El trading algorítmico hace tiempo que dejó de ser una excentricidad y se convirtió en la base del mercado cripto moderno. En esencia, es una forma de operar donde las decisiones no las toma una persona, sino un programa que actúa según reglas predefinidas. Pero detrás de esta formulación simple se esconde toda una industria con dos tareas fundamentalmente diferentes que a menudo se confunden.
Dos caras de la misma moneda: ejecución y estrategia
La primera tarea es la ejecución algorítmica. Los grandes actores institucionales, como los fondos de cobertura, se enfrentan a un problema: comprar un gran volumen de un activo inevitablemente mueve el mercado en su contra. Una orden directa de 100 millones de dólares simplemente «absorbería» toda la liquidez del libro de órdenes, elevando el precio antes de completar la operación. La solución es dividir la orden en decenas y cientos de partes pequeñas, utilizando algoritmos VWAP (precio promedio ponderado por volumen), TWAP (precio promedio ponderado por tiempo) o «Iceberg» (que oculta el volumen principal). Aquí el éxito no se mide por las ganancias, sino por minimizar el deslizamiento y el impacto en el mercado.
La segunda tarea son las estrategias especulativas, donde el bot busca por sí mismo el momento de entrada y salida. Este es el significado que más a menudo se le da al término «algotrading» en el mercado cripto. Los robots operan basándose en tendencias, arbitraje entre exchanges, creación de mercado, estrategias de cuadrícula e incluso cosas tan complejas como el trading de volatilidad mediante opciones. Merece especial atención el MEV — el frontrunning de transacciones en blockchain, cuando un bot se intercala en la cola antes de una operación grande para ganar dinero con el movimiento del precio.
IA vs algoritmos clásicos: ¿cuál es la diferencia?
Un algoritmo clásico es estático: sigue la regla «si X, entonces Y» hasta que el trader reescribe el código. Los sistemas de aprendizaje automático funcionan de manera diferente. Ellos mismos identifican patrones en los datos y se adaptan a las condiciones cambiantes. Esto les permite analizar el contexto noticioso, procesar datos on-chain y utilizar aprendizaje por refuerzo, donde el modelo «encuentra» una estrategia rentable mediante prueba y error.
Es revelador el reciente experimento público Alpha Arena, donde seis modelos de IA operaron con dinero real. Los resultados fueron mixtos: solo dos de los seis mostraron ganancias (Qwen3 Max y DeepSeek V3.1), mientras que GPT-5 perdió más de la mitad del capital. Esto demuestra una vez más: incluso las tecnologías más avanzadas no son un «santo grial», y una muestra de un par de semanas es un período demasiado corto para conclusiones objetivas.
Riesgos y «trampas ocultas»
El algotrading no es solo velocidad y disciplina, sino también riesgos serios. El principal enemigo es el sobreajuste a datos históricos (overfitting), cuando una estrategia funciona perfectamente en el backtest pero se desmorona en el mercado real. Los errores en el código pueden provocar un «algoritmo desbocado» — como en el caso de Knight Capital, que perdió 460 millones de dólares en 45 minutos debido a un bug en su motor actualizado. No hay que olvidar tampoco los flash crashes, cuando por una falla del algoritmo el precio de un activo se desploma decenas de puntos porcentuales en segundos, como ocurrió con bitcoin en Binance.US en 2021.
Los reguladores, especialmente en la UE, intentan controlar esta dinámica. El reglamento RTS 6 obliga a las empresas a probar sus algoritmos, tener un «botón de pánico» para la cancelación inmediata de órdenes y pasar pruebas de estrés. Sin embargo, en el mercado cripto, donde impera MiCA, aún no existen requisitos tan estrictos para los bots de trading, lo que deja espacio para la maniobra y los riesgos.
Mi conclusión: El algotrading es una herramienta poderosa, pero no una panacea. Para el trader minorista abre oportunidades inaccesibles en el trading manual, pero requiere un profundo conocimiento del mercado y de programación. El éxito aquí no es simplemente «escribir un bot», sino construir un sistema con una comprensión clara de cuándo funciona, cuándo falla y cuándo se necesita la intervención humana. De lo contrario, simplemente estarás automatizando el proceso de perder dinero.