Te explicaré cómo construir el enjambre de agentes de IA que reemplaza a un equipo completo de investigación cuantitativa.
Vamos directo al grano.
Guarda esto
- Soy Roan, desarrollador backend especializado en diseño de sistemas, ejecución estilo HFT y sistemas de trading cuantitativo. Mi trabajo se centra en cómo se comportan realmente los mercados de predicción bajo carga. Para sugerencias, colaboraciones reflexivas o asociaciones, los DM están abiertos.
En mi último artículo dije que guiaría personalmente a las primeras 20 personas que estuvieran construyendo un sistema cuantitativo de IA. Lo decía en serio.
Cuatro constructores ya están inmersos en el proceso conmigo. Uno de ellos está ejecutando el bucle completo del fondo de cobertura auto-mejorable mientras hablamos.
La oferta sigue en pie.
Si estás construyendo un sistema de investigación de alfa, a punto de empezar, o incluso solo pensando en ello, responde debajo de este artículo o envíame un DM con tu configuración actual. Revisaré tu arquitectura personalmente y te mostraré la brecha entre lo que tienes y un enjambre que caza alfa por sí solo.
Si no respondo, no estabas entre los primeros 20. Muévete rápido.
La mayoría de los cuants siguen cazando alfa igual que hace una década.
Leen un paper. Abren un Jupyter notebook. Ingenierizan algunas características. Ejecutan un backtest. Entrecierran los ojos ante el ratio Sharpe. Pasan a la siguiente idea.
Ellos son el pipeline.
Cada etapa de la investigación son ellos, sentados frente a una pantalla, ejecutando una hipótesis a la vez.
Los constructores cuantitativos más inteligentes del planeta han dejado de hacer eso.
Construyen enjambres. Cada agente en el enjambre posee una etapa de la investigación. Los agentes trabajan en paralelo. El enjambre funciona continuamente. Nuevo alfa aparece cada mañana mientras ellos duermen.
Boris Cherny, el jefe de Claude Code en Anthropic, lo dijo hace dos semanas. "Ya no le doy instrucciones a Claude. Tengo bucles ejecutándose que le dan instrucciones a Claude y descubren qué hacer. Mi trabajo es escribir bucles."
Esa sola frase redefinió cómo todos los constructores serios del planeta piensan sobre la IA.
Para la investigación cuantitativa lo cambia todo.
Porque la investigación de alfa ya es un pipeline. Leer el paper. Extraer la hipótesis. Ingenierizar las características. Hacer backtest con 20 años de datos. Verificar la significancia. Verificar si la señal sobrevive a través de regímenes. Descomponer contra cada factor conocido.
Cada fondo serio en Wall Street ejecuta ese pipeline exacto. Renaissance lo ejecuta con 100 doctores. Two Sigma lo ejecuta con 200. Citadel lo ejecuta con más.
La única diferencia es que ellos necesitan cientos de humanos sentados dentro del pipeline. Tú no.
Un enjambre de agentes de IA puede ejecutar cada etapa de ese pipeline por ti. Cada agente especializado. Cada agente ejecutándose en el modelo que se ajusta a su complejidad. Todos funcionando 24/7 en paralelo.
He estado construyendo este enjambre los últimos días.
Lee nuevos papers de investigación durante la noche. Estudia las matemáticas dentro de ellos. Extrae la hipótesis exacta que se afirma. Ingenieriza las características requeridas. Hace backtest de la señal contra 20 años de historia. Ejecuta el rigor estadístico. Verifica el sobreajuste. Señala cualquier cosa que solo funcione en un régimen de mercado.
Al final de este artículo conocerás la arquitectura exacta de un enjambre de investigación de alfa de seis agentes.
Conocerás la herramienta que te permite construirlo en un fin de semana sin escribir tu propio framework de agentes desde cero.
Y conocerás los cinco modos de fallo que matan el 90 por ciento de los intentos minoristas.
Vamos a ello.
Parte 1: Qué es Realmente un Enjambre
Un prompt es una pregunta. Preguntas, el modelo responde una vez y se detiene.
Un bucle es un trabajo. El agente sigue trabajando, verifica su propio progreso y continúa hasta que la tarea está realmente terminada.
