Una reflexión sobre las recientes experiencias aprendiendo la nueva habilidad de 'IA+cuantificación', que resulta en pérdidas

La primera vez que tuve contacto con la IA fue en un foro pequeño y de nicho, durante el período de las mascarillas. En ese momento, la gente discutía usar IA para dibujar chicas de dibujos animados. Pero la IA tenía un gran bug: no podía dibujar los dedos correctamente. Sin embargo, no esperaba que más adelante estallaran los grandes modelos de lenguaje y que la tecnología de IA evolucionara rápidamente.

En la actualidad, bajo la influencia de esos “canales” de marketing que generan ansiedad en todo tipo de escenarios, yo, como una “persona que invierte y busca el momento” (un “bread” que no quiere ser dejado atrás por la época), a comienzos de 2026 empecé a intentar usar IA para invertir. Exploré una estrategia que considero exitosa y otra que resultó relativamente fallida; comparto el proceso:

Primero, hablemos de la estrategia fallida:

EM lanzó una IA llamada MiaoXiang. Una ventaja de MiaoXiang es que tiene datos en primera mano tanto del foro de EM como del área de investigación y análisis. Por eso, pensé si podría usar MiaoXiang para diseñar una estrategia de inversión de corto plazo: usar la IA para recomendar activos, ejecutar con órdenes cuantitativas, es decir, en el cierre de T recomendar cinco ETF cotizados en bolsa (ETF en el mercado), configurar los precios de take profit y stop loss de esos activos para que, dentro de los cinco días de negociación posteriores a T+5, si se supera ese período sin que se dispare nada, todos los activos que no hayan sido activados se vendan directamente con una orden al contrapartido. Esta es una estrategia de corto plazo. Pero en la ejecución real, la tasa de aciertos fue de menos del 40%, y las pérdidas se ampliaron día tras día. De cualquier manera, le dije a la IA que no persiga subidas ni ejecute ventas por caídas, pero en realidad las señales que obtenía en el cierre de T eran de los sectores calientes. Después, simplemente detuve las pruebas. Descubrí dos problemas: primero, este modelo persigue subidas y ventas por caídas de manera severa. Cuando el mercado cae de forma general en T, el sentimiento del mercado se vuelve bajo; el modelo me sugerirá evitar el riesgo y no realizar operaciones de compra. Cuando algún sector se vuelve tendencia o hay noticias calientes, entonces el modelo me recomendará comprar. Pero en la coyuntura actual, con un cambio rápido de rotación sectorial, al final recibe golpes en todos los lados. Esto coincide mucho con cómo se entrenan los productos del lado de research (los que “empujan” ventas) y con el impulso emocional del lado de los minoristas. El modelo también está entrenado de esa forma. Cuando el mercado no tiene una línea principal, el modelo en cada salida se vuelve caótico. Al abrir la interfaz de pensamiento, verás que el modelo solo toma al azar varias noticias y contenidos de información, y que todo el análisis posterior se basa en esas noticias consultadas en ese momento. Esto hace que sea muy fácil caer en una visión parcial.

Ahora, hablemos de una estrategia relativamente más exitosa:

En ese período, le pedí a GJ Securities que me diera permisos de QMT y, por si acaso, también pedí una cuenta simulada. Yo solo tuve contacto con programación en la etapa universitaria. En la etapa de posgrado, como pasatiempo, opté por modelado matemático y algoritmos matemáticos; esto fue hace quince años, y ahora casi se me ha olvidado todo. Pero aprender programación y la forma de pensar de los algoritmos sí ha influido en mí de manera constante. Al aprender QMT, hasta me dio un poco de arrepentimiento de por qué no abrí petrade: en el mercado hay mucho menos videos y material sobre QMT que sobre petrade; quizá sea porque petrade es más fácil de empezar y ya trae programas de trading listos. Pero, en realidad, las estrategias que realmente hacen dinero no se ofrecen gratis ni a bajo precio; si no, este sector se volvería abarrotado. Con la ayuda de la programación con IA, tardé más de un mes en escribir paso a paso una estrategia que se ajustara a mí, y también la corrí con una cuenta simulada. Así fue como di el primer paso hacia la cuantificación. Cuando ejecuté la estrategia por primera vez, todavía me sentí muy realizado. Al principio pensaba que no podría escribirla y que tendría que ir a Taobao a contratar a alguien para que la escribiera. Ese dinero se ahorró.

Después de estas dos experiencias con IA, pensé: en una época en la que la IA se desarrolla tan rápido, ¿cómo debería adaptarme? Primero, necesito dominar los medios de producción; si no, solo con la capacidad laboral es fácil ser reemplazado. Como en mi caso: si no tuviera herramientas de IA, iría a Taobao a contratar a alguien para que escribiera. En el futuro, a medida que la IA se generalice, a los programadores que solo escriben código de forma simple se les afectará fácilmente; segundo, la IA en sí no tiene capacidad de innovación original, sino que es un “frankenstein” que solo cose cosas: al principio resulta novedosa, pero si la miras más, se vuelve aburrida. Le das lo que sea y ella lo cose; puede aumentar la eficiencia y dar inspiración, pero en sí misma—al menos hasta ahora—no tiene capacidad de innovación original. Si no le das nuevos materiales, tenderá a volverse igual o caótica; una persona puede distinguir el “sabor a IA” con una sola mirada; por último, todas las herramientas cuantitativas te enseñan cómo usar indicadores técnicos para hacer trading de alta frecuencia. Esto no es muy diferente a lo que se hacía con las fórmulas de Tongdaxin hace más de diez años. Pero la vía real para ganar dinero quizá no cambie por la innovación tecnológica: la cuantificación es solo una técnica; si el “camino” es incorrecto, por mucho que aprendas cuantificación, solo acelerarás el grado de ganancias y pérdidas.