El inversor que no duerme: tu agente de IA para invertir
Crea paso a paso un agente de IA personal para inversiones y trading con Python, ChatGPT o Claude, sin perder el control
Alejandra De la Torre
Muestra gratuita · Primer capítulo
El inversor que no duerme: tu agente de IA para invertir
Crea paso a paso un agente de IA personal para inversiones y trading con Python, ChatGPT o Claude, sin perder el control
Alejandra De la Torre
Muestra gratuita · Primer capítulo
La expresión agente de IA para inversiones puede sonar más poderosa de lo que realmente es. Algunas personas imaginan un sistema que observa los mercados, comprende la economía, anticipa los movimientos de los precios y compra o vende en el momento perfecto. Ese sistema no existe. Al menos, no de la forma fiable y general que sugiere esa descripción.
Un agente de inversión es, en términos prácticos, un programa que recibe información, la procesa según unas reglas, genera una decisión o una recomendación y, si se lo permites, ejecuta una acción. Puede consultar precios, analizar noticias, calcular indicadores, revisar tu cartera, preparar órdenes y enviarlas a un bróker mediante una API. También puede utilizar un modelo de lenguaje como ChatGPT, Claude o Gemini para resumir documentos, clasificar noticias o explicar una situación.
Pero el agente no sabe automáticamente cuáles son tus objetivos, cuánto riesgo puedes asumir ni qué pérdida te impediría dormir. Tampoco puede garantizar que una interpretación sea correcta o que una orden se ejecute como estaba previsto. La utilidad del sistema dependerá de sus datos, sus reglas, sus permisos y los controles que hayas diseñado.
La idea central de este libro es sencilla: un agente puede automatizar una estrategia, pero no puede convertir una estrategia confusa en una buena estrategia. Antes de conectar código a una cuenta real, tendrás que decidir qué quieres hacer, con qué información, bajo qué límites y quién tendrá la última palabra.
Un script tradicional ejecuta instrucciones concretas. Por ejemplo, puede descargar el precio diario de un ETF, calcular una media móvil y mostrar el resultado en pantalla. Si el precio supera la media, el programa no hará nada más a menos que alguien haya programado expresamente la siguiente acción.
Un agente añade una cierta capacidad de decisión dentro de un entorno definido. Observa información, evalúa una situación y elige entre varias acciones posibles. En inversión, ese ciclo puede representarse así:
Por ejemplo, un agente podría revisar cada hora una cartera de ETF. Si una posición supera el peso máximo establecido, calcularía una orden de rebalanceo. Antes de ejecutarla, podría comprobar si el mercado está abierto, si hay saldo suficiente, si la desviación justifica los costes y si la orden respeta los límites fijados. Finalmente, registraría la decisión y el resultado.
El término agente no significa que el programa tenga voluntad, criterio financiero propio o conciencia del contexto. Significa que el programa puede completar un flujo de trabajo con cierta autonomía. Esa autonomía siempre estará limitada por el código, los datos disponibles y los permisos que le concedas.
UN CICLO SENCILLO
Imagina una estrategia que mantiene un ETF de renta variable en el 60 % de la cartera y un fondo monetario en el 40 %. El agente comprueba los pesos una vez por semana.
Si la renta variable ha subido y ahora representa el 67 %, el sistema calcula cuánto tendría que vender para regresar al objetivo. Después verifica que la diferencia supera un umbral, por ejemplo cinco puntos porcentuales, y que los costes estimados no son excesivos. Puede preparar la orden para que la revises o enviarla automáticamente, según el nivel de control que hayas elegido.
El agente no ha descubierto una oportunidad secreta. Ha aplicado una regla explícita de rebalanceo.
La automatización suele ser la parte más fiable de un agente porque trabaja con tareas repetitivas y criterios que pueden expresarse con claridad. Cuanto más precisa sea la tarea, menos dependerá el resultado de una interpretación ambigua.
Entre las funciones más útiles están las siguientes.
Recopilar y organizar datos. El agente puede conectarse a una API de precios, descargar cotizaciones históricas, consultar el saldo de una cuenta o reunir información sobre las posiciones de una cartera. También puede guardar esos datos en archivos o bases de datos para analizarlos después.
Esta tarea parece sencilla, pero requiere cuidado. Las fuentes pueden utilizar formatos distintos, tener retrasos, omitir datos o cambiar sus límites de uso. Un precio de cierre ajustado por dividendos no es exactamente lo mismo que el precio negociado en el mercado. Si el programa mezcla ambos sin saberlo, sus cálculos pueden resultar incorrectos.
Calcular indicadores y métricas. Puede obtener rentabilidades, volatilidad, drawdown, correlaciones, medias móviles, pesos por activo o exposición por divisa. También puede comparar la cartera con un índice de referencia o comprobar si una posición ha superado un límite.
Filtrar activos. Una estrategia puede exigir que el sistema descarte activos con poca liquidez, un volumen insuficiente, una capitalización mínima o una volatilidad superior a cierto nivel. El filtro no demuestra que un activo sea una buena inversión; únicamente verifica si cumple unas condiciones.