Un enjambre son muchos bucles ejecutándose en paralelo. Cada bucle es un especialista. Cada especialista posee una etapa del pipeline. La salida de uno alimenta la entrada del siguiente.
Ese es el modelo mental completo.
Si has usado Claude Code, Cursor o Codex, has usado un bucle sin saberlo. El agente llama a un modelo, el modelo elige una acción, la acción se ejecuta, el resultado vuelve al modelo y se repite hasta que se cumple el objetivo.
El bucle es lo que convierte a un agente en un agente en lugar de una respuesta única.
Un enjambre es lo que convierte a un equipo de investigación en un equipo de investigación en lugar de un investigador escribiendo.
Parte 2: La Herramienta Que Ejecuta el Enjambre
Podrías intentar construir esto tú mismo con scripts de Python que llamen a diferentes APIs.
Lo intenté. Se rompe en el momento en que un agente necesita esperar a otro. Se rompe en el momento en que necesitas que el estado persista entre ciclos. Se rompe en el momento en que quieres ejecutar seis bucles en paralelo en diferentes modelos.
Terminas construyendo tu propio framework de agentes desde cero en lugar de hacer investigación.
Entonces encontré Slate.
Slate es un arnés de codificación de IA construido por @wearerandomlabs. Se ejecuta en tu terminal. Distribuye cualquier tarea en un enjambre de subagentes a través de tu código base. Elige cualquier modelo que quieras en cualquier paso. Tu suscripción existente funciona.
La razón por la que lo uso para este enjambre es una capacidad que acaban de lanzar llamada Programs.
Un Program es un bucle escrito en JavaScript que Slate ejecuta por ti.
Un prompt se ejecuta una vez y se detiene. Un Program es un bucle diseñado. Se ejecuta continuamente. Mantiene el estado entre ejecuciones. Sigue adelante hasta que la tarea está hecha.
Tú decides qué sucede en cada paso. Qué modelo maneja qué paso. Qué verifica el bucle antes de continuar. Cuándo se detiene.
No escribes el Program solo. Le dices a Slate lo que quieres y él redacta el bucle contigo, paso a paso. Guarda el bucle. Lo ejecuta. Sigue ejecutándolo.
Debido a que el bucle es código, puede mantener estado, interactuar con tu código base, acceder a APIs externas, publicar en Slack y orquestar múltiples subagentes en paralelo en cualquier combinación de modelos que elijas. Modelo de peso abierto barato para el trabajo fácil. Modelo frontera para el razonamiento difícil. Lo que se ajuste al paso.
Para un enjambre de investigación de seis agentes, esta es exactamente la capa que solía faltar.
Puedes encontrar Slate en https://randomlabs.aihttps://randomlabs.ai/). Está disponible hoy.
Ahora déjame mostrarte el enjambre.
Parte 3: Los Seis Agentes
Cada fondo cuantitativo serio ejecuta las mismas seis etapas de investigación.
Aquí está el enjambre que las reemplaza.
Agente 1: El Generador de Ideas.
Lee nuevos papers de investigación de arXiv q-fin, SSRN y revistas financieras cada noche.
Estudia el modelo matemático que propone cada paper. Extrae la hipótesis exacta que se afirma, los datos requeridos y la dirección de la señal predicha.
Escribe cada hipótesis como un ticket de investigación estructurado que el siguiente agente pueda recoger.
Se ejecuta en un modelo rápido y rentable porque la tarea es extracción estructurada de alto volumen.
Agente 2: El Ingeniero de Características.
Toma un ticket de hipótesis. Extrae los datos requeridos de la base de datos de precios o fundamentales.
Construye el vector de características. Estandariza en toda la sección transversal. Maneja observaciones faltantes, valores atípicos más allá de tres desviaciones estándar y sesgo de mirar hacia adelante.
Genera un dataframe limpio listo para backtesting.
Agente 3: El Backtester.
Toma el vector de características. Construye reglas de construcción de cartera. Ejecuta el backtest histórico a lo largo de 20 años de datos con costos de transacción realistas, costos de préstamo en el lado corto y deslizamiento.
Genera ratio Sharpe, drawdown máximo, rotación y estimaciones de capacidad.
