¿Qué hace realmente un bot de trading de criptomonedas con IA?

Publicado: 12 November 2026 | Actualizado: 12 November 2026

A fecha de 7 November 2026, tres herramientas de automatización de criptomonedas describen tres cosas distintas bajo la etiqueta «IA» en su propia documentación.

• El centro de ayuda de Cryptohopper dice que «A.I. significa: Algorithmic Intelligence». Describe un sistema que puntúa las estrategias que proporcionas según la frecuencia con la que sus señales pasadas alcanzaron un objetivo de beneficio.
• 3Commas afirma que «no proporciona asesoramiento de trading ni señales de IA» y que, en cambio, conecta herramientas externas de IA con sus bots.
• El módulo de código abierto FreqAI de Freqtrade entrena modelos como LightGBM y XGBoost y los reentrena según una programación.

Ninguna de estas descripciones, por sí sola, te dice si el bot gana dinero.

¿Qué puede significar «IA» en un bot de trading de criptomonedas?

Estos mecanismos suelen coexistir en un mismo producto. La selección y la optimización son formas de aprendizaje estadístico en un sentido amplio. Llamar a algo sistema de puntuación en lugar de modelo predictivo no resuelve si pertenece a la categoría de IA, y ninguna de las dos descripciones demuestra rentabilidad.

La pregunta útil es qué se aprende, a partir de qué datos y cómo se comprueba con datos que no ha visto.

También distinguiría entre el asistente y el proceso de trading. Un LLM puede ayudar a producir una estrategia sin ser el modelo que genera sus señales de mercado. Del mismo modo, una estrategia puede usar parámetros seleccionados mediante backtesting mientras ejecuta reglas explícitas.

¿Qué dice la documentación de las propias plataformas?

La tabla recoge los mecanismos documentados y las preguntas que esas descripciones dejan abiertas. No es una clasificación. La documentación puede explicar qué pretende hacer una función sin revelar su implementación en el servidor ni demostrar su rendimiento.

Todas las citas de proveedores anteriores se volvieron a comprobar en las páginas activas o archivadas el 2026-11-12.

La información no revelada sigue siendo una cuestión abierta. No demuestra que un proveedor carezca de aprendizaje automático, ni justifica inferir la existencia de un modelo no revelado.

¿Por qué un buen backtest no puede demostrar que un bot con IA funciona?

Mis experimentos simplificados utilizaron datos públicos horarios de Binance spot BTCUSDT y ETHUSDT desde 2022-01-01 hasta 2026-10-31. Demuestran problemas de evaluación en mis propios modelos y simuladores, no en el sistema de ningún proveedor. Un error deliberado de anticipación hizo que una prueba defectuosa arrojara una exactitud del 84.6%; el AUC del modelo walk-forward fue de 0.51, con intervalos que incluían el nivel del azar. Esta última prueba no aisló el efecto del reentrenamiento.

La tarea de predicción utilizó velas horarias agrupadas en barras de 4 horas y un objetivo binario: «sube» significaba que el retorno logarítmico de las siguientes 24 horas, durante las siguientes 6 barras, era superior a cero; cero se contaba como «baja». Las entradas eran retornos históricos, volatilidad, RSI, una diferencia entre medias móviles exponenciales y una puntuación z del volumen, calculadas con información disponible al cierre de la barra; una probabilidad predicha superior a 0.5 significaba «sube».

Cómo un error de anticipación hizo que una prueba arrojara una exactitud del 85%

Una media móvil centrada de 13 barras, añadida deliberadamente, utilizaba 6 barras futuras e introducía información del futuro en la regresión logística pese a una separación cronológica entre entrenamiento y prueba.

La exactitud resultante del 84.6% y el AUC de 0.93 son lo que arroja una prueba defectuosa, no pruebas de capacidad predictiva; sin esa característica, la exactitud del mismo modelo rondaba el 50%.

Por qué las divisiones aleatorias entre entrenamiento y prueba inflan los resultados

Las barras vecinas comparten la mayor parte de su ventana de etiquetado de 24 horas, de modo que las observaciones son dependientes con cualquier división; por otra parte, mezclarlas aleatoriamente introduce vecinos inmediatos en el entrenamiento, filtrando resultados de prueba solapados a través de sus etiquetas, y también permite entrenar con datos posteriores.

Las particiones por bloques entrenan con datos de ambos lados de cada bloque de prueba, con una purga de 24h antes y un embargo de 48h después, por lo que solo la prueba walk-forward entrena estrictamente con datos anteriores.