Vigilar una cartera. El agente puede comprobar si una posición ha alcanzado un peso excesivo, si ha caído por debajo de un nivel definido o si la suma de las exposiciones supera el límite permitido. También puede enviar una alerta por correo electrónico o mensajería cuando ocurra algo relevante.
Leer y resumir documentos. Un modelo de lenguaje puede ayudar a resumir resultados empresariales, clasificar titulares, extraer cifras de un informe o comparar el lenguaje utilizado por una empresa entre varios periodos. Esta función ahorra tiempo, pero el resumen no sustituye la revisión del documento original cuando la decisión sea importante.
Preparar órdenes. El sistema puede calcular el número de participaciones que corresponde comprar, verificar el importe, elegir entre una orden limitada o de mercado según tus reglas y dejar la operación lista para su confirmación.
Registrar decisiones. Un agente bien diseñado guarda qué datos utilizó, qué reglas se activaron, qué orden propuso o envió y qué respuesta recibió del bróker. Este registro permite revisar errores y saber si el sistema actuó como estaba previsto.
La última función suele recibir menos atención, aunque es fundamental. Una estrategia automática que no deja rastro es difícil de auditar. Si una orden aparece en tu cuenta y no puedes reconstruir por qué se envió, has perdido una parte esencial del control.
Los modelos de lenguaje pueden trabajar con texto y producir respuestas comprensibles. Por eso resultan útiles en tareas que antes exigían leer muchos documentos manualmente. Un agente puede enviarle el texto de una noticia y pedirle que identifique:
Sin embargo, un modelo de lenguaje no es una base de datos financiera ni un motor de cálculo fiable por defecto. Puede confundir fechas, mezclar empresas con nombres parecidos, interpretar mal una cifra o presentar una inferencia como si fuera un hecho. También puede generar una respuesta convincente aunque la información de entrada sea incompleta.
Por esa razón, conviene asignarle tareas concretas y verificables. Es preferible pedirle que extraiga el beneficio por acción indicado en un informe que preguntarle si la acción “va a subir”. La primera tarea puede contrastarse con el documento original. La segunda exige una predicción incierta y no tiene una respuesta comprobable en el momento de tomar la decisión.
El modelo también debería estar separado de los controles críticos. Puede proponer una clasificación de noticias, pero la decisión final debería pasar por reglas programadas: tamaño máximo de la posición, pérdida diaria permitida, activos autorizados y condiciones de liquidez. Un texto generado por la IA no debería tener permiso para saltarse esos límites.
Estas cuatro funciones suelen mezclarse, pero implican niveles de responsabilidad distintos.
Automatizar significa delegar una tarea repetitiva en un programa. Descargar precios cada día, actualizar una hoja de cartera o enviar un aviso cuando una posición se desvía del objetivo son ejemplos de automatización.
La automatización no necesita necesariamente inteligencia artificial. Un programa convencional puede ejecutar estas tareas de forma más previsible y fácil de comprobar. De hecho, usar un modelo de lenguaje para una operación que se resuelve con una fórmula puede añadir complejidad sin aportar valor.
En el análisis asistido, la máquina ayuda a organizar o interpretar información, pero la decisión sigue dependiendo de una persona. El agente puede resumir un informe, comparar varias empresas según criterios definidos o señalar cambios inusuales en una cartera.
Aquí el riesgo principal es aceptar la respuesta sin verificarla. La facilidad de lectura puede dar una falsa impresión de precisión. Una explicación clara no demuestra que el análisis sea correcto.
La ejecución implica que el sistema se comunica con un bróker o una plataforma y envía órdenes. Es un salto importante: el agente deja de producir únicamente información y empieza a modificar una cuenta real.
Una orden puede fallar, ejecutarse parcialmente, recibir un precio distinto del esperado o ser rechazada por el bróker. También puede ejecutarse correctamente desde el punto de vista técnico y, aun así, ser una mala decisión desde el punto de vista de la estrategia.
Por eso la ejecución debe introducir controles independientes del modelo de lenguaje. Entre ellos:
El agente debería poder equivocarse en una clasificación sin tener capacidad para comprometer toda la cartera. Ese principio, conocido como limitación de permisos, es más importante que conseguir una respuesta sofisticada.
Asesorar no es lo mismo que ejecutar una regla. Una recomendación personalizada puede depender de tus ingresos, patrimonio, deudas, objetivos, horizonte temporal, tolerancia al riesgo y situación fiscal. Un agente que conoce únicamente los precios y las posiciones de tu bróker no conoce necesariamente todo ese contexto.
Además, las obligaciones legales aplicables a los servicios de inversión dependen del país, del tipo de actividad y de quién presta el servicio. Construir una herramienta para uso personal no equivale automáticamente a ofrecer asesoramiento regulado a otras personas. Si desarrollas un sistema para terceros, tendrás que analizar las exigencias legales, contractuales y de protección de datos que correspondan.
En este libro, el objetivo es construir una herramienta personal que ejecute reglas que tú has definido y comprendido. No se pretende presentar la IA como asesor financiero independiente ni como sustituto de una evaluación profesional de tus circunstancias.