Agente 4: El Validador.
Aquí es donde vive el rigor.
Toma el resultado del backtest. Ejecuta estadísticos t ajustados de Newey-West para corregir la autocorrelación en la serie de retornos. Ejecuta remuestreo bootstrap con 10,000 iteraciones para verificar si el Sharpe es real o un artefacto de la muestra.
Señala cualquier señal que no supere los umbrales de significancia. Elimina cualquier cosa con una degradación dentro de muestra vs. fuera de muestra superior al 30 por ciento, porque eso es sobreajuste.
Se ejecuta en un modelo de razonamiento más fuerte. El creador nunca valida su propio trabajo. Nunca.
Agente 5: El Auditor de Regímenes.
Toma las señales que pasaron la validación. Segmenta la historia de 20 años por régimen (identificado mediante un Modelo Oculto de Márkov sobre volatilidad y retornos).
Recomputa Sharpe, drawdown y tasa de aciertos dentro de cada régimen. Elimina cualquier cosa que solo funcione en un régimen, porque eso es sincronización de regímenes disfrazada de alfa.
Agente 6: El Descomponedor de Factores.
Toma las señales robustas a regímenes. Las regresa contra el modelo de cinco factores de Fama-French más el momento de Carhart más un factor de baja volatilidad.
Reporta el alfa residual (la intersección de la regresión) y su estadístico t.
Solo las señales donde el alfa residual sobrevive a la descomposición de factores son alfa nuevo genuino. Todo lo demás es momento reempaquetado o valor reempaquetado con pasos adicionales.
Seis agentes. Cada uno posee una etapa. Pasan sus salidas hacia abajo en la cadena.
un Program de Slate. seis agentes especializados. se ejecuta cada 24 horas.
Todo el enjambre se ejecuta en un Program de Slate que se activa cada 24 horas.
Parte 4: Cómo Construirlo Paso a Paso
Aquí está la construcción exacta. Síguela y tendrás el enjambre funcionando para el final del día.
Paso 1: Instalar Slate
Abre tu terminal y ejecuta:
1npm install -g @randomlabs/slate
Slate se instala como una CLI global en menos de 30 segundos.
Luego crea el directorio del proyecto:
1mkdir alpha-swarm2cd alpha-swarm3slate init
slate init crea la estructura del proyecto con las carpetas que necesitas para estado, Programs y proveedores.
Paso 2: Conectar Tus Modelos
Ejecuta:
1slate /providers
Esto abre la pantalla de configuración de proveedores dentro de la CLI de Slate. Conecta los modelos que quieras usar.
Para este enjambre uso Sonnet en los agentes rápidos (generación de ideas, ingeniería de características, backtesting, auditoría de regímenes) y Opus en los agentes con carga de razonamiento (validación y descomposición de factores).
Paso 3: Redactar el Program
Inicia Slate:
1slate
Luego, en la CLI de Slate, escribe:
redáctame un program que ejecute seis agentes de investigación en secuencia: generador de ideas, ingeniero de características, backtester, validador, auditor de regímenes, descomponedor de factores. ejecútalo cada 24 horas. usa sonnet para los agentes rápidos y opus para validación y descomposición de factores.
Slate redacta el Program contigo. Hace preguntas aclaratorias. Qué fuente de datos. Qué ventana de backtest. Qué umbral de Sharpe. Qué clasificador de regímenes. Respondes en lenguaje natural. Slate escribe el JavaScript.
