IA en el trading de opciones: qué hace bien, qué se inventa y dónde te va a costar dinero

Sofía le hizo a un chatbot una pregunta perfectamente razonable: «¿cuánto vale una call con strike $105 sobre una acción a $100.00, a 45 días, con una volatilidad implícita del 30 %?»

La respuesta llegó en dos segundos, impecablemente redactada. Le explicó Black-Scholes, mencionó las griegas por su nombre, estructuró el razonamiento en pasos numerados y concluyó con una cifra limpia: $2.60. Sonaba a alguien que sabe.

El precio correcto era $2.42.

Un error del 7 %. Sofía no tenía forma de saberlo: la respuesta era plausible, estaba bien escrita, el orden de magnitud era razonable y la explicación era, en realidad, correcta. Todo estaba bien menos el número. Y ese es exactamente el problema, porque no fue un fallo aislado: fue un modelo de lenguaje haciendo lo único que sabe hacer —producir el texto más probable— con una pregunta que no se contesta produciendo texto probable.

Escribimos este artículo sabiendo que tenemos un asistente de IA dentro de nuestro propio producto. Precisamente por eso: si vamos a ponerle IA a un diario de trading, lo mínimo es explicar con honestidad qué no puede hacer. Esta es la guía que nos habría gustado leer antes: qué te están vendiendo y por qué la SEC ya está multando, por qué un LLM no puede calcular tu delta, el fraude estadístico que arruina casi todos los backtests con IA… y la única cosa que la IA hace mejor que tú, que no es predecir nada.

#Lo que te venden y lo que ya multa la SEC

Empecemos por el suelo del debate, que no es una opinión: es un expediente.

El 18 de marzo de 2024, la SEC anunció sus primeras sanciones por lo que ya se conoce como «AI washing» —presumir de inteligencia artificial que no existe—. Dos asesores de inversión:

• Delphia afirmaba, entre 2019 y 2023, que ponía «los datos colectivos a trabajar para hacer nuestra inteligencia artificial más inteligente, de modo que pueda predecir qué empresas y tendencias están a punto de despegar e invertir en ellas antes que nadie». La SEC concluyó que esa capacidad de IA sencillamente no existía. Multa: $225,000.
• Global Predictions se anunciaba en 2023 como «el primer asesor financiero de IA regulado» y ofrecía «predicciones expertas impulsadas por IA». También falso. Multa: $175,000.

Fíjate en lo que no dice este expediente, porque es lo más interesante: la SEC no sancionó a nadie por tener una IA mala. Sancionó por decir que la tenían. El regulador ni siquiera llegó al debate técnico — se quedó en el escalón anterior, que es que la industria estaba describiendo un producto inexistente. Y si eso pasa con firmas registradas, sujetas a la Marketing Rule y a inspecciones, hazte una idea del nivel de rigor del canal de Telegram que te promete un bot con un 92 % de aciertos.

Regla práctica: cuando alguien te venda «IA que predice el mercado», la pregunta correcta no es «¿cómo funciona?». Es «¿existe?». La SEC ha tenido que preguntarlo dos veces, y las dos veces la respuesta fue no.

#Por qué un LLM no puede calcular tu delta

Esto no es un defecto que se arregle con la siguiente versión. Es lo que la herramienta es, y conviene entenderlo bien.

Un modelo de lenguaje es una máquina de predecir la siguiente palabra. Extraordinariamente buena, entrenada con cantidades absurdas de texto, capaz de razonar de formas que hace cinco años parecían ciencia ficción. Pero su operación básica sigue siendo ¿qué token es más probable ahora?. Y cuando le pides el precio de una opción, ocurre esto:

• La respuesta correcta exige evaluar N(d₁) y N(d₂) — la función de distribución normal acumulada. Eso no es «razonar»: es aritmética densa.
• El modelo no la calcula. Genera el número que más se parece a los números que aparecían en textos parecidos. Un $2.60 donde tocaba $2.42.
• Y como está diseñado para producir texto fluido, el error viene envuelto en una explicación perfecta. No hay temblor, ni duda, ni margen de error. La seguridad del texto es constante; la exactitud del número, no.

