El día que se esfumó 1 billón de dólares, y por qué los algoritmos "inteligentes" lo empeoraron

Estaba en una llamada con mi equipo cuando alguien compartió una captura de pantalla del Nikkei. Había bajado un 8%. Luego un 10%. Luego un 12,4%.

Era el 5 de agosto de 2024. El mercado de Japón estaba teniendo su peor día desde el Lunes Negro de 1987. El VIX —el índice que mide el miedo de Wall Street— se había disparado a 65,73, un nivel que no habíamos visto fuera de la crisis financiera de 2008 y las primeras semanas de COVID. Un billón de dólares en capitalización de mercado se estaba evaporando solo en acciones tecnológicas y de IA.

Recuerdo a uno de mis ingenieros diciendo, medio en broma: "Así que los algoritmos están operando entre sí otra vez".

No se equivocaba. Y esa frase —operando entre sí— es la parte silenciosa que nadie en la industria de la IA quiere decir en voz alta. Entre el 60% y el 70% de las operaciones globales ahora son ejecutadas por algoritmos. La mayoría de esos algoritmos son sistemas probabilísticos; predicden el siguiente movimiento probable basándose en patrones en datos históricos. No entienden qué está pasando. No saben por qué el yen se está fortaleciendo o qué significa el cierre del carry trade para la liquidez. Simplemente ven señales de precios y reaccionan.

El 5 de agosto, todos reaccionaron en la misma dirección, al mismo tiempo, a una señal que en parte era un artefacto técnico. Y el resultado fue una cascada que ningún trader humano por sí solo podría haber causado.

Ese día cambió mi forma de pensar sobre lo que estamos construyendo en Veriprajna. Confirmó algo que había estado argumentando durante años: la IA probabilística sin barreras deterministas no solo es poco fiable; es peligrosa.

¿Qué pasó realmente el 5 de agosto?

La historia superficial es macroeconómica. El Banco de Japón sorprendió a los mercados con una subida de tipos de interés del 0,25%. La misma semana, un débil informe de empleo de EE. UU. activó la "Regla de Sahm", un indicador de recesión basado en el aumento del desempleo. Dos datos. Ninguno, por sí solo, catastrófico.

Pero debajo de esos titulares había una apuesta masiva y apalancada que se había estado gestando durante más de una década: el carry trade del yen.

Aquí está la versión corta. Japón mantuvo las tasas de interés cerca de cero durante años. La Reserva Federal de EE. UU. subió las tasas al 5,5%. Así que los fondos de cobertura, los inversores institucionales, e incluso los traders minoristas pidieron préstamos baratos en yenes y vertieron ese dinero en activos de mayor rendimiento: acciones tecnológicas de EE. UU., mercados emergentes, criptomonedas. El diferencial de tasas de interés era dinero gratis, siempre que el yen se mantuviera débil.

La teoría económica dice que esto no debería funcionar. La paridad de tasas de interés predice que los movimientos del tipo de cambio deberían compensar la ganancia de la tasa de interés. Pero en la práctica, existe una anomalía bien documentada llamada el rompecabezas de la prima a plazo: las monedas con altas tasas de interés tienden a apreciarse a corto plazo, haciendo que el carry trade sea aún más rentable. Así que la posición creció. Y creció.

Cuando el BOJ subió las tasas y el yen se fortaleció un 7,7% en una sola semana, el "carry" se convirtió en una pérdida. Llegaron las llamadas de margen. El desapalancamiento fue violento.

Pero aquí está lo que me molesta: los desencadenantes macro explican quizás la mitad de la historia. La magnitud—la velocidad, el contagio, la pérdida de un billón de dólares— fue algorítmica.

El indicador de miedo estaba mintiendo

Esta es la parte que todavía me quita el sueño.

El VIX, que todos tratan como la medida definitiva del miedo en el mercado, no se calcula a partir de los precios de las transacciones reales. Se deriva de las cotizaciones medias de las opciones del S&P 500, el punto medio entre lo que ofrecen los compradores y lo que piden los vendedores.

Durante las horas previas al mercado del 5 de agosto, la liquidez se secó. Los creadores de mercado ampliaron sus diferenciales de oferta y demanda para protegerse. Como los precios de las opciones no pueden bajar de cero y las ofertas mínimas a menudo se fijan en unos 5 centavos, esta ampliación del diferencial empujó mecánicamente la cotización media hacia arriba. El VIX subió un 180% incluso antes de que abriera el mercado.

El VIX no se disparó porque el miedo fuera un 180% mayor. Se disparó porque la liquidez era un 180% menor. Y miles de algoritmos no pudieron notar la diferencia.