No todo debe automatizarse. En muchos casos, la intervención humana no es una señal de ineficiencia, sino un control deliberado.
Deberías conservar la decisión sobre tus objetivos y restricciones. El agente puede calcular cuánto riesgo tiene una cartera según una métrica determinada, pero tú debes establecer qué pérdida sería inaceptable, cuánto dinero necesitarás y qué activos estás dispuesto a mantener durante una caída prolongada.
También conviene revisar los cambios en la estrategia. Si el sistema empieza a producir resultados distintos porque una fuente ha modificado su formato, un modelo ha cambiado o el mercado se encuentra en un entorno excepcional, no debería modificar por sí solo las reglas fundamentales.
La autorización para operar con dinero real merece un tratamiento separado. El programa puede sugerir una operación y esperar confirmación. Puede operar automáticamente con importes pequeños. O puede tener capacidad completa dentro de límites estrictos. Estas alternativas no son equivalentes. La elección depende de la estrategia, de tu experiencia y de la pérdida máxima que aceptarías si el sistema fallara.
UNA ORDEN VÁLIDA TAMBIÉN PUEDE SER UN ERROR
Un agente puede conectarse correctamente al bróker, enviar una orden con todos los campos requeridos y recibir una confirmación. Eso demuestra que la operación se ejecutó, no que la decisión fuera adecuada.
Antes de automatizar, comprueba qué ocurriría si el precio cambia rápidamente, si la API devuelve datos antiguos, si se interrumpe la conexión después de enviar la orden o si el programa se reinicia y vuelve a intentarlo. Debes diseñar el sistema para evitar duplicidades y para dejar constancia de cada estado: pendiente, enviada, ejecutada, rechazada o desconocida.
Un agente no puede garantizar rentabilidades. Puede aplicar una estrategia que haya funcionado en un periodo histórico, pero los datos pasados no aseguran el comportamiento futuro. Una prueba con resultados excelentes puede haber capturado una casualidad, una particularidad del periodo analizado o un error metodológico.
Tampoco puede predecir de manera consistente el próximo movimiento del mercado solo porque utilice un modelo de lenguaje. El modelo puede detectar patrones en el texto, pero eso no significa que disponga de información privilegiada ni que conozca las variables que determinarán el precio.
No puede eliminar la incertidumbre. Puede medir la volatilidad histórica, estimar escenarios y establecer límites, pero una caída inesperada, un fallo operativo o un acontecimiento extraordinario siempre puede producir resultados distintos de los previstos.
No puede interpretar cualquier noticia con contexto perfecto. Un titular puede ser irónico, incompleto o incorrecto. Un informe puede contener una revisión posterior de datos. Una noticia relevante para una empresa puede no tener un efecto inmediato sobre su cotización, y una noticia aparentemente menor puede coincidir con un movimiento fuerte por razones que el agente no observa.
Tampoco puede corregir automáticamente una estrategia mal definida. Si le ordenas comprar cada vez que un activo suba un 2 %, lo hará con precisión, aunque esa regla no tenga sentido para tus objetivos. La velocidad de ejecución no compensa la falta de criterio.
Finalmente, no puede hacerse responsable de una pérdida. La responsabilidad práctica de conceder permisos, elegir reglas y decidir si se utiliza una cuenta real sigue siendo tuya. Por eso la supervisión, los registros y la capacidad de detener el sistema forman parte de la estrategia, no son accesorios técnicos.
Una forma prudente de construir tu agente es aumentar la autonomía por etapas.
En la primera etapa, el agente solo observa. Descarga datos, calcula métricas y genera informes. No puede enviar órdenes.
En la segunda, analiza y avisa. Detecta condiciones de tu estrategia y te envía una señal con los datos utilizados y la regla activada. Tú decides qué hacer.
En la tercera, prepara operaciones. Calcula el tamaño, el tipo de orden y el importe, pero exige confirmación manual.
En la cuarta, ejecuta automáticamente operaciones limitadas. Solo debería llegar aquí después de probar el sistema con datos históricos y en simulación. El importe y el universo de activos deben estar restringidos.
En la quinta, puedes ampliar la autonomía si los resultados operativos son satisfactorios. Eso no significa eliminar la supervisión. Significa que el sistema ha demostrado que respeta las reglas, registra sus acciones y se detiene cuando encuentra una situación no contemplada.
Este enfoque permite separar dos preguntas que a menudo se confunden: ¿la estrategia tiene sentido? y ¿el programa la ejecuta correctamente? Una estrategia puede ser mala aunque el código no tenga errores. Un código puede ser defectuoso aunque la estrategia sea razonable. Ambas cuestiones deben probarse por separado.
Un agente de IA para inversión no es un oráculo conectado al mercado. Es una combinación de datos, reglas, modelos, permisos y controles. Cada componente puede fallar de una manera distinta:
Construir el agente consiste en reducir la probabilidad y el coste de esos fallos. Para ello, empezarás por describir tu estrategia con precisión, separarás el análisis de la ejecución, probarás con datos históricos, simularás operaciones y registrarás cada decisión.
