El problema
Una IA puede aprender a operar, pero si no controla el tamaño de la posición puede convertir una buena señal en una mala decisión.
En trading algorítmico, muchos modelos se centran en predecir si conviene comprar, vender o mantener. Pero una cartera no se construye solo con dirección. También importa cuánto capital se asigna, cuánto riesgo se acepta y cómo se reacciona cuando el mercado cambia de estado.
Los sistemas clásicos de optimización suelen asumir decisiones racionales y estables. El inversor real, en cambio, puede volverse demasiado prudente tras pérdidas recientes o demasiado agresivo después de una buena racha. Esos sesgos no siempre son errores aislados: pueden cambiar de forma sistemática el riesgo de la cartera.
La pregunta práctica del trabajo es cómo incorporar esos comportamientos a una IA de trading sin convertirlos en ruido. Es decir, cómo hacer que el modelo aprenda una política de inversión y, al mismo tiempo, module la exposición cuando aparecen señales de aversión a pérdidas o exceso de confianza.
Por qué es difícil
El mercado no es estacionario
Las reglas útiles en una fase de calma pueden dejar de servir en crisis, recuperaciones o movimientos laterales prolongados.
La dirección no lo decide todo
Una señal correcta puede terminar mal si el tamaño de la posición es excesivo para el riesgo asumido.
Los sesgos cambian con el contexto
La aversión a pérdidas y el exceso de confianza no aparecen siempre con la misma intensidad ni en los mismos regímenes.
El backtest puede engañar
Si el sistema ve información futura o se evalúa con una muestra cómoda, la estrategia puede parecer más robusta de lo que realmente es.
La idea principal
Los autores construyen BBAPT, una arquitectura que combina tres capas. La primera es un agente de deep reinforcement learning que aprende la política base de trading: qué dirección tomar y cómo responder a los estados del mercado.
La segunda capa introduce finanzas conductuales. En lugar de asumir que el agente siempre actúa de forma neutral, el sistema incluye mecanismos de aversión a pérdidas y exceso de confianza que ajustan el tamaño de la posición según umbrales dependientes del régimen.
La tercera capa usa TimesNet para prever el régimen de mercado a un paso vista. Con esa señal, el sistema puede cambiar entre un comportamiento más prudente, más agresivo o neutral, siempre evaluado con walk-forward para mantener la prueba fuera de muestra.
El modelo no solo pregunta qué operación hacer, sino cuánta exposición tiene sentido asumir en ese contexto.
Una forma sencilla de verlo
Es como conducir con un copiloto que no solo indica la ruta, sino que también avisa cuándo conviene levantar el pie o acelerar con cuidado.
Cómo se resolvió
El sistema combina aprendizaje por refuerzo, predicción de régimen y ajustes conductuales de posición.
Aprender una política base
El agente actor-critic aprende una política de trading a partir de interacciones históricas con el mercado.
Separar dirección y tamaño
La dirección de la operación queda en manos de la política de refuerzo, mientras los sesgos conductuales modulan el tamaño de la posición.
Modelar aversión a pérdidas
Cuando el contexto sugiere mayor sensibilidad al riesgo, el mecanismo de pérdida reduce exposición y busca proteger el perfil de caída.
Modelar exceso de confianza
En fases favorables, el mecanismo de confianza permite posiciones más agresivas, aceptando más riesgo para buscar mayor retorno.
Prever el régimen con TimesNet
TimesNet genera una previsión del régimen de mercado y ayuda a activar el comportamiento neutral, prudente o más expansivo.
Evaluar con walk-forward
Las decisiones se prueban de forma cronológica y fuera de muestra, evitando que el sistema use información que no existiría al operar.
Conclusión del enfoque
La aportación es unir optimización, aprendizaje secuencial y comportamiento inversor para que la cartera no dependa solo de una señal de dirección.
Deep reinforcement learning
Aprendizaje por refuerzo con redes neuronales para tomar decisiones secuenciales de cartera.
Actor-critic
Arquitectura donde una parte propone acciones y otra evalúa la calidad esperada de esas acciones.
TimesNet
Modelo de series temporales usado para anticipar regímenes de mercado a corto plazo.
Walk-forward
Protocolo de evaluación cronológica que entrena, prueba y avanza sin mirar datos futuros.
El experimento
La evaluación cubre dos universos financieros diferentes. El primero es el mercado de criptomonedas entre enero de 2018 y diciembre de 2024, un entorno con fases de expansión, crisis, recuperación y alta volatilidad.