Fondos de control de volatilidad, asesores de comercio de materias primas (CTA)... estos sistemas están programados para vender acciones cuando aumenta la volatilidad implícita. Vieron el número del VIX. Vendieron. Sus ventas impulsaron los precios aún más a la baja, lo que activó a más algoritmos para vender, lo que hizo subir el VIX aún más.

Fue un bucle de retroalimentación construido sobre un artefacto de medición. El "indicador de miedo" estaba en parte midiendo su propio reflejo.

Mencioné esto durante una reunión de equipo la semana siguiente, y uno de nuestros científicos de datos mostró un análisis del Banco de Pagos Internacionales que confirmaba exactamente este mecanismo. Recuerdo que la sala se quedó en silencio. Habíamos estado construyendo sistemas neuro-simbólicos para clientes empresariales (cumplimiento tributario, logística de construcción), pero este fue el momento en que me di cuenta de que la misma falla arquitectónica estaba en el corazón de las finanzas globales.

¿Por qué los sistemas de IA "inteligentes" no detectaron esto?

La gente siempre me pregunta esto. Si la IA es tan poderosa, ¿por qué no evitó la caída? ¿Por qué los algoritmos de trading no reconocieron la anomalía del VIX?

Porque no fueron diseñados para hacerlo. Fueron diseñados para reaccionar a las señales, no para razonar sobre ellas.

La mayoría de los sistemas de trading impulsados por IA hoy en día son lo que yo llamo envolturas probabilísticas. Son interfaces delgadas construidas sobre grandes modelos de lenguaje o motores de predicción estadística. Son muy buenos para el reconocimiento de patrones: encontrar correlaciones en datos históricos, predecir movimientos de precios a corto plazo. Pero no tienen un modelo interno de por qué suceden las cosas.

Un sistema probabilístico entrenado con datos históricos del VIX aprenderá: "Cuando el VIX supera 40, vende acciones". Esa es una heurística útil en mercados normales. El 5 de agosto, fue gasolina al fuego. El sistema no pudo preguntar: "Espera, ¿este pico del VIX está impulsado por la volatilidad realizada o por un artefacto de medición basado en cotizaciones en un entorno de baja liquidez?" Esa pregunta requiere razonamiento causal. Requiere comprender la microestructura del mercado. Requiere lo que llamamos lógica determinista, y los modelos probabilísticos no la tienen.

Una vez un inversor me dijo rotundamente: "Solo usa GPT. Ajústalo con datos del mercado". Intenté explicar que un modelo de lenguaje que predice el siguiente token probable es fundamentalmente diferente de un sistema que puede hacer cumplir la restricción "no ejecutar una orden de venta desencadenada por una lectura del VIX que diverja más de 3 desviaciones estándar de la volatilidad realizada". Me miró como si estuviera complicando demasiado las cosas.

El 5 de agosto fue la refutación de un billón de dólares.

¿Qué significa realmente "IA Profunda" para los mercados?

En Veriprajna, usamos el término "IA Profunda" para distinguir lo que construimos de la ola de envolturas de IA que inundan el mercado. No es un término de marketing, es un compromiso arquitectónico. Escribí sobre esta filosofía en profundidad en la versión interactiva de nuestra investigación, pero la idea central es esta:

Las redes neuronales son para la percepción. La lógica simbólica es para la verdad.

Lo llamamos el "sándwich neuro-simbólico". Una red neuronal ingiere datos: flujos de precios, noticias, dinámica de la cartera de pedidos. Es excelente en esto. El reconocimiento de patrones es para lo que nacieron las redes neuronales. Pero antes de que esa salida neuronal llegue a cualquier capa de toma de decisiones, pasa a través de un motor de restricciones simbólicas, una capa determinista que hace cumplir reglas inmutables.

Esas reglas no se aprenden de los datos. Se codifican explícitamente. Requisitos de margen. Umbrales de liquidez. Restricciones regulatorias. Lógica temporal: la comprensión de que una decisión de tipos del BOJ en julio es causalmente previa a una llamada de margen en agosto, incluso si aparecen en fragmentos de datos diferentes.

En un sistema neuro-simbólico, la verdad no es una probabilidad estadística. Es una certeza verificada y respaldada por la lógica. La red neuronal dice "este patrón parece una señal de venta". La capa simbólica pregunta "¿esta señal de venta viola alguna restricción que sepamos que es cierta?" Si es así, la señal se bloquea. Sin negociación.

Esto no es teórico. Hemos construido estos motores de restricciones para el cumplimiento fiscal, donde un agente de IA literalmente no puede recomendar una posición de declaración que viole la ley estatutaria, por muy convincente que sea la indicación. La misma arquitectura se aplica al trading: un agente que no puede ejecutar una operación desencadenada por una lectura del VIX que puede identificar como anómala.

¿Por qué fallan los sistemas de IA actuales en esto?

