Trading automatizado
Cronología: de Bachelier a los agentes de IA
Más de un siglo de trading cuantitativo y con IA en 14 hitos. Filtre por tema o abra un hito para ver la explicación y las fuentes.
1900El nacimiento de las matemáticas financieras
El matemático francés Louis Bachelier defiende su tesis Théorie de la spéculation. Es el primero en utilizar el movimiento browniano para describir matemáticamente las variaciones de las cotizaciones y los precios de las opciones en la Bolsa de París, décadas antes de que existieran los ordenadores.
Fuentes
1952La teoría moderna de carteras
El economista Harry Markowitz publica Portfolio Selection. Por primera vez, el riesgo y la rentabilidad se definen matemáticamente, a través de la correlación entre los activos, en lugar de por intuición. En 1990 recibe el Premio Nobel de Economía por este trabajo.
Fuentes
1969El primer hedge fund cuantitativo
El matemático Edward O. Thorp, conocido por su método de conteo de cartas en el blackjack, funda Princeton Newport Partners. Mediante ordenadores y arbitraje estadístico con bonos convertibles y warrants, demuestra que un enfoque sistemático y matemático puede funcionar en el mercado.
Fuentes
1971–1973NASDAQ y la fórmula de Black-Scholes
En 1971 arranca NASDAQ, el primer mercado bursátil electrónico. En 1973, Fischer Black, Myron Scholes y Robert Merton publican su modelo de valoración de opciones. Los bancos empiezan a contratar físicos y matemáticos en gran número: los primeros «quants».
Fuentes
1976Órdenes electrónicas en la NYSE
La Bolsa de Nueva York introduce el sistema DOT (Designated Order Turnaround), sucedido en 1984 por SuperDOT. Los brókeres pueden ahora enviar las órdenes por vía electrónica en lugar de a través de mensajeros en el parqué. Esto hace posible el «program trading»: reglas automáticas que compran o venden cestas enteras de acciones a la vez.
Fuentes
1982–1987Modelos de volatilidad, pairs trading y el Lunes Negro
Robert Engle introduce en 1982 el modelo ARCH para predecir la volatilidad cambiante, y el equipo de Nunzio Tartaglia en Morgan Stanley desarrolla el «pairs trading» automatizado. El 19 de octubre de 1987, el Lunes Negro, las estrategias automáticas de «portfolio insurance» amplifican la oleada de ventas: el Dow Jones pierde un 22,6 % en un solo día. Es la primera gran sacudida en la que los algoritmos desempeñan un papel protagonista.
Fuentes
- R. Engle, “Autoregressive Conditional Heteroscedasticity…”, Econometrica (1982) (se abre en una pestaña nueva) JSTOR
- Pairs trade (se abre en una pestaña nueva) Wikipedia
- Stock Market Crash of 1987 (se abre en una pestaña nueva) Federal Reserve History
- Black Monday (1987) (se abre en una pestaña nueva) Wikipedia
1988Renaissance Technologies y el Medallion Fund
El matemático y antiguo descifrador de códigos Jim Simons lanza el Medallion Fund en Renaissance Technologies. En lugar de analistas tradicionales, contrata a astrofísicos, criptógrafos y especialistas en reconocimiento de voz que aplican el reconocimiento estadístico de patrones al mercado. El fondo se convierte en uno de los fondos de inversión más exitosos de la historia.
Fuentes
1998–2005Plataformas de negociación electrónica y el auge del HFT
En 1998, la SEC, el regulador estadounidense, adopta la Regulation ATS, que permite a las redes de negociación electrónica competir con las bolsas tradicionales. En 2001, los mercados estadounidenses pasan de las fracciones a los precios decimales en tramos de 0,01 $, lo que comprime los diferenciales. Con la Regulation NMS (2005), la ejecución electrónica al mejor precio se convierte en la norma. Es el pistoletazo de salida del trading de alta frecuencia, en el que las firmas compiten en microsegundos.
Fuentes
2001Los agentes de software superan a los operadores humanos
Investigadores de IBM demuestran en experimentos controlados que los agentes de software adaptativos obtienen mejores resultados que los operadores humanos en un mercado de subastas. La idea de la «máquina que opera» adquiere una base científica.
Fuentes
6 de mayo de 2010El Flash Crash
Una gran orden de venta automatizada de futuros sobre el S&P 500 desencadena una reacción en cadena entre los algoritmos de alta frecuencia. En unos 36 minutos se esfuma casi un billón de dólares de capitalización bursátil, que después se recupera en gran parte. Los reguladores introducen a continuación cortacircuitos más estrictos y controles sobre los algoritmos.
Fuentes
2011–2015Backtesting en la nube y código abierto
Plataformas como Quantopian y QuantConnect dan a los programadores acceso desde el navegador a datos históricos de mercado y a entornos de prueba. Junto con bibliotecas de aprendizaje automático de código abierto como scikit-learn y TensorFlow de Google (2015), también los particulares pueden ahora construir sus propios modelos.
Fuentes
- Quantopian (se abre en una pestaña nueva) Wikipedia
- scikit-learn (se abre en una pestaña nueva) scikit-learn.org
- TensorFlow (se abre en una pestaña nueva) tensorflow.org
2017–2020Transformers y datos alternativos
En 2017, investigadores de Google presentan la arquitectura Transformer, que cambia radicalmente el procesamiento del lenguaje. Los fondos utilizan estos modelos para analizar «datos alternativos», desde imágenes por satélite de aparcamientos y movimientos de buques hasta presentaciones de resultados y redes sociales. JPMorgan pone en marcha LOXM en 2017, un sistema de autoaprendizaje para ejecutar grandes órdenes con el mínimo impacto en el mercado, y en 2019 aparece FinBERT, un modelo de lenguaje creado específicamente para textos financieros.
Fuentes
2023–2024IA generativa y modelos de lenguaje financieros
Tras el lanzamiento de ChatGPT, Bloomberg presenta BloombergGPT, un modelo de lenguaje de 50.000 millones de parámetros entrenado con datos financieros. Las plataformas de trading integran asistentes de IA, de modo que incluso quien no sabe programar puede describir una estrategia en lenguaje corriente y someterla a prueba.
Fuentes
2025–2026IA agéntica
El trading con IA evoluciona de los modelos predictivos a los agentes de IA que colaboran entre sí: un agente analiza publicaciones y noticias macroeconómicas, otro busca patrones técnicos y un tercero vigila el riesgo de la cartera. Técnicas antes reservadas a las grandes instituciones se acercan cada vez más a los inversores particulares. Los reguladores siguen de cerca las implicaciones para la estabilidad financiera.
Fuentes
- The Financial Stability Implications of Artificial Intelligence (2024) (se abre en una pestaña nueva) Financial Stability Board
Las fuentes enlazan con sitios web externos. Vermeeren & Van Haute no se hace responsable de su contenido. Esta cronología contiene información general y no constituye asesoramiento en materia de inversión.