El trader profesional Miles Deutscher ha revolucionado la gestión de riesgos al automatizar el famoso modelo Nobel GARCH utilizando el agente de IA Claude Code. Según sus propias palabras, todo el sistema fue creado por inteligencia artificial: el trader solo planteó la tarea, y la red neuronal transformó las complejas matemáticas en una herramienta funcional.
Qué mide el modelo y cómo la IA lo construyó
GARCH (Heterocedasticidad Condicional Autoregresiva Generalizada) es uno de los modelos cuantitativos más potentes que los cuantitativos profesionales utilizan a diario. Su creador, Robert Engle, recibió el Premio Nobel en 2003 por su desarrollo, y su alumno Tim Bollerslev amplió el modelo hasta GARCH, que aún hoy utilizan los departamentos de análisis cuantitativo en todo el mundo.
La idea clave del modelo es que la volatilidad del mercado no es aleatoria, sino predecible. Deutscher explica que GARCH permite medir y predecir las fluctuaciones con antelación basándose en solo tres indicadores:
- El nivel base de fluctuación del activo (en Bitcoin es tradicionalmente más alto que en el índice S&P 500).
- La fuerza del movimiento del mercado del día anterior.
- El nivel de volatilidad en el que se encontraba el mercado antes de ese movimiento.
La suma de estos tres valores proporciona una predicción de las fluctuaciones para el día siguiente. Es importante entender: el modelo muestra cuánto podría moverse el mercado, pero no indica la dirección. Es una herramienta de gestión de riesgo de cartera, no una señal de compra o venta.
El papel de la IA en este proyecto fue clave. Deutscher destaca que no programó el sistema él mismo: describió la tarea en lenguaje natural, y Claude Code asumió toda la implementación técnica.
Cómo se convierte la predicción en tamaño de posición
El trader utiliza la estimación de fluctuaciones obtenida para calcular el tamaño de la posición. Los departamentos institucionales suelen limitar la reducción anual al 15%, y a partir de ese límite se construye toda la matemática posterior. Si la estimación de fluctuaciones del activo es, por ejemplo, del 30% anual, el límite de reducción se divide por esa cifra, y el multiplicador de la posición resulta ser 0,5x. Con una posición base de $10,000, esto significa una entrada de $5,000.
Deutscher verificó la utilidad real del modelo con datos históricos. Ejecutó la misma estrategia de cruce de medias móviles de dos maneras en un conjunto de datos de quince años de Bitcoin, con las mismas entradas, salidas y señales. Con un tamaño de posición fijo, el capital final en la prueba fue de $17,957. Con el cálculo de posición basado en el modelo GARCH, el resultado fue mayor: $21,205.
Según la estimación del trader, la variante con el modelo Nobel no solo generó más ganancias, sino que también recorrió el camino con menores reducciones y riesgo general. No obstante, advirtió sobre una limitación importante: en caso de un desplome brusco tras un período tranquilo, el modelo no funcionará y la posición se abrirá en su totalidad.
Opinión del experto: La integración de modelos financieros clásicos con agentes modernos de IA abre nuevos horizontes para los traders minoristas. Antes, GARCH era prerrogativa de los fondos institucionales con equipos de desarrolladores; ahora, cualquier trader competente puede acceder a una gestión de riesgos avanzada. Sin embargo, no hay que olvidar: ningún modelo, ni siquiera uno Nobel, garantiza protección contra eventos extremos del mercado.