Esta comparación sobre la misma muestra mide la diferencia entre los diseños de división sin atribuir qué parte corresponde a la filtración por etiquetas solapadas y qué parte al entrenamiento con observaciones posteriores.

¿Se podía distinguir del azar un modelo walk-forward?

Mi regresión logística utilizó una ventana móvil de 365 días y se reajustó cada 30 días para producir 35 modelos; sus intervalos de AUC incluían el nivel del azar de 0.5, y su exactitud quedó por debajo de una predicción de «siempre sube».

Esto evaluó un procedimiento walk-forward y no aisló el efecto del reentrenamiento: para hacerlo sería necesario comparar con un modelo congelado o con otra frecuencia de reajuste en las mismas fechas, algo que no presento.

Un retorno logarítmico es el logaritmo natural del valor final dividido entre el valor inicial. 0 significa que no hubo cambios, aproximadamente +0.69 significa que el valor se duplicó y aproximadamente −0.69 significa que se redujo a la mitad. Por tanto, +0.59 no es +59% y −0.91 no es −91%. El modelo pronostica la dirección de las siguientes 24 horas, pero este ejemplo vuelve a decidir su posición en cada barra de 4 horas, de modo que prueba una política de trading construida sobre el pronóstico, no el horizonte del pronóstico en sí.

¿Cuánto sobreestimó la mejor de 16 configuraciones de grid el resultado de la semana siguiente?

Mi propio simulador de grid spot seleccionó la configuración con mayor retorno entre 16 combinaciones de amplitud del rango y número de niveles durante los 7 días anteriores, y después midió su retorno durante los siguientes 7 días; el rango también procedía de la semana de selección, lo que hacía que la cifra dentro de la muestra fuera optimista por construcción.

La diferencia media que aparece a continuación persistió bajo el supuesto alternativo de trayectoria intrabar, pero no significa que todas las semanas presentaran un resultado inferior. Los intervalos proceden de un bootstrap por bloques móviles que remuestrea secuencias de 12 semanas consecutivas, de modo que se conserva la dependencia entre semanas vecinas.

Anny no admite bots de grid.

¿La estrategia mejor puntuada sigue siendo la mejor?

Mi selector eligió semanalmente entre cinco reglas horarias utilizando tasas de acierto de los 90 días anteriores con resultados completos, donde un acierto significaba alcanzar al menos un 2% por encima del cierre de la señal en un plazo de 24 horas, y después comparó la tasa de acierto de la regla elegida durante los siguientes 28 días con la media de las cinco reglas.

Se observó una pequeña diferencia —BTC ligeramente por debajo y ETH ligeramente por encima de esa media—, pero no se calculó un intervalo de confianza para la diferencia emparejada, y las ventanas de evaluación se solapan.

Esto no demuestra equivalencia ni que la selección carezca de valor, y las tasas de acierto no son beneficios: esta configuración no tenía stop, salida ni costes.

Estos experimentos abarcan características y modelos sencillos, un conjunto limitado de activos y un único mercado y periodo. El solapamiento de etiquetas reduce la independencia, la ejecución está simplificada y las tasas de acierto no miden beneficios. Estas pruebas muestran cómo las decisiones de evaluación cambian los resultados. No demuestran que el aprendizaje automático no pueda funcionar en criptomonedas, ni dicen nada sobre los modelos de un proveedor concreto.

¿Qué pruebas deberías pedir al proveedor de un bot con IA?

Utiliza la siguiente lista de comprobación de pruebas del proveedor. Una descripción del modelo por sí sola deja sin resolver su rendimiento; un gráfico de retornos por sí solo deja sin resolver el mecanismo y el procedimiento de evaluación.

Trata una pregunta sin respuesta como una cuestión no resuelta. Pide más detalles en lugar de inventar una explicación sobre cómo funciona el sistema.

Un backtest reproducible puede seguir estando limitado a sus activos, fechas y supuestos de ejecución. Un intervalo de incertidumbre puede describir una métrica publicada sin resolver todas las decisiones de investigación que la precedieron.

¿Dónde encaja Anny Trade?

En Anny Trade utilizo grandes modelos de lenguaje para Ask Anny, mi asistente. Mi página pública de Optimizer indica que los indicadores, los backtests, la búsqueda de parámetros y la validación son «código determinista: ningún LLM interviene en ese ciclo». Los cálculos de CFO Anny Line y Optimizer no utilizan ningún LLM.

