Los LLM como herramientas de investigación y como señales

Las lecciones 1 a 3 montaron la maquinaria: la apuesta de preentrenar-y-adaptar (1), los modelos fundacionales de series temporales (2) y cómo se comportan de verdad el zero-shot, el few-shot y las leyes de escalado sobre datos financieros (3). Ahora apuntamos esa maquinaria hacia un trabajo. Hay exactamente dos trabajos que puede desempeñar un LLM en una mesa quant, y confundirlos es como los buenos equipos publican mala investigación.

Un modelo de lenguaje puede ser una señal — le das texto, emite un número, y ese número predice rendimientos. O puede ser un investigador — lee la literatura, propone hipótesis, escribe el código del backtest y critica los resultados. El mismo modelo, perfiles de riesgo radicalmente distintos. Una señal vive o muere por su poder predictivo fuera de muestra; un investigador vive o muere según si su creatividad incansable está disciplinada o es simplemente prolífica. Esta lección trabaja ambos roles, y luego dedica la mayor parte de su energía al modo de fallo que el rol de investigador desata: un generador de ideas capaz de ejecutar diez mil estrategias de la noche a la mañana es una bomba de contraste múltiple con una mecha muy corta.

Vamos a ordenar primero los dos trabajos, y luego profundizamos en cada uno.

Dos roles: el LLM como señal frente a como investigador

La analogía. Pensad en una redacción. El reportero convierte eventos en un único número entregado — “sentimiento: +0,7” — que va directo al cable de trading; si el reportero se equivoca, una noticia está mal. El redactor jefe no entrega noticias — asigna cientos de investigaciones, redacta la metodología y decide qué pistas perseguir. Un redactor imprudente que dé luz verde a diez mil investigaciones, por puro volumen, sacará a la luz unas pocas que parecen material de Pulitzer por puro azar. El fallo del reportero es un mal artículo; el fallo del redactor es una redacción llena de tonterías expresadas con total confianza. Un LLM puede hacer cualquiera de los dos papeles, y el segundo es donde las carreras se acaban en silencio.

Definición precisa. En el rol de señal, el LLM es una función $g$ que mapea texto no estructurado $x$ (un informe, un titular, una transcripción) a una puntuación de valor real $s = g(x)$ que entra en una previsión de rendimiento o en un peso de cartera. Se evalúa como cualquier factor de alpha: coeficiente de información, Sharpe fuera de muestra, rotación, capacidad. En el rol de investigador, el LLM es un agente en un bucle — proponer una hipótesis $H$, generar código de características, ejecutar un backtest, leer el resultado, revisar — y se evalúa por la calidad y honestidad del proceso de investigación, no por un único número.

Cuándo usar cada uno

Usa el rol de señal cuando la ventaja sea leer texto más rápido, más barato o de forma más consistente que el mercado — un trabajo de extracción estable y repetible. Usa el rol de investigador cuando el cuello de botella sea el caudal de ideas y el código repetitivo de ingeniería — y solo si tienes la disciplina de validación para sobrevivir a tu propia productividad. Si no puedes deflactar por las pruebas que ejecuta un agente investigador, no estás listo para soltarlo; simplemente vas a sobreajustar más rápido.

El LLM como señal #1 — extracción de sentimiento y eventos

La analogía. El alpha de sentimiento es pescado fresco. Capturado al amanecer (el momento en que estalla la noticia), vale mucho; para la hora de comer vale menos; mañana apesta. Todo el mercado está también en la lonja comprando el mismo pescado, así que el precio de lo fresco se desploma rápido. Puedes ganar dinero operando pescado, pero solo si eres rápido, no pagas de más por transaccionar, y no intentas mover el equivalente a un petrolero — el mercado es demasiado pequeño y demasiado perecedero para el tamaño.

Definición precisa. Una señal de sentimiento y eventos puntúa documentos y los agrega en un factor transversal. Para cada documento $d$ sobre el activo $i$ en el día $t$, el LLM emite una polaridad $\sigma_d \in [-1, +1]$ (y opcionalmente una etiqueta de evento — recorte de guidance, demanda judicial, recompra). Agrega a una puntuación diaria por activo promediando:

$s_{i,t} = \frac{1}{N_{i,t}} \sum_{d \in D_{i,t}} \sigma_d,$

donde $D_{i,t}$ es el conjunto de documentos sobre el activo $i$ disponibles en el día $t$ y $N_{i,t}$ es su cuenta. Luego ordena los activos transversalmente y forma una cartera larga-corta neutral en dólares: largo en el grupo superior, corto en el inferior.