Así es como se ve el bucle una vez escrito:
1export default async function alphaSwarm(slate) {2 while (true) {3 // Stage 1: read papers, extract hypotheses4 const hypotheses = await slate.agent('idea-generator', {5 model: 'sonnet',6 task: 'Read arXiv q-fin and SSRN from the last 24 hours. Extract 10 alpha hypotheses with claimed direction, required data, and paper reference.',7 state: slate.state.get('tested-hypotheses')8 });910 // Stage 2: feature engineering, in parallel per hypothesis11 const features = await Promise.all(12 hypotheses.map(h => slate.agent('feature-engineer', {13 model: 'sonnet',14 task: `Build the feature vector for: ${h.claim}. Standardize cross-section. Handle look-ahead.`,15 data: slate.tools.priceData()16 }))17 );1819 // Stage 3: 20-year backtest with realistic costs20 const backtests = await Promise.all(21 features.map(f => slate.agent('backtester', {22 model: 'sonnet',23 task: 'Run 20-year backtest. Include transaction costs of 5bps per trade and shorting costs.',24 features: f25 }))26 );2728 // Stage 4: statistical validation on the reasoning model29 const validated = await Promise.all(30 backtests.map(b => slate.agent('validator', {31 model: 'opus',32 task: 'Newey-West t-stat above 2.5. Bootstrap 10k. Reject if IS/OOS Sharpe degrades more than 30 percent.',33 backtest: b34 }))35 );3637 // Stage 5: regime segmentation via HMM38 const regimeChecked = await Promise.all(39 validated40 .filter(v => v.passed)41 .map(v => slate.agent('regime-auditor', {42 model: 'sonnet',43 task: 'Fit 3-state HMM on volatility and returns. Recompute Sharpe per regime. Reject if only one regime works.',44 result: v45 }))46 );4748 // Stage 6: factor decomposition to isolate residual alpha49 const finalSignals = await Promise.all(50 regimeChecked51 .filter(r => r.passed)52 .map(r => slate.agent('factor-decomposer', {53 model: 'opus',54 task: 'Regress against Fama-French 5 + Carhart momentum + low-vol. Report residual alpha and t-stat.',55 result: r56 }))57 );5859 // Persist, notify, sleep60 await slate.state.set('final-signals', finalSignals);61 await slate.state.append('tested-hypotheses', hypotheses);62 await slate.notify.slack('research', `${finalSignals.length} new signals survived all six stages today.`);63 await slate.sleep('24h');64 }65}
Ese es todo el enjambre. Un archivo. Seis agentes. Se ejecuta para siempre.
Paso 4: Ejecutar el Enjambre
Guarda el archivo y ejecuta:
1slate run alpha-swarm.js
En el momento en que presiones enter, Slate inicia el bucle. Los seis agentes se activan en secuencia.
La ingeniería de características se ejecuta en paralelo para cada hipótesis. Los backtests se ejecutan en paralelo. La validación se ejecuta en el modelo más fuerte.
Puedes ver cada agente trabajando desde la CLI de Slate en tiempo real. Cada agente muestra su estado, su tarea actual y su progreso.
[Captura de pantalla 4: Terminal mostrando el enjambre ejecutándose con múltiples agentes activos en paralelo, indicadores de progreso visibles para cada etapa.]
El primer ciclo tarda de 20 a 40 minutos dependiendo de cuántas hipótesis produzca la etapa uno.
Al final, Slate publica los supervivientes en tu canal de Slack con sus ratios Sharpe, drawdowns y alfa residual. Luego duerme hasta mañana.
Paso 5: Iterar
La primera versión del bucle nunca es la final.
El generador de ideas producirá duplicados. Escribe en Slate:
añade una verificación contra el historial de estado para que solo proponga hipótesis que no hayamos probado en los últimos 30 días.
El validador rechazará señales que crees que deberían haber pasado. Escribe:
afloja el umbral de Sharpe a 1.2 pero ajusta el umbral máximo de drawdown al 8 por ciento.
Slate actualiza el Program por ti. El siguiente ciclo usa la nueva lógica. Cada mejora se acumula en el archivo de estado, y con el tiempo el enjambre se vuelve más preciso porque recuerda todo lo que ya ha probado y todo lo que ya ha rechazado.
Parte 5: Cómo Esto Reemplaza Realmente a un Equipo de Investigación
Tres patrones cubren cada implementación real.
Patrón 1: Descubrimiento nocturno.
El enjambre se ejecuta de 8 PM a 8 AM. Cada mañana te despiertas con dos o tres señales que sobrevivieron las seis etapas.
Tu trabajo se convierte en revisar los supervivientes en lugar de ejecutar el pipeline tú mismo.
Patrón 2: Modo de ráfaga de hipótesis.
Se publica un nuevo paper. Una nueva fuente de datos está disponible. Activas el enjambre bajo demanda y obtienes 100 hipótesis probadas esa misma tarde.