La meta no es crear una máquina que nunca se equivoque. Eso no es realista en los mercados. La meta es que, cuando el sistema se equivoque, el error sea detectable, limitado y corregible. Y que nunca tengas que preguntarte qué hizo tu agente con tu dinero sin poder reconstruir la respuesta.
Durante mucho tiempo, automatizar una estrategia de inversión significaba recibir una notificación. Una aplicación detectaba que una acción había alcanzado cierto precio, que un índice había caído un 5 % o que una media móvil había cruzado a otra. Tú recibías el aviso y decidías qué hacer.
Ese sistema sigue siendo útil. Una alerta es sencilla de entender, fácil de auditar y rara vez ejecuta una acción irreversible por sí sola. El problema aparece cuando quieres vigilar muchos activos, combinar varias condiciones o reaccionar con rapidez. En ese punto, una alerta aislada se queda corta: informa de un hecho, pero no interpreta el contexto ni sigue el proceso completo hasta la ejecución.
Un agente de IA aplicado a la inversión intenta cubrir ese espacio. Puede leer datos, aplicar reglas, utilizar un modelo de lenguaje para analizar información no estructurada y realizar determinadas acciones dentro de unos límites definidos. La diferencia importante no está en que “piense como una persona”, sino en que puede encadenar tareas y actuar según un objetivo y unas condiciones.
Un flujo básico podría ser este:
Una alerta normalmente se detiene en el primer o segundo paso. Un agente puede continuar, pero cada paso adicional introduce más responsabilidad y más posibilidades de error.
Conviene separar varias funciones que a menudo se presentan juntas bajo la etiqueta de “agente de inversión”. No es lo mismo automatizar una tarea administrativa que permitir que un programa envíe órdenes reales.
1. Automatización de tareas
El programa realiza una acción repetitiva y bien definida. Por ejemplo:
Aquí no hace falta que el sistema interprete lenguaje ni que tome decisiones complejas. Un programa convencional puede resolverlo de forma más previsible que un modelo de lenguaje.
2. Análisis asistido
El sistema combina datos numéricos con información textual. Puede resumir un informe empresarial, clasificar noticias o extraer menciones a cambios regulatorios, resultados trimestrales o riesgos operativos.
En este nivel, la IA ayuda a organizar información para que tú la revises. Puede proponer una interpretación, pero su salida no debería tratarse como un hecho confirmado sin comprobar la fuente original. Un modelo de lenguaje puede confundir fechas, atribuir una declaración a la empresa equivocada o presentar una inferencia como si fuera un dato.
3. Preparación de una decisión
El agente aplica una estrategia que ya has definido y genera una propuesta concreta. Por ejemplo:
> “La cartera se encuentra un 4,2 % por debajo del peso objetivo en un ETF de renta variable global. La desviación supera el umbral del 3 %. La compra propuesta es de 420 euros. La orden no elevaría la exposición total por encima del límite establecido.”
En este punto, el sistema puede calcular y explicar una operación, pero todavía necesita tu confirmación. Es una forma de automatización con revisión humana.
4. Ejecución de órdenes
El programa se conecta a un bróker mediante una API y envía órdenes. A partir de aquí ya no estamos ante una simple herramienta de análisis. El agente puede producir una pérdida económica, cometer operaciones duplicadas o comprar un activo equivocado si la conexión, los datos o las reglas fallan.
La ejecución automática exige controles adicionales: límites de importe, activos autorizados, comprobación del precio, control de órdenes pendientes, gestión de errores y un mecanismo de parada. También debes saber si la API está conectada a una cuenta real o a una cuenta de simulación. Confundir ambos entornos es un error básico, pero no infrecuente.
UN MISMO OBJETIVO CON DISTINTOS NIVELES DE CONTROL
Supón que tu estrategia establece que un ETF debe representar el 60 % de la cartera.
- Alerta: recibes un mensaje cuando el peso baja del 57 %.
- Análisis asistido: el sistema calcula la desviación y resume las posiciones que la han provocado.
- Propuesta: el agente determina que una compra de 350 euros devolvería la cartera a un rango del 59 % al 61 %.
- Ejecución: el agente envía la orden al bróker después de comprobar que no supera el límite mensual ni el importe máximo por operación.
La estrategia es la misma. Lo que cambia es cuánto poder de decisión y de ejecución entregas al sistema.
La inteligencia artificial puede ayudar a analizar información y coordinar tareas, pero no convierte una idea ambigua en una estrategia segura. “Comprar empresas buenas cuando bajen” no es una instrucción suficientemente precisa para un programa. Tendrías que definir, entre otras cuestiones:
La calidad del agente depende en gran medida de la precisión de estas reglas. Un modelo de lenguaje puede ayudarte a convertir una descripción informal en una lista de condiciones, pero la versión final debe ser verificable y ejecutable. La máquina no puede resolver por sí sola las contradicciones de una estrategia mal definida.
Por ejemplo, estas dos instrucciones podrían entrar en conflicto:
El agente necesita una prioridad explícita. Tal vez la regla de liquidez tenga precedencia y solo pueda invertir el 90 % del efectivo disponible. Si no defines ese orden, el resultado dependerá de cómo se haya programado la lógica o de cómo interprete el texto el modelo de lenguaje.