Ejemplo resuelto — una larga-corta diminuta. Cinco acciones, las puntuaciones de sentimiento promediadas de hoy:

Vas largo en las dos primeras (A, B) y corto en las dos últimas (D, E), cada pata neutral en dólares. Con $1 en largo y $1 en corto en total, pondera cada nombre largo $0,50 y cada nombre corto −$0,50. Supón que los rendimientos del día siguiente llegan a $r_A = +1,2\%$, $r_B = +0,3\%$, $r_D = -0,6\%$, $r_E = -1,4\%$. La pata larga gana $0,5(1,2\%) + 0,5(0,3\%) = 0,75\%$. La pata corta gana $-0,5(-0,6\%) - 0,5(-1,4\%) = +1,0\%$. Rendimiento bruto larga-corta: $0,75\% + 1,0\% = 1,75\%$ del día. Ahora resta los costes: si un round-trip sobre esta cartera cuesta, digamos, 20 puntos básicos, el neto es $1,75\% - 0,20\% = 1,55\%$ — todavía positivo aquí, pero fíjate en cómo unos pocos puntos básicos extra de coste y un día ligeramente más flojo cambian el signo. Ese margen finísimo es toda la historia del alpha de sentimiento.

El decaimiento es la restricción. Como la ventaja se concentra en horizontes cortos, debes reoperar a menudo para seguir capturándola — y reoperar repetidamente paga el coste de round-trip una y otra vez. Mantén demasiado poco tiempo y los costes te comen; mantén demasiado tiempo y la señal ya está rancia. Existe un horizonte de tenencia óptimo donde el alpha-neto-por-día llega a su máximo, y un decaimiento más rápido empuja ese punto dulce más temprano. El gráfico de abajo hace tangible el trade-off: arrastra el deslizador de velocidad de decaimiento hacia abajo (decaimiento más rápido, como las noticias frescas) y observa cómo el horizonte óptimo se colapsa hacia “opera ahora o no operes”.

Cuándo usarlo

Recurre al sentimiento con LLM cuando tengas un flujo genuino y costoso de procesar de texto no estructurado (transcripciones completas de earnings calls, informes densos, noticias en otros idiomas) donde la lectura mecánica consistente bata al lector humano medio, y operes a horizontes cortos con costes de transacción bajos y tamaño modesto. Sáltatelo cuando el texto ya esté resumido trivialmente por todo el mundo (el número del titular que todos leen en el mismo segundo), cuando tus costes sean altos, o cuando necesites una señal que aguante tamaño durante semanas — el decaimiento no lo permitirá.

El LLM como señal #2 — fusión multimodal de precio más texto

La analogía. Un buen trader macro vigila dos pantallas a la vez: el precio moviéndose a la izquierda, las noticias parpadeando a la derecha, y la interacción entre ellas — “la acción cayó un 2% pero la noticia es benigna, así que esto es una purga, no una ruptura fundamental”. Un modelo multimodal intenta ser ese trader: un encoder lee los números, otro lee la narrativa, y una capa de fusión aprende a condicionar cada uno al otro. La magia está en la lectura conjunta. Pero un trader humano no puede leer accidentalmente el periódico de mañana; una tubería de datos chapucera sí.

Definición precisa. Un modelo multimodal de precio más texto mantiene dos encoders. Un encoder de series temporales $f_{\text{ts}}$ mapea una ventana de características de precio/volumen/microestructura a un embedding $z_{\text{ts}}$; un encoder de texto $f_{\text{txt}}$ (a menudo un LLM) mapea los documentos relevantes a un embedding $z_{\text{txt}}$. Un módulo de fusión $\phi$ los combina — concatenación, cross-attention o gating — en una representación conjunta $z = \phi(z_{\text{ts}}, z_{\text{txt}})$, a partir de la cual una cabeza predice el rendimiento futuro. La fusión por cross-attention permite que el embedding de precio consulte al texto (“¿qué parte de este informe explica el movimiento que estoy viendo?”) y viceversa.

Ejemplo resuelto — qué requiere realmente el alineamiento. Digamos que quieres predecir el rendimiento sobre la ventana $[t, t+1]$ (el cierre del día $t$ al cierre del día $t+1$). Cada entrada — cada barra de precio y cada documento — debe llevar un timestamp $\le t$ (en concreto, conocible al cierre del día $t$). Concretamente:

• Una noticia con timestamp de las 16:15 del día $t$, después del cierre de las 16:00, no puede usarse para predecir el rendimiento $[t, t+1]$ etiquetado al cierre del día $t$ — todavía no estaba disponible.
• Un informe 8-K que llegó al cable a las 11:00 del día $t$ sí puede usarse, porque era público antes del cierre.
• Una transcripción que se revisa (erratas corregidas, tachaduras) a la mañana siguiente debe ingerirse en su forma original, del tiempo $t$, no la versión limpia — de lo contrario has contrabandeado ediciones futuras hacia atrás.