Hay un modo de fallo técnico específico que explica gran parte de lo que salió mal el 5 de agosto, y es el mismo modo de fallo que veo en casi todos los productos financieros "impulsados por IA" en el mercado.

Se llama RAG ingenuo (Generación Aumentada por Recuperación). La idea es simple: tomar un gran modelo de lenguaje, conectarlo a una base de datos de documentos (informes de mercado, noticias, presentaciones) y permitirle recuperar el contexto relevante antes de generar una respuesta.

El problema es cómo se selecciona el "contexto relevante". La mayoría de los sistemas RAG dividen los documentos en fragmentos de tamaño fijo, los convierten en vectores numéricos y recuperan los fragmentos que son más matemáticamente similares a la consulta. Esto crea tres puntos ciegos catastróficos:

Ceguera temporal. Un fragmento sobre un "colapso del mercado" de 2010 y un fragmento sobre un "colapso del mercado" de 2024 se ven casi idénticos como vectores. El modelo no puede distinguir entre un evento histórico y uno en desarrollo. El 5 de agosto, las herramientas de análisis de noticias de IA confundían las respuestas políticas de hace una década con las condiciones en tiempo real.

Fragmentación narrativa. La fragmentación destruye el hilo de una historia en desarrollo. La decisión sobre las tasas del BOJ, la apreciación del yen y la llamada de margen de un fondo de cobertura son tres fragmentos separados en tres artículos separados. La IA no puede conectarlos.

Fallo de razonamiento multisalto. El colapso del carry trade requirió una lógica transitiva: el BOJ subió las tasas → el yen se fortaleció → las posiciones de carry trade dejaron de ser rentables → la venta forzada golpeó las acciones tecnológicas estadounidenses → el VIX se disparó → los fondos de volatilidad vendieron más. Esa es una cadena causal de seis pasos. El RAG ingenuo no puede hacerlo.

Reemplazamos esto con gráficos de conocimiento, mapas explícitos de las relaciones entre los actores económicos, las monedas, los instrumentos y los organismos reguladores. Cuando una decisión de tasas del BOJ ingresa al sistema, el gráfico de conocimiento ya sabe que está conectado a las posiciones de carry trade del yen, que están conectadas a la exposición a acciones de EE. UU., que está conectada a los fondos sensibles al VIX. El razonamiento es estructural, no estadístico.

¿Cómo modelas el contagio antes de que suceda?

Aquí es donde las redes neuronales de grafos (GNN, por sus siglas en inglés) cambiaron mi forma de pensar sobre el riesgo financiero.

Los modelos de riesgo tradicionales tratan los activos como puntos de datos independientes o utilizan matrices de correlación estáticas. Esas matrices se calibran durante mercados en calma. Durante un colapso repentino, las correlaciones se disparan a 1 (todo se vende junto) y el modelo se rompe.

Una GNN trata al mercado como lo que realmente es: una red. Los nodos son activos. Los bordes son la intensidad del flujo de información entre ellos. El Nikkei 225 está conectado a USD/JPY, que está conectado a Nvidia, que está conectada al VIX. La GNN aprende no solo el estado de cada nodo, sino cómo se propagan los choques a través de los bordes.

Nuestra investigación muestra que las GNN logran un error cuadrático medio de 0,0025 y un error cuadrático medio de 0,050 en la predicción de volatilidad, superando significativamente a las redes neuronales recurrentes tradicionales e incluso a los Transformers. La razón es estructural: las GNN capturan interacciones multisalto. Pueden identificar que un shock en el yen se propagará a través de posiciones de carry trade a las acciones tecnológicas estadounidenses antes de que el movimiento de precios aparezca en la serie temporal.

Pero (y esta es la parte que importa) no dejamos que la GNN actúe sola. Su salida alimenta la capa de restricciones simbólicas. La GNN dice "la probabilidad de contagio del JPY al Nasdaq es elevada". El motor simbólico verifica: "¿Están las posiciones actuales de carry trade por encima del umbral codificado en nuestras reglas de riesgo? ¿El comportamiento del VIX es consistente con la volatilidad realizada, o es una anomalía basada en cotizaciones?" Solo después de pasar ambos controles, el sistema genera una recomendación.

Una GNN sin restricciones simbólicas es un botón de pánico muy preciso. Una GNN con restricciones simbólicas es un sistema de gestión de riesgos.

Para el desglose técnico completo de esta arquitectura, incluidos los marcos de aprendizaje de refuerzo que utilizamos para los agentes comerciales conscientes del margen, consulte nuestro artículo de investigación.

El problema de la caja negra no es solo técnico, es legal

Aquí hay algo que no recibe suficiente atención: los reguladores vienen a por la IA opaca.