Aquí están las cifras reales de la pregunta de Sofía, calculadas con un motor de valoración de verdad:

Y por si crees que un 7 % de error es tolerable, mira lo sensible que es esto. Si te equivocas solo dos puntos en la volatilidad implícita:

Dos puntos de IV mueven el precio un 11 %. En un instrumento así, «aproximadamente» no es una respuesta: es una respuesta equivocada con buena presentación. Y el problema de fondo no son los 18 centavos de Sofía — es que no puedes saber cuáles de las respuestas son las malas. Un error aleatorio y bien redactado es peor que no tener respuesta, porque no tener respuesta te obliga a ir a buscarla.

La literatura académica lo confirma sin ambigüedad: en las evaluaciones de razonamiento financiero, la alucinación de valores numéricos —inventarse cifras concretas— es uno de los modos de fallo dominantes, y varía mucho de un modelo a otro. No es una anécdota: es una propiedad de la categoría.

#El fraude estadístico que nadie menciona: la fuga temporal

Este es, con diferencia, el punto que más dinero le cuesta a la gente — y el que casi nunca se explica, porque exige entender algo que no cabe en una miniatura de YouTube.

Imagina que alguien te enseña un backtest espectacular: un modelo de IA que, operando opciones sobre el S&P 500 entre 2021 y 2023, habría hecho un 300 % anual. Las curvas son bonitas, las métricas están todas, el Sharpe es de otro planeta. ¿Dónde está el truco?

Está en la fecha de entrenamiento. Si el modelo se entrenó con todo el texto de internet hasta 2025, entonces cuando le preguntas «¿qué va a hacer esta acción en marzo de 2023?», el modelo no está prediciendo. Está recordando. Ha leído las noticias de abril de 2023. Ha leído los análisis de 2024 explicando por qué pasó lo que pasó. Sabe cómo acaba la película porque estaba en el guion que le dieron a memorizar.

Se llama fuga temporal (temporal leakage), y convierte cualquier backtest sobre el pasado del modelo en un examen con las respuestas al final del libro. El resultado no es una estrategia. Es una medida de la memoria del modelo.

No es una preocupación nuestra: es la primera advertencia de la literatura seria. La revisión académica más completa sobre modelos de lenguaje aplicados a predicción financiera y trading —«The New Quant», que repasa más de cincuenta estudios primarios— señala exactamente estos fallos como los que impiden llevar nada a producción: fuga temporal, alucinación, cobertura de datos, economía del despliegue e interpretabilidad. Y reclama, textualmente, evaluaciones «temporalmente seguras y económicamente significativas, que reporten costes, latencia y capacidad». Traducción: casi ninguna de las cifras que circulan cumple ninguna de esas tres condiciones.

Las tres preguntas que desmontan el 95 % de los backtests de IA que te van a enseñar, y que puedes hacer en voz alta:

• ¿El periodo de prueba es posterior a la fecha de corte del modelo? Si no, el modelo ya conocía el resultado. No hay nada que discutir.
• ¿Incluye costes, horquilla y capacidad? Ya vimos en las 0DTE que el 60 % de la pérdida minorista es fricción. Un backtest sin fricción no describe ningún mercado existente.
• ¿Cuántas configuraciones se probaron antes de enseñarte esta? Si pruebas mil estrategias, unas cuantas parecerán geniales por puro azar. Enseñarte la mejor de mil no es investigación: es selección.

#Lo que la IA sí hace extraordinariamente bien

Todo lo anterior podría leerse como «la IA no sirve para operar». Sería una conclusión cómoda y equivocada, y además nos dejaría en muy mal lugar, porque nosotros hemos puesto una en el producto.

La clave está en darse la vuelta. La pregunta popular es «¿puede la IA predecir el mercado?», y la respuesta es no — como tampoco pueden los humanos, ni los fondos, ni nadie de forma sostenida. Pero hay otra pregunta, mucho menos glamurosa y muchísimo más útil:

¿Puede la IA leer mis 400 operaciones y decirme algo verdadero sobre mí que yo no quiero ver?