Un modelo como ChatGPT, Claude o Gemini puede ser útil para tareas que requieren trabajar con lenguaje: resumir documentos, extraer datos de una noticia, comparar explicaciones o generar una descripción de los motivos de una operación.
Sin embargo, no conviene utilizarlo como única autoridad para cálculos sensibles. La rentabilidad, el tamaño de una posición, la exposición total y los límites de riesgo deben calcularse con código determinista y datos estructurados siempre que sea posible.
Una arquitectura prudente separa las funciones:
Así, el modelo puede participar en el proceso sin tener autoridad ilimitada. Si devuelve una clasificación dudosa de una noticia, el sistema puede marcarla para revisión en lugar de convertirla directamente en una orden.
EL ACCESO A UNA API ES UN PERMISO OPERATIVO
Una clave de API puede permitir consultar datos, gestionar una cuenta o enviar órdenes. No la trates como una contraseña cualquiera ni la incluyas directamente en el código que compartas.
Usa permisos mínimos, limita la capacidad de operar cuando sea posible y prueba primero con un entorno de simulación. El agente debe poder funcionar sin acceso de escritura hasta que hayas validado su comportamiento. Además, conserva un botón de parada o un mecanismo equivalente que impida nuevas órdenes aunque el resto del sistema siga activo.
Cuando automatizas una estrategia, no eliminas las decisiones humanas. Las desplazas hacia otra fase. En lugar de decidir cada compra en el momento, decides antes:
Este cambio puede ser beneficioso porque reduce decisiones impulsivas y evita que tengas que vigilar el mercado continuamente. Pero también puede ocultar errores si das por hecho que el agente “sabe lo que hace”. Un programa puede ejecutar una regla incorrecta con mucha más rapidez y constancia que una persona.
Por eso, un agente de inversión no debería medirse por cuántas operaciones puede realizar sin intervención. Una medida más útil es si ejecuta una estrategia comprensible, dentro de unos límites conocidos y con un historial que permita reconstruir cada decisión.
La progresión razonable suele ser gradual: primero alertas, después análisis, luego propuestas y, solo cuando el sistema haya sido probado con datos históricos y simulación, una ejecución real limitada. El objetivo no es que la máquina actúe en todo momento. Es que actúe únicamente cuando las condiciones estén claras y tú puedas explicar qué ocurrirá antes de concederle permiso.
Un agente de IA para inversiones no es una única aplicación mágica. Es un sistema formado por varias piezas con funciones distintas. El modelo de lenguaje interpreta texto y ayuda a razonar; las fuentes de datos describen lo que está ocurriendo en el mercado; las herramientas permiten consultar información o enviar instrucciones a otros servicios.
La diferencia entre un agente útil y un chatbot con acceso a internet está en cómo se conectan esas piezas y en los límites que se aplican entre ellas.
Un esquema básico sería:
El modelo de lenguaje no debería tener control directo sobre cada paso. Su función depende del diseño: puede limitarse a resumir información, proponer una operación o participar en una ejecución supervisada.
Modelos como ChatGPT, Claude o Gemini están entrenados para trabajar con lenguaje natural. Pueden leer un informe empresarial, resumir una noticia, comparar dos escenarios o convertir una política de inversión escrita en reglas más concretas.
Por ejemplo, un inversor podría pedir:
> «Analiza las últimas comunicaciones de una empresa y señala cambios en sus previsiones, deuda y márgenes. No emitas una recomendación de compra o venta; limita la respuesta a hechos y posibles riesgos».
El modelo puede ser útil para clasificar documentos, extraer conceptos y detectar diferencias entre textos. Sin embargo, tiene limitaciones importantes:
Por eso conviene separar dos funciones. El modelo puede ayudar a interpretar los datos, pero los cálculos críticos deben realizarlos funciones deterministas y verificables.
Si quieres calcular la exposición de una cartera, no es necesario pedirle al modelo que multiplique precios por cantidades. El programa debe hacer esa operación. El modelo puede explicar después el resultado en lenguaje natural.
Un agente de inversión necesita datos suficientemente completos, recientes y coherentes con la estrategia. No todos los datos sirven para todas las decisiones.
Entre las fuentes habituales se encuentran:
Los datos pueden llegar desde una API, un archivo CSV, una base de datos o una fuente que el agente consulte periódicamente. El origen importa tanto como el contenido. Una cotización retrasada quince minutos puede ser suficiente para una revisión semanal, pero inadecuada para una estrategia que pretende reaccionar a movimientos intradía.
Antes de entregar un dato al modelo o a la lógica de ejecución, hay que comprobar al menos:
Un modelo puede leer una tabla correctamente y aun así sacar una conclusión equivocada si la tabla mezcla precios de cierre con precios intradía o si una columna expresa rentabilidades en porcentaje y otra en valores decimales.
DATOS NO SIGNIFICA VERDAD
Una API puede responder correctamente y entregar datos incompletos, retrasados o mal interpretados por tu programa. La conexión funciona, pero la decisión sigue siendo incorrecta. Valida el formato, las fechas, las unidades y la antigüedad de cada dato antes de usarlo.