Si aunque sea el 1% de tus documentos viola esto, tu backtest se infla y tu rendimiento en vivo se colapsa. La arquitectura de fusión es la parte fácil; el timestamping point-in-time es la parte que decide si el resultado es real.

Cuándo usarlo

Fusiona precio y texto cuando la interacción lleve genuinamente señal que ninguno de los flujos contiene por sí solo — cuando “este movimiento más esta narrativa” signifique algo distinto de cualquiera de ellos por separado — y cuando puedas imponer una disciplina point-in-time hermética sobre cada documento. Si no puedes poner timestamp al texto con rigor, no lo añadas: un modelo limpio solo de precio bate a un multimodal con fugas todas y cada una de las veces, incluso cuando el backtest del de fugas parece espectacular.

El LLM como investigador — generación de hipótesis y características

La analogía. El investigador LLM es el becario más cafeinado del mundo. Ha hojeado todos los papers de finanzas jamás escritos, nunca duerme, escribirá cien scripts de backtest antes de comer, y explicará cada uno con desenfadada confianza. También es un becario que nunca se ha equivocado en voz alta — cuando no lo sabe, no duda; inventa. Usado como un incansable redactor de primeros borradores bajo supervisión estrecha, es un multiplicador de fuerza. Usado como un oráculo en cuya salida confías, es una máquina de generar basura confiada a escala.

Definición precisa. El bucle “AI quant” o “AI scientist” es una tubería agéntica: el LLM (1) propone una hipótesis (“la deriva post-anuncio de resultados es más fuerte en nombres de alta dispersión”), (2) la operacionaliza en una característica y escribe el código del backtest, (3) ejecuta el backtest, (4) lee el resultado y o bien refina o propone la siguiente idea — iterando de forma autónoma. La promesa es caudal: cientos de ideas exploradas por día en lugar de una por semana.

En qué es bueno frente a en qué es malo.

La columna de lo bueno es real y valiosa. La columna de lo malo es por la que existe la siguiente sección: un generador de ideas que es rápido, fluido y al que no le inquieta la conciencia estadística es precisamente lo que detona una explosión de data snooping.

Cuándo usarlo

Deja que un LLM ejecute el bucle de investigador cuando tu cuello de botella sea genuinamente el caudal de ideas e ingeniería y tengas validación de potencia industrial aguas abajo — ventanas fuera de muestra preregistradas, deflación por contraste múltiple y datos point-in-time estrictos. No lo uses como juez final de lo que es real, y nunca operes su salida sin auditar. El becario redacta; el proceso disciplinado decide.

La explosión de data snooping

La analogía. Dale a una persona una moneda y pídele diez caras seguidas — casi con seguridad fallará. Dale la misma tarea a diez mil personas en paralelo, y unas pocas lo lograrán al primer intento, parecerán magos y escribirán un libro sobre su técnica. Nada cambió en la moneda; simplemente hiciste suficientes pruebas como para que la pura suerte produjera un campeón. Un generador de ideas LLM es la máquina de las diez mil personas, salvo que lo hace antes de que se te enfríe el café — y cada “campeón” llega envuelto en un backtest confiado.

Enunciado preciso — inflación del Sharpe del mejor de N. Supón que ejecutas $N$ estrategias que tienen cero ventaja real — puro ruido. Cada una produce un ratio de Sharpe dentro de muestra que es aproximadamente una extracción normal estándar. El máximo esperado de $N$ extracciones de ese tipo crece como

$\mathbb{E}[\max_{1 \le j \le N} Z_j] \approx \sqrt{2 \ln N},$

así que incluso sin ninguna señal real en ninguna parte, la estrategia de mejor aspecto del lote tiene un Sharpe dentro de muestra que sube con el logaritmo de cuántas probaste. Por eso debes deflactar: juzga al ganador contra el umbral $\sqrt{2 \ln N}$ para las $N$ pruebas que realmente ejecutaste, no contra cero.