Y ahí la respuesta es sí, rotundamente. Porque ese sí es un problema de lenguaje y de patrones sobre datos que ya existen — exactamente para lo que sirve la herramienta. Nadie tiene que predecir nada: tus operaciones ya ocurrieron.

Las cosas para las que la IA es genuinamente buena en este oficio:

• Encontrar patrones en tu propio historial. «Tus estructuras a 45 días ganan; las de menos de 10 días pierden.» «Pierdes sistemáticamente cuando entras el día antes de resultados.» Eso está en tus datos, es verdad, y no lo ves porque nadie es objetivo con sus propias operaciones.
• Explicar mecánica. Qué es el skew, por qué te asignaron, cómo funciona un cóndor. Aquí no hay que calcular nada: hay que explicar, que es su idioma nativo. Y es muy buena.
• Traducir el desastre. Coger cuatro patas sueltas de un extracto y decirte «esto es un iron condor y tu riesgo máximo son $834.00».
• Leer texto a escala. Resumir una presentación de resultados, un calendario, un hecho relevante. Es lo que mejor hace, sin discusión.
• Hacerte la pregunta incómoda. «Has abierto once posiciones en el mismo sector, ¿lo sabías?» Un espejo, no un oráculo.

Fíjate en el patrón: en ninguna de las cinco la IA predice nada. En las cinco, mira hacia atrás y te cuenta lo que hay. El valor no está en adivinar el futuro — está en que casi nadie audita su propio pasado, y ahí sí hay dinero encima de la mesa. Es la misma tesis, con otra tecnología, de por qué un diario de trading es el hábito número 1.

#La regla de oro: que no calcule, que llame

Si te quedas con una sola idea de todo el artículo, que sea ésta. La propia literatura la señala como el patrón de diseño que mejora la fiabilidad, y tiene un nombre técnico —tool-verified numerics, «números verificados por herramienta»— y una versión de andar por casa:

Un modelo de lenguaje no debe calcular tu delta. Debe llamar a algo que sepa calcularla y luego explicarte el resultado.

Es la diferencia entre un sistema serio y un juguete peligroso. Cuando la IA te da un número:

• Si lo ha generado —lo ha «pensado»—, es una opinión con formato de dato. No lo uses.
• Si lo ha calculado —ha llamado a un motor de valoración, ha consultado tu base de datos, ha leído la cadena de opciones en vivo—, entonces es un dato, y la IA solo ha puesto las palabras.

Los números de este mismo artículo son un ejemplo. Los $2.4194, la delta de 0.3580, el −10.8 % con IV al 28 %: ninguno se ha «pensado». Todos salen de ejecutar el modelo. Y esa distinción —entre generar y calcular— es la que separa una herramienta que te ayuda de una que te va a costar dinero un martes cualquiera, con mucha educación y una explicación preciosa.

#Ventajas y desventajas, sin adornos

A favor:

• Audita tu historial sin piedad y sin ego: ve los patrones que tú no quieres ver.
• Explica mecánica muy bien: es su idioma. Skew, asignación, griegas, estructuras.
• Convierte ejecuciones sueltas en estructuras comprensibles.
• Lee texto a escala: resultados, calendarios, documentación.
• Disponible siempre y sin juzgarte: preguntas lo que no preguntarías en un foro.
• Cuando llama a herramientas, los números son exactos y encima te los explica.

En contra:

• Se inventa números con total seguridad: $2.60 donde tocaba $2.42, sin ninguna señal de alarma.
• No predice el mercado: nadie lo hace, y quien diga lo contrario ya tiene expediente en la SEC.
• Los backtests con fuga temporal son ficción: recuerdan, no predicen.
• Suena igual de convincente cuando acierta que cuando falla: es el riesgo real, no el error en sí.
• Puede reforzar tus sesgos: si le pides que valide tu tesis, te la valida. Está entrenada para agradar.
• No conoce tu contexto: ni tu fiscalidad, ni tu situación, ni cuánto puedes perder sin dejar de dormir.