Una herramienta es una función o servicio que el agente puede utilizar. Algunas solo leen información; otras modifican el estado de una cuenta o envían órdenes. Esta diferencia debe quedar reflejada en el diseño.
Una clasificación práctica es la siguiente:
Una herramienta de lectura puede ejecutarse automáticamente con un riesgo relativamente bajo. Una herramienta que envía una orden tiene consecuencias externas y debe estar protegida por controles adicionales.
Por ejemplo, el modelo podría producir esta propuesta:
JSON
{
"accion": "comprar",
"ticker": "ETF-EJEMPLO",
"cantidad": 10,
"tipo_orden": "limitada",
"precio_limite": 98.50,
"motivo": "La cartera está por debajo de la asignación objetivo"
}Ese resultado no debería enviarse directamente al bróker. Antes hay que comprobar si el activo está permitido, si la cantidad respeta el tamaño máximo, si existe saldo suficiente, si el precio está dentro de un rango razonable y si la orden necesita aprobación manual.
El modelo propone una acción. El programa decide si esa acción cumple las reglas.
Entre el modelo, los datos y las herramientas suele existir un componente de coordinación, que puede llamarse orquestador. Su responsabilidad es controlar el flujo de trabajo:
El orquestador también puede imponer un número máximo de pasos. Esto evita que un agente quede atrapado en un ciclo de consultas o intente repetir una acción indefinidamente.
Una arquitectura sencilla podría representarse así:
CÓDIGO
Datos de mercado ─┐
Datos de cartera ──┼──> Orquestador ──> Modelo de lenguaje
Noticias ──────────┘ │ │
│ └── Propuesta
v
Reglas de riesgo
│
┌─────────────┴─────────────┐
v v
Simulación Ejecución autorizada
│ │
└─────────────┬─────────────┘
v
Registro de actividadEsta separación permite cambiar una parte sin reconstruir todo el sistema. Puedes sustituir el proveedor de datos, cambiar el modelo de lenguaje o mantener la misma lógica de riesgo.
Cuando un modelo responde con texto libre, resulta difícil validar automáticamente lo que ha decidido. Una respuesta como «parece conveniente aumentar la posición» no indica cuánto comprar, a qué precio ni bajo qué condiciones.
Es preferible solicitar una estructura concreta. Por ejemplo:
comprar, vender, mantener o no_operar.La estructura facilita la validación, pero no convierte al modelo en una fuente fiable por sí misma. Un JSON bien formado puede contener una operación absurda. La validación debe comprobar tanto la sintaxis como el significado.
El siguiente ejemplo muestra una separación básica entre una propuesta y una regla de riesgo. No conecta con un bróker ni recomienda una inversión concreta; representa el tipo de control que debe existir antes de permitir una orden.
PYTHON
from dataclasses import dataclass
from typing import Optional
@dataclass
class TradeProposal:
action: str
ticker: str
quantity: int
limit_price: Optional[float] = None
@dataclass
class Portfolio:
cash: float
max_order_value: float
allowed_tickers: set[str]
def validate_proposal(
proposal: TradeProposal,
portfolio: Portfolio,
) -> tuple[bool, str]:
allowed_actions = {"buy", "sell", "hold", "no_trade"}
if proposal.action not in allowed_actions:
return False, "Acción no reconocida"
if proposal.action in {"hold", "no_trade"}:
return True, "No se requiere una orden"
if proposal.ticker not in portfolio.allowed_tickers:
return False, "Activo no permitido por la estrategia"
if proposal.quantity <= 0:
return False, "La cantidad debe ser positiva"
if proposal.limit_price is None or proposal.limit_price <= 0:
return False, "La orden necesita un precio límite positivo"
order_value = proposal.quantity * proposal.limit_price
if order_value > portfolio.max_order_value:
return False, "La orden supera el límite por operación"
if proposal.action == "buy" and order_value > portfolio.cash:
return False, "Saldo insuficiente para la compra"
return True, "Propuesta válida para la siguiente revisión"
def main() -> None:
portfolio = Portfolio(
cash=2_000.00,
max_order_value=500.00,
allowed_tickers={"ETF-EJEMPLO", "BONO-EJEMPLO"},
)
proposal = TradeProposal(
action="buy",
ticker="ETF-EJEMPLO",
quantity=4,
limit_price=98.50,
)
is_valid, message = validate_proposal(proposal, portfolio)
print(f"¿Pasa la validación?: {is_valid}")
print(message)
if __name__ == "__main__":
main()El programa rechaza activos no autorizados, cantidades inválidas, precios ausentes, órdenes demasiado grandes y compras que exceden el saldo disponible. En un sistema real habría que añadir más controles: posiciones actuales, exposición por sector, divisa, horario de mercado, liquidez, comisiones, órdenes duplicadas y diferencias entre el precio consultado y el precio disponible.
Observa también que la función no intenta decidir si el ETF es una buena inversión. Solo comprueba si la propuesta cumple unas restricciones previamente definidas. Esa separación es deliberada: una regla de seguridad debe ser predecible y no depender de que el modelo interprete correctamente una instrucción en cada ocasión.
