos, datos o eventos que no existen, e incluso violan principios básicos de sentido común, en una especie de “hablar sin sentido” muy serio.

En inversión, cualquier error puede traducirse en pérdidas reales. Estas “alucinaciones” generan problemas adicionales: aunque los inversores solo necesitan unos minutos para obtener una respuesta de la IA, luego deben dedicar varias veces ese tiempo para corregir o ajustar las respuestas, o modificar sus preguntas para que la IA ofrezca respuestas más confiables.

¿Dónde está el problema?

Chen Xue decidió probar la IA después de enterarse de que DeepSeek, respaldado por la firma de cuantitativa Fantasma, era muy potente.

Muchas firmas de fondos cuantitativos líderes han declarado públicamente que están invirtiendo en IA, pero pocos en realidad comprenden qué papel juega la IA en sus decisiones de inversión y cuánto impacto tiene en sus rendimientos, especialmente cuánto contribuyen las operaciones de alta frecuencia.

Desde Shanghai, un experto en fondos cuantitativos de renombre opina que, en el proceso de inversión en bolsa, simplemente preguntar a la IA y aplicar sus respuestas no es lo mismo que una inversión cuantitativa que realmente utiliza IA.

En general, la inversión cuantitativa se basa en modelos matemáticos, métodos estadísticos y programas informáticos para reemplazar decisiones subjetivas, caracterizándose por disciplina, datos impulsados, carteras diversificadas y gestión de riesgos estricta.

Para la mayoría de los inversores que usan IA en sus decisiones, en esencia, la decisión final todavía la toma una persona, por lo que sigue siendo una inversión subjetiva. Además, su cartera suele ser limitada, dificultando la diversificación para mitigar riesgos por errores de IA.

Por otro lado, muchos inversores usan herramientas como Doubao, Qianwen, DeepSeek, que son modelos generales de IA, y estos difieren fundamentalmente de los modelos de IA desarrollados por fondos cuantitativos.

Según The Paper, los fondos cuantitativos invierten principalmente en tres aspectos de la IA: datos, potencia de cálculo y algoritmos.

Un experto del sector explica que los datos son la base para entrenar modelos de IA. En finanzas, datos de alta calidad, reales, oportunos y completos son especialmente críticos. Los modelos generales, en su entrenamiento, se basan en datos de texto, pero carecen de suficientes datos financieros de alta calidad.

En cuanto a la potencia de cálculo, aunque la inversión en hardware para modelos generales puede superar a la de fondos cuantitativos, su alcance más amplio y volumen de entrenamiento también requiere más recursos.

En el nivel de algoritmos, la mayoría de los fondos cuantitativos usan modelos “propios”, con algoritmos fundamentales similares a los de los modelos generales, pero con ajustes y enfoques de fine-tuning muy diferentes. Sus algoritmos centrales son casi secretos y no se divulgan públicamente.

Además, algunos corredores y otras instituciones están promoviendo activamente modelos de IA especializados en finanzas. Aunque tienen acceso a datos financieros avanzados, su investigación en IA está limitada por los costos de potencia de cálculo y las restricciones regulatorias, por lo que aún difícilmente cumplen con las expectativas de los inversores.

“Aunque sus modelos difieren mucho, los modelos generales reúnen mucho conocimiento de inversión. ¿Por qué no pueden ofrecer recomendaciones más razonables, como los grandes inversores subjetivos?” Muchos inversores, incluido Chen Xue, han tenido esa duda.

En una entrevista, Ren Yu, un inversor de Chengdu, dice: “Los inversores subjetivos no exigen tanta precisión en los datos como los cuantitativos, pero sus decisiones también deben basarse en datos recientes y relativamente precisos. Los datos que obtiene la IA general a menudo no son oportunos y pueden estar contaminados, por lo que sus análisis no son confiables”.