Ejemplo resuelto — calcular el umbral de chiripa. Tabulemos $\sqrt{2 \ln N}$ para varias cantidades de pruebas:

Lee la fila de $N = 1{,}000$: prueba mil estrategias de cero ventaja y la mejor de ellas muestra un Sharpe dentro de muestra de unos 3,7 — un número que, tomado al pie de la letra, conseguiría financiación para una estrategia. Es enteramente suerte. Aritmética resuelta de esa fila: $\ln(1000) = 6,908$, por $2$ es $13,816$, y $\sqrt{13,816} = 3,717$. Así que antes de celebrar un Sharpe de backtest de 3,7 procedente de una búsqueda sobre mil ideas, reconoce que has reproducido exactamente el máximo de ruido esperado — la estrategia no ha superado ninguna barra en absoluto.

Por qué el LLM lo vuelve agudo. Un humano saca a duras penas quizás docenas de pruebas antes de que el agotamiento imponga un límite natural. Un agente LLM no tiene tal limitador — alegremente probará 10.000 variantes de la noche a la mañana, y como no lleva la cuenta por ti, el umbral de deflación sube en silencio hasta 4,3 mientras tú sigues comparando mentalmente contra cero. La herramienta que te hace productivo es la misma que hace que tu tasa de falsos descubrimientos explote.

Cuándo usarlo

Una gran búsqueda automatizada es legítima solo cuando se empareja con una deflación honesta: registra cada prueba que ejecuta el agente (incluidas las que descarta), compara al ganador contra $\sqrt{2 \ln N}$ para el $N$ completo, y reserva un holdout genuinamente intacto para la confirmación final. Si no puedes contar tus pruebas, no puedes deflactar; si no puedes deflactar, un grifo de ideas LLM no es un acelerador de investigación — es un acelerador de falsos descubrimientos. Usa la amplitud para generar pistas, nunca para certificarlas.

Un anticipo de las fugas

Hay un canal de fuga exclusivo de los modelos preentrenados, y merece una bandera ahora aunque la lección 5 — El campo de minas de las fugas — lo trate por completo. El corpus de entrenamiento de un LLM tiene una fecha de corte, y esa fecha suele ser posterior a los periodos históricos sobre los que haces backtest. Así que cuando le pides al modelo “lee este informe de 2019 y predice el próximo trimestre”, no está razonando puramente a partir del informe — puede estar recurriendo en silencio a su conocimiento de entrenamiento sobre lo que realmente pasó después. El backtest parece presciente porque el modelo, en un sentido real, ya ha leído la hoja de respuestas. Esta contaminación temporal es invisible en el código, no aparece como un timestamp con fugas, y puede sobrevivir incluso a una cuidadosa tubería de datos point-in-time — porque la fuga está en los pesos, no en la fuente de datos. La lección 5 disecciona cómo detectarla y defenderse de ella; por ahora, basta con saber que “el LLM era inusualmente bueno prediciendo el pasado” es una bandera roja, no un triunfo.

Cuándo una señal o herramienta LLM se gana su lugar

La síntesis. Cada hilo de esta lección converge en un veredicto disciplinado. Un LLM vale su riesgo cuando se cumple todo lo siguiente, y es un lastre cuando falla cualquiera:

• Texto genuino y costoso de procesar. La ventaja es leer material no estructurado — informes densos, transcripciones completas, noticias en idioma extranjero — que el mercado no haya ya puesto en precio trivialmente. Si todos leen el mismo titular en el mismo segundo, no hay ventaja que extraer.
• Un timestamp de disponibilidad real. Cada documento es demostrablemente conocible en el momento de decisión, en su forma original. Sin artículos posteriores al cierre que predigan etiquetas anteriores al cierre; sin transcripciones revisadas contrabandeadas hacia atrás; sin contaminación de la fecha de corte de entrenamiento.
• Horizonte corto, capacidad modesta. El decaimiento rápido del alpha derivado de texto (la sección de sentimiento) significa que la señal vive en días y aguanta tamaño limitado. Dimensiónala a su semivida y a su capacidad tras costes, no a su Sharpe dentro de muestra.
• Deflación por pruebas. Cualquier señal de una búsqueda — especialmente una impulsada por LLM — se deflacta contra $\sqrt{2 \ln N}$ por la cuenta completa de pruebas y se confirma sobre un holdout intacto. El grifo genera pistas; la disciplina las certifica.
• Disciplina point-in-time estricta. Las reglas de fugas (tratamiento completo en la lección 5) se imponen de extremo a extremo, tanto en el rol de señal como en el de investigador.

Trata al LLM ni como un oráculo (un pronosticador que operas a ciegas) ni como un grifo de ideas sin auditar (un generador en cuyos backtests crees). Es un asistente rápido, fluido e incansable cuya salida es materia prima para un proceso disciplinado — valioso exactamente en la medida en que la disciplina a su alrededor sea real.

Repaso