El trader Miles Deutscher implementó una estrategia de trading automatizada basada en el modelo GARCH, utilizando la herramienta Claude Code. Según sus palabras, todo el sistema fue ensamblado por inteligencia artificial: el humano solo planteó la tarea.
El modelo GARCH (Heterocedasticidad Condicional Autoregresiva Generalizada) es una de las herramientas cuantitativas más potentes que utilizan a diario los analistas cuánticos profesionales. Su predecesor, el modelo ARCH, fue desarrollado por Robert Engle en 2003 y recibió el Premio Nobel. Más tarde, el alumno de Engle, Tim Bollerslev, lo amplió a GARCH, que aún se aplica en los departamentos de análisis cuantitativo de las principales casas de inversión.
Cómo funciona el modelo y qué mide
La idea principal de GARCH es que la volatilidad del mercado no es caótica, sino que se puede predecir. Deutscher explicó que el modelo permite medir y anticipar las fluctuaciones basándose en solo tres indicadores.
El primero es el nivel base de volatilidad que tiene cada activo y que casi no cambia. En Bitcoin, este nivel es tradicionalmente más alto que en el índice S&P 500. El segundo es la fuerza del movimiento del mercado del día anterior. El tercero es el nivel de volatilidad en el que se encontraba el mercado antes de ese movimiento. La suma de estos tres valores proporciona la predicción de las fluctuaciones para el día siguiente.
La IA jugó un papel clave en el proyecto. Deutscher destacó que no programó el sistema él mismo, sino que describió la tarea y encargó el ensamblaje a Claude Code, que convirtió las matemáticas del modelo en una herramienta de trabajo lista para usar.
Una limitación importante: el modelo muestra cuánto puede moverse el mercado, pero no indica la dirección. Es una predicción de volatilidad para la gestión del riesgo de la cartera, no una señal de compra o venta.
De la predicción al tamaño de la posición
Deutscher utiliza la estimación de fluctuaciones obtenida para calcular el tamaño de la posición. Los departamentos institucionales suelen limitar la caída anual al 15%, y a partir de ese límite se construye toda la matemática posterior.
Ejemplo: si la estimación de fluctuaciones para un activo es del 30% anual, el límite de caída se divide por ella, y el multiplicador de la posición resulta ser 0,5x. Con una posición base de $10,000, esto significa una entrada de $5,000.
Este enfoque no predice el movimiento del precio, sino que solo controla la exposición al riesgo ya medido. Para mayor claridad, Deutscher añadió que, en el momento de escribir esto, la estimación de fluctuaciones para el índice Nasdaq se mantenía en un 30% anual.
Pruebas con datos históricos
El trader verificó la utilidad real del modelo con un conjunto de datos de quince años sobre Bitcoin. Ejecutó la misma estrategia en el cruce de medias móviles de dos maneras, 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 la posición según el modelo GARCH, el resultado fue mayor: $21,205. Según la estimación de Deutscher, la variante con el modelo Nobel no solo generó más ganancias, sino que también recorrió el camino con menores caídas y riesgo general.
Sin embargo, el experto advirtió sobre una limitación significativa: en caso de un desplome brusco después de un período tranquilo, el modelo no funcionará y la posición se abrirá en su totalidad.
Opinión del analista: La integración de modelos econométricos clásicos con agentes modernos de IA es una etapa natural en la evolución del trading. GARCH sigue siendo el estándar de oro para la evaluación de riesgos, y la automatización a través de Claude Code lo hace accesible no solo para traders institucionales, sino también minoristas. Sin embargo, confiar ciegamente en el modelo sin comprender sus limitaciones es un camino directo a las pérdidas en momentos de shocks de mercado.