El agente puede necesitar cierta memoria, pero conviene distinguir varios tipos.
La memoria de trabajo contiene los datos de la tarea actual: precios, posiciones, noticias y resultados intermedios. La configuración contiene las reglas que deberían mantenerse entre ejecuciones: activos permitidos, límites, frecuencia de revisión y nivel de autorización. El registro histórico conserva lo ocurrido: datos recibidos, respuesta del modelo, validaciones y acciones ejecutadas.
Guardar una conversación completa no sustituye a un registro estructurado. Para auditar una decisión deberías poder responder, como mínimo:
También es útil trabajar con permisos graduales. Un agente nuevo puede empezar en modo:
La última fase no es obligatoria. Para muchas estrategias, el modo de análisis, aviso o simulación ofrece suficiente automatización sin asumir el riesgo operativo de enviar órdenes automáticamente.
Pensar en componentes ayuda a evitar expectativas equivocadas:
La idea central es sencilla: el modelo puede ser una pieza importante del agente, pero no debe confundirse con todo el sistema. Un agente de inversión responsable combina interpretación flexible con cálculos verificables, datos identificables, herramientas limitadas y controles que funcionen aunque el modelo se equivoque.
Un agente de IA puede leer datos, ejecutar reglas y enviar órdenes. Eso no significa que pueda asumir la responsabilidad de invertir en tu nombre. Automatizar una tarea no transfiere automáticamente sus consecuencias a la máquina, al proveedor del modelo ni al bróker.
La frontera importante no está entre “lo hace una persona” y “lo hace un programa”. Está entre las tareas operativas que pueden repetirse con reglas claras y las decisiones que requieren responsabilidad, contexto y supervisión. En una cartera real, esa diferencia afecta a tres ámbitos:
El agente puede ayudarte a aplicar una estrategia. No puede decidir por ti qué papel debe ocupar el dinero en tu vida.
Un agente no es una persona, una sociedad de inversión ni un profesional regulado. Es un sistema informático compuesto por código, datos, servicios externos y reglas de actuación. Aunque utilice un modelo de lenguaje avanzado, sigue ejecutando una arquitectura diseñada y autorizada por alguien.
Si el agente compra un activo, la orden puede quedar registrada a nombre del titular de la cuenta. Si interpreta mal una noticia, utiliza un precio retrasado o envía una orden con un volumen incorrecto, la pérdida no desaparece porque la decisión haya sido generada por IA.
Esto tiene una consecuencia práctica: antes de automatizar, debes identificar quién toma cada decisión y quién puede corregirla. Una respuesta útil no consiste en preguntar únicamente “¿puede hacerlo la IA?”, sino en plantear estas preguntas:
Mientras no tengas respuestas concretas, no estás ante una estrategia automatizada controlada, sino ante un sistema con permisos que todavía no comprendes del todo.
Las normas aplicables varían según el país donde resides, el lugar donde opera el intermediario, el tipo de activo y el servicio que se presta. También importa la diferencia entre analizar información, emitir una recomendación personalizada, gestionar una cartera y ejecutar órdenes siguiendo instrucciones previas.
Por ejemplo, un programa que calcula medias móviles sobre una lista de acciones suele desempeñar una función analítica. Un sistema que filtra noticias y te envía un aviso sigue estando, en principio, en una fase distinta de uno que recomienda comprar un activo concreto atendiendo a tu patrimonio, tus objetivos y tu tolerancia al riesgo. Y ese sistema tampoco ocupa la misma posición que otro que decide el tamaño de las posiciones y envía órdenes sin pedir confirmación.
La etiqueta “agente de IA” no determina por sí sola la clasificación legal. Tampoco la determina el hecho de que el programa sea doméstico o funcione en un ordenador personal. Lo relevante es lo que hace, para quién lo hace y con qué grado de autonomía.
En algunos marcos regulatorios, prestar asesoramiento personalizado o gestionar inversiones por cuenta de terceros exige autorización. Esto puede afectar especialmente a quien construye un agente para familiares, clientes o una comunidad de inversores, aunque el programa no cobre una comisión explícita. Las obligaciones también pueden incluir información sobre riesgos, protección de datos, conservación de registros y controles sobre las órdenes.
Si tu agente solo opera con tu propio dinero, eso no elimina los riesgos legales y contractuales. Debes revisar las condiciones del bróker, las restricciones de su API, la normativa fiscal aplicable y las reglas de los mercados donde operas. Las condiciones pueden cambiar, por lo que conviene comprobar la información directamente con el intermediario y con el organismo supervisor de tu jurisdicción antes de activar la ejecución automática.
AVISO IMPORTANTE
Este libro explica cómo diseñar controles técnicos y probar una estrategia. No sustituye el asesoramiento jurídico, financiero ni fiscal. No utilices un agente para gestionar dinero de terceros o prestar recomendaciones personalizadas sin comprobar antes las obligaciones aplicables en tu país.
Un modelo de lenguaje puede resumir un informe, clasificar una noticia o transformar una instrucción escrita en una acción de software. Pero no sabe, por sí mismo, si el dato es correcto, si la fuente está actualizada o si la operación encaja con el riesgo de tu cartera.