La CFTC y la SEC se centran cada vez más en la transparencia del trading algorítmico. Una caja negra que ejecuta una orden de venta de 100 millones de dólares y no puede explicar por qué, no es solo un riesgo técnico; es una responsabilidad de cumplimiento. El Banco de Pagos Internacionales ha publicado directrices explícitas sobre cómo los reguladores deben abordar la explicabilidad de la IA en los mercados financieros.

Construimos la explicabilidad en la arquitectura desde el principio. Nuestra capa de restricciones simbólicas es inherentemente interpretable: puedes rastrear cada decisión hasta la regla específica que la permitió o la bloqueó. Para los componentes neuronales (las GNN, los agentes de aprendizaje por refuerzo), aplicamos técnicas post-hoc: valores SHAP que muestran qué variables impulsaron una predicción, explicaciones contrafactuales que muestran cómo una entrada diferente habría cambiado la salida.

Tuve una conversación con un oficial de cumplimiento en un fondo de tamaño mediano que me dijo que su sistema actual de trading con IA genera recomendaciones que no pueden auditar. "Simplemente confiamos en él", dijo. "Hasta que se equivoca, y luego tenemos que explicar a la junta por qué confiamos en él".

Esa es la crisis de cumplimiento en una sola oración. Y es por eso que alineamos cada implementación con el Marco de Gestión de Riesgos de IA del NIST, no como un ejercicio de casilla de verificación, sino como una arquitectura operativa. Los cuatro pilares del marco (Gobernar, Mapear, Medir, Gestionar) se corresponden directamente con la forma en que construimos: políticas de supervisión integradas en el sistema, mapeo de riesgos de cada dependencia de datos, medición continua de la deriva del modelo e interruptores deterministas para cuando el sistema detecta que está operando fuera de su rango confiable.

¿Qué pasa con el argumento de "solo agregue más datos"?

La gente rechaza el enfoque neuro-simbólico. Dicen: "Si los modelos probabilísticos fallaron el 5 de agosto, la respuesta es mejores modelos probabilísticos. Más datos de entrenamiento. Ventanas de contexto más grandes. Ajuste en escenarios de crisis".

Entiendo el atractivo. Es más simple. Se ajusta a la cadena de herramientas actual. Y está mal.

El desenlace del carry trade de agosto de 2024 fue un evento novedoso. La combinación específica de una subida de tipos del BOJ, un desencadenante de la regla de Sahm, una anomalía en la cotización del VIX y el desenlace simultáneo de una posición apalancada de varios billones de dólares: esa configuración exacta nunca había sucedido antes. Ninguna cantidad de datos históricos de entrenamiento la contiene.

Los modelos probabilísticos extrapolan del pasado. Los motores de restricciones deterministas codifican las reglas que gobiernan el presente. Las reglas de los requisitos de margen no cambian durante una crisis. La mecánica del cálculo del VIX no cambia durante una crisis. La relación causal entre los diferenciales de tipos de interés y la rentabilidad del carry trade no cambia durante una crisis. Estas son las cosas que una capa simbólica puede imponer, independientemente de si el escenario específico se ha visto antes.

No se puede entrenar para salir de una crisis novedosa. Solo se puede razonar para salir de ella, y el razonamiento requiere una estructura que los modelos probabilísticos no tienen.

La era de la envoltura ha terminado

He pasado los últimos años viendo cómo la industria de la IA construye fachadas cada vez más elaboradas sobre las mismas bases probabilísticas. Interfaces delgadas sobre GPT-4. Paneles de control "impulsados por IA" que en realidad son solo plantillas de indicaciones que consultan una API. El mundo de la consultoría llama a esto "soluciones de IA". Yo las llamo envolturas sobre arenas movedizas.

El 5 de agosto de 2024 fue el día en que las arenas movedizas se movieron. Un billón de dólares desapareció no porque los fundamentos colapsaran, sino porque los algoritmos no podían razonar sobre el mundo en el que operaban. No podían distinguir un artefacto de liquidez del miedo genuino. No podían rastrear una cadena causal de seis pasos desde Tokio a Wall Street. No podían verificar sus propios resultados frente a la mecánica básica de cómo se calcula el VIX.

Nosotros construimos sistemas que pueden. No porque seamos más inteligentes, sino porque hemos tomado una decisión arquitectónica diferente. Elegimos tratar a la IA no como un motor de predicción que ocasionalmente tiene suerte, sino como un sistema de ingeniería donde cada resultado se verifica contra una lógica explícita y auditable.

La fiebre del oro de la IA recompensó la velocidad. La próxima era recompensará la verdad. Y la verdad, en cualquier dominio que importe (finanzas, derecho, medicina, infraestructura), requiere más que probabilidad. Requiere pruebas.

Eso no es una cobertura. Esa es una base.