Mis bots ejecutan reglas explícitas de entrada y salida en las cuentas de exchanges que conectas, y no admito bots de grid. Estas descripciones identifican dónde se utilizan modelos de lenguaje; no demuestran rentabilidad.

Explora los backtests deterministas y la búsqueda de parámetros de Optimizer y aplícale la misma lista de comprobación.

Preguntas frecuentes

¿Puede un bot de trading con IA predecir los precios de las criptomonedas?

Un modelo entrenado puede estimar un resultado de mercado definido, pero la existencia de una predicción no demuestra una capacidad predictiva útil. Mi tarea consistía en predecir la dirección durante un horizonte especificado, no un precio futuro exacto. Ningún modelo de este artículo mostró una capacidad fiable de predicción direccional fuera de la muestra.

¿Puntuar estrategias por su tasa de acierto es aprendizaje automático?

La selección de estrategias basada en el rendimiento puede considerarse aprendizaje estadístico en un sentido amplio, porque utiliza resultados históricos para puntuar las estrategias disponibles. La etiqueta no te dice si esas elecciones serán útiles después. Una tasa de acierto no es una medida de beneficio.

¿Usar un LLM significa que un bot utiliza aprendizaje automático para operar?

Un LLM puede escribir una estrategia o invocar herramientas de trading sin ser un modelo de predicción del mercado. Pregunta qué produce, a qué herramientas puede acceder y cómo se controla la ejecución. Después, evalúa la estrategia resultante por separado; usar un modelo de lenguaje por sí solo no demuestra rendimiento en el trading.

¿Qué es la validación walk-forward?

La evaluación walk-forward entrena con datos anteriores y prueba con datos posteriores, avanzando en el tiempo. Mi procedimiento utilizó una ventana móvil de entrenamiento y reajustes repetidos, con una purga antes de cada bloque de prueba. Se diferencia de las particiones por bloques que entrenan con datos de ambos lados de un bloque de prueba.

¿Puedo verificar por mi cuenta la IA de un bot de código cerrado?

La documentación pública puede ayudar a identificar el mecanismo declarado sin aclarar su implementación en el servidor. La falta de información no es una prueba en ningún sentido. Mis experimentos simplificados no inspeccionan sistemas de código cerrado y no pueden determinar qué hace el modelo no revelado de ningún proveedor.

Cómo ejecuté estas pruebas (metodología y limitaciones).

Todos los resultados de este artículo proceden de simulaciones y backtests sobre datos históricos, no de operaciones reales. Los resultados hipotéticos y simulados tienen limitaciones inherentes: se construyen con conocimiento retrospectivo, no reflejan la ejecución real y no predicen el rendimiento futuro.

El conjunto de datos descrito anteriormente contenía 42,359 barras horarias por activo, con una hora ausente del lado del exchange en 2023-03-24 13:00 UTC. Las sumas de verificación mensuales muestreadas coincidieron con las publicadas por Binance. Las versiones de software fueron numpy 2.5.4, pandas 3.1.1 y scikit-learn 1.9.1.

Los datos terminan en 2026-10-31 23:00 UTC, y los resultados incompletos se trataron de la siguiente manera.

• Pruebas de predicción: se eliminaron las barras sin una etiqueta completa para las siguientes 24 horas, por lo que la última barra de 4 horas etiquetada es 2026-10-30 20:00 UTC. El último de los 35 bloques walk-forward comienza el 2026-10-17.
• Grid: solo se conservó una decisión si existían 30 días completos de datos posteriores. Esto da 195 decisiones semanales, desde 2023-01-02 hasta 2026-09-21.
• Selector: tomó 199 decisiones semanales, desde 2023-01-02 hasta 2026-10-19. Las tres últimas, a partir de 2026-10-05, tienen ventanas de 28 días acortadas por el final de los datos, y las señales de las últimas 24 horas cuentan como fallos. Al eliminar esas tres decisiones, las pequeñas diferencias mantienen la misma dirección (BTC 0.32 frente a 0.34, ETH 0.47 frente a 0.46).

La regresión logística utilizó características estandarizadas con regularización C = 0.1. La comparación de divisiones utilizó un random forest con 200 árboles y un tamaño mínimo de hoja de 5. Las entradas sin filtraciones de información incluían retornos de 1, 3, 6, 18 y 42 barras; volatilidad de 18 y 42 barras; RSI(14); la diferencia entre medias móviles exponenciales de 20 barras y 50 barras; y una puntuación z del volumen de 42 barras.