Hay varias limitaciones que debes tratar como condiciones de diseño, no como detalles secundarios.
Los datos pueden estar incompletos. Una API puede devolver un precio retrasado, una cotización ajustada de forma distinta a otra fuente o una respuesta vacía durante unos segundos. Si el agente interpreta la ausencia de datos como una señal negativa o positiva, podría operar basándose en un error.
El modelo puede inventar información. Un sistema de lenguaje puede presentar con seguridad una cifra que no aparece en la fuente, confundir el nombre de dos empresas o atribuir una noticia a una fecha incorrecta. Por eso, no debes permitir que una respuesta libre del modelo active directamente una orden. El modelo puede extraer o clasificar información; una capa de reglas debe validar el resultado antes de actuar.
El entorno puede cambiar. Una estrategia probada con datos históricos no conoce automáticamente las comisiones actuales, los cambios en la liquidez, las suspensiones de cotización, los desdoblamientos, los horarios del mercado o las modificaciones de la API del bróker.
El código puede fallar. Un error de unidades puede convertir una orden de 100 euros en una de 100 acciones. Un problema de red puede provocar un reintento duplicado. Un programa que no distingue entre una orden aceptada y una orden ejecutada puede calcular mal la exposición de la cartera.
Por eso, un agente seguro necesita límites independientes del modelo de IA. Algunas comprobaciones habituales son:
La inteligencia del sistema no debe concentrarse en el modelo de lenguaje. También debe estar en las restricciones que impiden que una respuesta incorrecta se convierta en una pérdida desproporcionada.
Una cartera no es una colección neutral de activos. Incluye objetivos, plazos, ingresos, deudas, necesidades de liquidez, impuestos y tolerancia emocional a las pérdidas. Dos personas con los mismos ETF pueden necesitar decisiones diferentes.
Un agente puede observar que una posición ha caído un 12 %. No puede saber solo con ese dato si:
Tampoco puede determinar de manera fiable cuánto riesgo estás dispuesto a soportar durante una crisis. Puedes indicarle una cifra, como una pérdida máxima del 10 %, pero esa cifra debe proceder de una decisión financiera meditada, no de un valor predeterminado por el programa.
La definición de la estrategia sigue siendo tuya. Debes establecer, por escrito:
El agente puede comprobar que esas reglas se cumplen. No debería inventarlas ni modificarlas porque una noticia, una conversación o una instrucción ambigua parezca convincente.
EJEMPLO: UNA REGLA INSUFICIENTE
Imagina que configuras la instrucción: “Vende una posición si las noticias son muy negativas”. La frase parece clara hasta que intentas ejecutarla. ¿Qué significa “muy negativas”? ¿Una rebaja de recomendación, una investigación regulatoria o una caída del beneficio? ¿Qué fuente se utiliza? ¿Se vende toda la posición? ¿Qué ocurre si la noticia ya estaba descontada por el mercado?
Una versión más controlable podría ser: “No vendas automáticamente por una noticia. Clasifica la información y crea una alerta si afecta a la solvencia, a la cotización del producto o a la tesis escrita de la inversión. La orden solo se genera después de una revisión manual”.
La segunda regla renuncia a parte de la automatización, pero reduce la posibilidad de que una interpretación subjetiva active una operación irreversible.
Conviene separar cuatro funciones que suelen mezclarse:
Las tres primeras funciones pueden formar parte de un proyecto personal, pero cada una exige controles distintos. La cuarta puede activar obligaciones regulatorias específicas, especialmente cuando se realiza para otras personas.
Incluso en tu propia cuenta, la combinación de análisis, decisión y ejecución requiere prudencia. Un agente que te muestra tres alternativas para que elijas no tiene el mismo nivel de autonomía que uno que selecciona una alternativa, determina el importe y la compra sin confirmación. Diseñar etapas con permisos diferentes permite aumentar la automatización gradualmente:
No hay ninguna obligación de llegar al último nivel. Para muchas carteras, un agente que vigila, analiza y avisa puede aportar más valor que uno que opera sin supervisión.
El control humano no significa revisar manualmente cada precio o aprobar todas las compras pequeñas. Significa reservar para ti las decisiones que definen el riesgo y establecer momentos concretos de revisión.
Como mínimo, deberían permanecer bajo tu control:
También debes conservar la capacidad de detenerlo sin depender del propio modelo. El botón de parada puede ser un interruptor en la aplicación, la revocación de las claves de la API o la desactivación de los permisos de trading en el bróker. Lo importante es que funcione aunque el agente esté bloqueado, responda mal o no pueda conectarse a su servicio de inteligencia artificial.
La automatización responsable no busca eliminar al inversor. Busca quitarle trabajo repetitivo sin quitarle la capacidad de entender, revisar y detener lo que ocurre. Tu agente puede vigilar el mercado mientras duermes. La decisión de cuánto riesgo aceptas y qué límites no estás dispuesto a cruzar debe seguir siendo tuya.
¿Quieres saber cómo sigue? Consigue el libro completo:
Precios consultados en las tiendas el 09/11/2026; pueden cambiar.
Volver a la ficha