#Reglas para usar IA sin que te cueste dinero

• Nunca uses un número que la IA no haya calculado con una herramienta. Si no sabes de dónde sale, no existe.
• Pídele que te lleve la contraria. «Dame tres razones por las que esta operación es mala» rinde diez veces más que «¿qué te parece?». La segunda pregunta solo produce halagos.
• Úsala sobre tus datos, no sobre el futuro. «¿Qué patrón hay en mis 50 últimas operaciones?» es contestable. «¿Subirá?» no lo es.
• Desconfía de la fluidez. La calidad de la redacción no tiene ninguna correlación con la exactitud. Es la trampa cognitiva central.
• Comprueba la fecha de corte antes de creerte un backtest. Si el periodo de prueba está dentro del entrenamiento, no es un backtest.
• Que explique, no que decida. La decisión y el riesgo son tuyos — y la responsabilidad, también.
• Si te promete rentabilidad, cierra la pestaña. Delphia y Global Predictions ya pagaron $400,000 entre las dos por esa frase.

#Cómo usamos la IA en Bitacora.trade

Con todo lo anterior sobre la mesa, sería raro no contar qué hacemos nosotros — y qué no.

Nuestro asistente de IA trabaja sobre tus propias operaciones, ya importadas y agrupadas en estructuras. No predice precios, no te dice qué comprar y no te va a dar una señal. Cuando hay que valorar algo —una curva de pago, un breakeven, un riesgo máximo—, el número no lo escribe el modelo: lo calcula el motor de valoración del producto (el mismo QuantLib que mueve el visualizador de estrategias) y la IA se limita a explicártelo. Es la regla de oro de la sección anterior, aplicada a nosotros mismos.

Y las limitaciones, que son igual de reales: puede equivocarse al interpretar lo que le preguntas, no conoce tu fiscalidad ni tu situación personal, y si le pides que valide una idea mala, es perfectamente capaz de encontrarte argumentos. No es un gestor. Es un lector muy rápido de tu historial, que es justo la parte que nadie mira.

Y si te sirve de algo, la prueba de fuego más honesta que se nos ocurre: si mañana apagáramos la IA, Bitacora.trade seguiría siendo útil, porque lo que de verdad hace es importar tus operaciones y agruparlas en estructuras con su riesgo real. La IA está encima de eso. Cualquier producto donde la IA sea el producto merece, como mínimo, la pregunta que la SEC tuvo que hacer dos veces.

#Fuentes y referencias

• SEC — SEC Charges Two Investment Advisers with Making False and Misleading Statements About Their Use of Artificial Intelligence (18 de marzo de 2024; primeras sanciones por «AI washing»: Delphia, $225,000, y Global Predictions, $175,000).
• Weilong Fu — The New Quant: A Survey of Large Language Models in Financial Prediction and Trading (arXiv, octubre de 2025; revisión de más de cincuenta estudios primarios; fuga temporal, alucinación y la necesidad de evaluaciones «temporalmente seguras» que reporten costes, latencia y capacidad; el patrón de tool-verified numerics).
• Mayer Brown — SEC Brings First Enforcement Actions Over "AI-Washing" (2024; análisis jurídico de los cargos bajo la Advisers Act y la Marketing Rule).
• Harvard Law School Forum on Corporate Governance — Decoding the SEC's First "AI-Washing" Enforcement Actions (2024; qué exigen los reguladores para poder afirmar que se usa IA).
• Heiner Beckmeyer, Nicole Branger y Leander Gayda — Retail Traders Love 0DTE Options… But Should They? (2023; el peso de los costes de transacción en el resultado real — lo que ningún backtest sin fricción incluye).

Aviso: este contenido es educativo y no constituye asesoramiento financiero. Operar con opciones conlleva riesgo de pérdida; haz siempre tu propio análisis.

La IA no te va a decir qué comprar. Pero sí puede leer tus 400 operaciones y decirte qué estás haciendo mal, si están importadas y agrupadas en estructuras: prueba Bitacora.trade 30 días gratis, sin tarjeta.