“Lo más importante es que la IA general carece de un sistema completo de inversión. Cada estrategia tiene sus características y condiciones de mercado. Desde diferentes enfoques, las conclusiones sobre compra o venta de acciones pueden ser completamente distintas. Por ejemplo, una acción puede parecer una buena compra a medio o largo plazo, pero para un inversor de corto plazo, puede ser mejor vender. La IA ha aprendido muchas estrategias, pero en su entrenamiento carece de datos prácticos de esas estrategias, por lo que le resulta difícil entender la lógica y las diferencias reales entre ellas”, explica Ren Yu.

¿Y si alimentamos a la IA con los marcos y conceptos de inversión de grandes inversores, para que dé respuestas siguiendo esas lógicas? Qin Peng, que ha intentado esto, opina que no sería efectivo. La información que puede “alimentar” a la IA son las opiniones y lógicas públicas de los grandes inversores, pero estos no siempre comparten o no pueden compartir completamente sus ideas, y sus sistemas de inversión evolucionan con el mercado.

Incluso si la IA pudiera ofrecer recomendaciones más razonables, ¿los inversores seguirían estrictamente esas estrategias? La respuesta probablemente sea no.

La colaboración humano-máquina es la tendencia

Frente a la eficiencia pero la posible falta de fiabilidad de la IA “compañera”, ¿cómo deben los inversores comunes usarla para obtener los mejores resultados?

“Depender completamente de la IA para decisiones de inversión no funciona. Primero hay que construir tu propio sistema de inversión”, concluye Chen Xue tras más de un año de experiencia.

Recientemente, ha suspendido sus operaciones en vivo y decidió estudiar más sobre inversión antes de volver a invertir. En ese proceso, ha descubierto un aspecto positivo de la IA: “Su capacidad de análisis de texto es realmente impresionante, ¡es excelente para buscar y resumir conocimientos de inversión!”

Qin Peng, satisfecho con la IA, comparte con The Paper que en la fase de recopilación de información, la IA supera claramente a los humanos en eficiencia, por lo que esa parte puede delegarse más a la IA; en la fase de análisis, también es más eficiente, pero comete errores, por lo que se puede mejorar cambiando las preguntas o añadiendo indicaciones; en la toma de decisiones, que es la parte más importante y difícil, el juicio final debe seguir siendo humano.

Los entrevistados coinciden en que en el futuro los modelos de IA serán cada vez más útiles y surgirán muchas IA especializadas en finanzas. Sin embargo, la IA no reemplazará completamente a los humanos en decisiones de inversión, sino que será una herramienta de apoyo. La colaboración humano-máquina será la tendencia principal.

Por un lado, la IA la entrenan las personas; cuánto poder de cálculo se invierte, qué datos se alimentan y qué algoritmos se usan, todo lo decide el ser humano. Por ahora, la IA no puede operar de forma completamente autónoma.

La IA busca patrones en datos históricos, pero en el mercado de valores, la historia nunca se repite exactamente. Los “cisnes negros” pueden ocurrir en cualquier momento, y la IA, por naturaleza, carece de la capacidad para manejar esos escenarios. Por ello, es difícil que exista un “agente” omnipotente en inversión.

Por otro lado, desde un punto de vista técnico, en el futuro la IA podría hacer mejores inversiones que los humanos, pero existen riesgos potenciales que hacen improbable ceder toda la decisión a la IA.

Por ejemplo, la tendencia a la convergencia de estrategias, cuando muchas instituciones y inversores usan datos y métodos similares para entrenar IA, puede generar estrategias similares, aumentando la correlación en las operaciones y provocando volatilidad sistémica en el mercado.

Además, los modelos de IA son “cajas negras”: sus decisiones son difíciles de rastrear, y en caso de errores, no hay responsable claro. Si se permite que la IA tome todas las decisiones, algunos podrían manipularla para influir en el mercado, lo que sería aún más difícil de detectar y controlar. Desde la regulación, probablemente se limitará el uso de IA en finanzas para mitigar estos riesgos.