El segundo es el Dow Jones Industrial Average entre 2008 y 2024. Esta prueba es importante porque permite comprobar si la metodología también funciona en un mercado de acciones maduras y no solo en activos digitales.
El trabajo compara BBAPT con agentes de refuerzo neutrales, carteras clásicas de Markowitz y asignaciones equiponderadas. Además, en el Dow Jones se controla el sesgo de supervivencia usando la composición histórica del índice en cada fecha.
Qué se descubrió
Los resultados apuntan a que las estrategias basadas en aprendizaje por refuerzo superan a los benchmarks estáticos en términos absolutos y ajustados por riesgo. No es solo una mejora de retorno: también aparece una mejor posición en la relación entre rentabilidad y volatilidad.
La aversión a pérdidas actúa como mecanismo defensivo. En los análisis del trabajo ofrece un perfil de riesgo más estable y ayuda a proteger frente a caídas, aunque no siempre busque el retorno máximo.
El exceso de confianza se comporta de forma distinta. Puede lograr retornos más altos en expansiones prolongadas, pero con más riesgo. Esto es útil porque separa dos estilos de decisión que a menudo se mezclan: proteger capital y perseguir crecimiento.
BBAPT aparece como el enfoque más equilibrado: combina predicción de régimen con ajuste conductual de posición y consigue un mejor compromiso global entre retorno y riesgo. En el Dow Jones, las conclusiones se mantienen incluso al considerar cambios reales en los componentes del índice.
- Las estrategias de reinforcement learning dominan a carteras estáticas en los experimentos reportados.
- La aversión a pérdidas mejora la protección ante riesgo bajista.
- El exceso de confianza puede capturar más retorno en fases expansivas, con mayor exposición.
- BBAPT obtiene el mejor equilibrio global entre rentabilidad y riesgo en las pruebas del trabajo.
Prudencia útil
La aversión a pérdidas no se presenta como debilidad, sino como una forma de reducir daño cuando el mercado empeora.
Confianza controlada
El exceso de confianza puede aportar retorno en expansión, siempre que el sistema lo limite al contexto adecuado.
Equilibrio adaptativo
BBAPT intenta no quedarse fijo en un único perfil: cambia la exposición según el régimen previsto.
La mejora no viene de elegir siempre el modelo más agresivo, sino de adaptar el tamaño de la posición al régimen y al sesgo dominante.
Por qué importa
Este trabajo es relevante para trading actual porque une tres piezas que suelen tratarse por separado: predicción de mercado, optimización de cartera y comportamiento del inversor.
También ofrece una lección clara para sistemas de decisión financiera: una recomendación no debería limitarse a decir comprar o vender. Debe explicar cuánto riesgo asume, por qué cambia la exposición y cómo se ha probado fuera de muestra.
Para la optimización moderna, el valor está en no buscar una única respuesta fija. El sistema aprende, evalúa el régimen, ajusta la posición y compara frente a referencias clásicas. Esa combinación hace que la decisión sea más rica y más controlable.
Aplicaciones reales
Trading algorítmico
Diseñar agentes que ajusten exposición, no solo señales de compra y venta.
Optimización de carteras
Comparar políticas dinámicas frente a carteras de Markowitz y asignaciones simples.
Gestión de riesgo
Usar aversión a pérdidas como mecanismo explícito de control de caídas.
Apoyo a la decisión
Mostrar por qué una cartera se vuelve más prudente o más agresiva según el régimen previsto.
Qué podemos aprender
Una IA de trading no debería optimizar solo la rentabilidad pasada. Debe aprender a decidir bajo incertidumbre, controlar el tamaño de sus posiciones y demostrar que sus decisiones resisten una evaluación temporal honesta.
Preguntas frecuentes
¿Esto es una recomendación de inversión?
No. Es una explicación divulgativa de una publicación científica. No constituye asesoramiento financiero ni una señal de compra o venta.
¿Qué significa que el modelo sea conductual?
Significa que incorpora sesgos estudiados en finanzas conductuales, como aversión a pérdidas y exceso de confianza, para ajustar el tamaño de la posición.
¿Por qué importa el walk-forward?
Porque obliga a evaluar el sistema en orden temporal, sin usar información futura, y reduce el riesgo de confiar en un backtest demasiado cómodo.
Publicación y recursos
Charkhestani, A.; Esfahanipour, A. Behaviorally informed deep reinforcement learning for portfolio optimization with loss aversion and overconfidence. Scientific Reports, 16, 6443, 2026. https://doi.org/10.1038/s41598-026-35902-x.