Los intervalos de AUC walk-forward utilizaron un bootstrap por bloques móviles con 42 barras consecutivas de 4 horas por bloque, 500 remuestreos y los percentiles 2.5th–97.5th. El ejemplo de trading obtenía el retorno de las siguientes 4 horas desde el cierre de la barra de señal, sin latencia. Su coste de 15 bps comprendía una comisión supuesta de 10 bps y un deslizamiento de 5 bps por cambio de posición.

Aunque el pronóstico apunta a la dirección de las siguientes 24 horas, esta política de trading revisa su posición en cada barra de 4 horas. Sus retornos evalúan esa política concreta, en lugar de una monetización directa del horizonte del pronóstico. Ni un AUC cercano a 0.5 ni una exactitud inferior a «siempre sube» descartan por sí solos oportunidades rentables: también importan las magnitudes de las ganancias y pérdidas, los umbrales y el rendimiento condicionado.

Las configuraciones candidatas de grid combinaban amplitudes de rango de 0.8×, 1.0×, 1.25× y 1.6× el semirrango del periodo anterior con 10, 25, 50 y 100 niveles. Cada ejecución pagaba un 0.05%, sin deslizamiento. Cada semana comenzaba de nuevo; las monedas no vendidas se valoraban al cierre final sin comisión de salida. Los intervalos de las diferencias utilizan un bootstrap circular por bloques móviles de las 195 diferencias semanales (bloques de 12 semanas, 10,000 remuestreos, semilla fija). Las diferencias semanales presentaban una autocorrelación ligeramente negativa con un desfase de 1, y una regla automática de longitud de bloque sugería unas 11 semanas (BTC) y 16 semanas (ETH). Los intervalos para bloques de 2–16 semanas eran similares o más estrechos que los de un bootstrap ordinario.

Las reglas del selector utilizaban RSI, MACD, bandas de Bollinger, un cruce de EMA y una ruptura del máximo de las 48 horas anteriores. Una regla necesitaba al menos 5 señales completas para recibir una puntuación. Sus ventanas de evaluación solapadas importan al interpretar las pequeñas diferencias observadas.

En una segunda revisión interna de la investigación, volví a ejecutar los cuatro scripts originales y obtuve archivos de salida idénticos byte a byte. En 40 de 40 marcas temporales seleccionadas aleatoriamente, sustituir los datos futuros dejó intactas las características sin filtraciones de información; la característica deliberada de anticipación falló 40 de 40 comprobaciones por diseño. Hubo 0 particiones walk-forward con etiquetas que se solaparan con el periodo de prueba, y el escalador se ajustó únicamente con datos de entrenamiento dentro del pipeline.

Esa revisión respalda la reproducibilidad y la ausencia de filtraciones conocidas en los pipelines sin filtraciones. No demuestra que los resultados se mantuvieran en otros periodos, con otros activos o mercados, ni en operaciones reales, y no elimina el sesgo de selección de la investigación.

Las limitaciones siguen siendo sustanciales: 2 activos, 1 mercado, un periodo y modelos sencillos. Las etiquetas se solapan; no hay deslizamiento basado en el libro de órdenes ni corrección por pruebas múltiples más allá de lo indicado. El simulador de grid utiliza una trayectoria intrabar de 4 puntos, de la que dependen los retornos absolutos. No probé el sistema real de ningún proveedor, no ejecuté FreqAI ni operé en real.

Véase también

• ¿Qué es la validación walk-forward?
• ¿Cómo interpreta CFO Anny Line los regímenes del mercado?
• ¿Cómo conecto mi IA a datos del mercado de criptomonedas en tiempo real?
• Documentación de lookahead-analysis de Freqtrade

Todos los resultados de este artículo proceden de simulaciones y backtests sobre datos históricos, no de operaciones reales. Los resultados hipotéticos y simulados tienen limitaciones inherentes: se construyen con conocimiento retrospectivo, no reflejan la ejecución real y no predicen el rendimiento futuro.

Este artículo tiene fines exclusivamente educativos; no constituye asesoramiento financiero. El rendimiento pasado no indica resultados futuros. Los criptoactivos son volátiles y puedes perder toda tu inversión. Anny Trade es una plataforma de análisis, no un asesor de inversiones registrado.