Un investigador humano prueba dos en el mismo tiempo.
Patrón 3: Monitoreo de decaimiento de alfa.
El enjambre vuelve a ejecutar las señales validadas cada semana con datos nuevos. En el momento en que el Sharpe de una señal cae por debajo del umbral, señala el decaimiento.
Reduces la exposición antes de que se acumule el drawdown.
Cada patrón reemplaza una función específica que solía requerir un doctorado. Juntos reemplazan la mayor parte de lo que un equipo de investigación hace día a día.
Parte 6: Cinco Modos de Fracaso Que Matan el 90 Por Ciento de los Intentos Minoristas
Fracaso 1: Saltarse el validador.
Obtendrás 100 señales con hermosos ratios Sharpe y ningún rigor. Cada una es minería de datos disfrazada.
El validador no es negociable. Usa tu modelo más fuerte. Establece umbrales de rechazo duros. Nunca permitas que el creador valide su propio trabajo.
Fracaso 2: Sin persistencia de estado.
Un enjambre sin memoria prueba la misma hipótesis fallida todos los días.
Cada señal rechazada debe registrarse con la razón exacta del rechazo para que ningún agente desperdicie tokens en el mismo fracaso dos veces.
Fracaso 3: Sin división creador-verificador.
El agente que generó la hipótesis es el peor juez posible de si es alfa real.
Divide al creador y al verificador entre diferentes agentes en diferentes modelos. Renaissance hace esto. Two Sigma hace esto. Citadel hace esto. Tu enjambre también debería.
Fracaso 4: Un agente haciendo todo.
En el momento en que intentas que un agente genere, diseñe, haga backtest y valide, la calidad colapsa.
La especialización es lo que hace funcionar al enjambre. Cada agente hace una cosa perfectamente.
Fracaso 5: Sin condición de parada en el bucle.
Un bucle sin una parada real falla en silencio. El agente emite una señal de finalización creyendo que el trabajo está hecho. Los resultados incorrectos permanecen sin corregir.
Cada condición de parada debe ser verificable por algo diferente a la propia afirmación del agente. "Sharpe por encima de 1.5 en las últimas 30 operaciones fuera de muestra." "Drawdown por debajo del 5 por ciento." Nunca "el agente dice que está hecho."
Respeta estos cinco y el enjambre produce resultados de investigación de nivel institucional.
Resumen
La investigación de alfa ya es un pipeline. Seis etapas. Leer papers. Ingenierizar características. Hacer backtest. Validar. Verificar regímenes. Descomponer contra factores.
Cada fondo serio lo ejecuta con 100 doctores.
Un enjambre de seis agentes de IA especializados ejecuta cada etapa por ti. Cada agente elige el modelo que se ajusta a su complejidad. Todo el enjambre se ejecuta en un Program de Slate que se activa cada 24 horas.
Programs de Slate es la capa que hace que esto sea realmente entregable en un fin de semana en lugar de seis meses.
Redacta el bucle contigo. Guarda el bucle. Ejecuta el bucle. Lo ejecuta para siempre.
Dejas de ser el pipeline. Te conviertes en el arquitecto.
El foso de infraestructura es real. El foso de investigación está muerto.
Ese es el punto.
Si quieres probarlo, regístrate en
https://randomlabs.ai y sigue a
@wearerandomlabs para el lanzamiento.
En mi artículo anterior sobre ingeniería de bucles, desglosé cómo la misma arquitectura se conecta a un sistema de trading auto-mejorable completo que ejecuta operaciones por sí solo. Si aún no lo has leído, léelo justo después de este.
Este enjambre es la mitad de investigación de ese sistema.
https://x.com/RohOnChain/status/2069056530960490835
Los fondos que construyan esto primero se acumularán durante la próxima década.
Los que aún ejecutan una hipótesis a la vez se quedarán atrás.
Así que aquí está la pregunta para reflexionar.
¿Eres el investigador que aún prueba una hipótesis a la semana, o eres el arquitecto que construyó el enjambre que prueba cien cada noche mientras duermes?
No hay respuesta incorrecta. Pero las hay muy reveladoras.
