Un sistema de inversión en renta variable estadounidense, operado en real y gestionado por una malla de agentes de IA, donde cada idea se pre-registra, se prueba fuera de muestra y se sella antes de aceptarse.
Desarrollo y opero en real un sistema de inversión cuantitativa en renta variable estadounidense, construido con estándares de validación institucional y operado por una malla de agentes de IA bajo supervisión humana.
Lo que diferencia este proyecto es cómo decide qué es real y qué es ruido:
| Práctica | Qué significa |
|---|---|
| Pre-registro de hipótesis | Antes de probar una idea se escriben la predicción y el criterio de éxito. Así no se puede "mover la portería" después |
| Sellado de resultados | Cada prueba decisiva queda sellada con un identificador y una fecha, y no se puede reescribir después |
| 5 puertas antes de operar | Viabilidad → walk-forward en 8 ventanas rodantes → análisis de sensibilidad (meseta de parámetros) → paper trading → despliegue gradual en real |
| Corrección por multiplicidad | El Sharpe se deflacta por el número de pruebas realizadas (Bailey y López de Prado): probar mucho no fabrica habilidad |
| Pruebas fuera de muestra reales | Cada hipótesis se juzga en un periodo que no se usó para diseñarla, y una ventana fuera de muestra solo se gasta una vez |
| Brazos de control y "monos" | Cada cambio se compara con su contrafactual, y la estrategia con miles de carteras aleatorias del mismo universo |
| Revisión adversarial | El código de cada prueba lo revisa un agente cuyo trabajo es encontrar errores (sesgo de anticipación, supervivencia, datos futuros) antes de aceptar el resultado |
| Publicar lo que no funciona | Las hipótesis refutadas se documentan igual que las aceptadas. Ejemplo: 714 reglas de selección dinámica probadas y refutadas fuera de su década |
Stack: Python · LEAN (motor de trading de código abierto) en local para la operación en real · QuantConnect para investigación y datos · Interactive Brokers (API) · scikit-learn · pandas / NumPy · servidor Linux con temporizadores systemd · GitHub · JIRA.
Una malla de agentes de IA (Claude) trabajando 24/7, cada uno con un rol:
| Agente | Rol |
|---|---|
| Investigador | Genera hipótesis y retadores, y mantiene llena la cola de pruebas |
| Afinador | Valida walk-forward y sensibilidad |
| Ejecutor de backtests | Lanza la cola de forma automática y descarga los resultados |
| Monitor | Vigila la operación en real y en paper |
| Director | Planifica la investigación, coordina varias líneas en paralelo y prepara las decisiones para la persona responsable |
Gestión como en un equipo profesional: cada pendiente es una tarea con dueño y fecha, cada decisión queda trazada, y hay un registro de lecciones aprendidas (más de 35) y de incidentes con su resolución.
El objetivo a medio plazo es construir un historial real verificable y, más adelante, colaborar con gestores de carteras inscritos en Quebec y Canadá. El proyecto participa en la comunidad de gestores emergentes de Montreal.