Inteligencia Fría: Algoritmos de Reinforcement Learning en el High-Frequency Trading ¿Eficiencia Cuántica o Caos Sistémico? El Dilema Ético de la IA Financiera
Cold Intelligence: Reinforcement Learning Algorithms in High-Frequency Trading – Quantum Efficiency or Systemic Chaos? The Ethical Dilemma of Financial AI
DOI:
https://doi.org/10.56712/latam.v6i2.3880Palabras clave:
riesgo sistémico, ética algorítmica, transparencia financieraResumen
La investigación examinó amenazas en mercados globales, donde tecnología y desinformación exacerban vulnerabilidades: activos con baja liquidez, como Electroneum (ETN), experimentan alteraciones del 20% con transacciones mínimas (5,000USD), información falsa sintética infla valores artificialmente (relación r=0.91) y operaciones masivas (ej: 450M en Bitcoin reducen cotizaciones un 15%). El objetivo central fue analizar cómo la inteligencia artificial (IA) puede contrarrestar estos fenómenos mediante sistemas avanzados (redes convolucionales, proyecciones GARCH) y marcos normativos éticos. La estrategia metodológica combinó evaluaciones numéricas simulaciones de estrés (VaR del 25.1%), marcos predictivos con enfoques cualitativos consultas a reguladores, restricciones operativas (1,000 por algoritmo),superando obstáculos como opacidad en datos y parcialidad algorítmica. Los hallazgos revelaron contrastes: 1) La IA mitiga crisis, con alertas precoces que acortan ventanas de manipulación de 120 a 22 minutos (NLP con 97.31,000 por algoritmo), superando obstáculos como opacidad en datos y parcialidad algorítmica. Los hallazgos revelaron contrastes: 1) La IA mitiga crisis, con alertas precoces que acortan ventanas de manipulación de 120 a 22 minutos (NLP con 97.320M/15min; 2) Subsisten dilemas éticos, como códigos opacos que perpetúan sesgos, demandando verificaciones continuas (ej: Chainalysis) y normativas globales. Así, el estudio evidencia que la estabilidad económica no solo requiere innovación, sino códigos que prioricen claridad y equidad mediante indicadores medibles (ej: relación reducida a r=0.12). La conclusión subraya que, sin principios ejecutables —donde IA y regulación cooperen—, los mercados fluctúan entre avance y riesgo sistémico.
Descargas
Citas
Alpaydin, E. (2020). Introduction to machine learning (5th ed.). MIT Press.
Amodei, D., Olah, C., Steinhardt, J., Christiano, P., Schulman, J., & Mané, D. (2016). Concrete problems in AI safety. arXiv. https://arxiv.org/abs/1606.06565
Ardia, D., Bluteau, K., Boudt, K., & Inghelbrecht, K. (2021). Natural language processing in finance: A review. Journal of Economic Surveys, 35(4), 1040–1074. https://doi.org/10.1111/joes.12377 DOI: https://doi.org/10.1111/joes.12377
Asana. (2024). El estado de la gestión ágil: Tendencias globales 2024. Asana Inc.
Bhatia, S., & Singh, P. (2022). Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances. Expert Systems with Applications, 193, 116429. https://doi.org/10.1016/j.eswa.2021.116429 DOI: https://doi.org/10.1016/j.eswa.2021.116429
Binance. (2023). Electroneum Price Prediction 2023-2032: Is ETN a Good Investment? Binance Square. Recuperado de https://www.binance.com/en/square/post/281034
Brynjolfsson, E., & McAfee, A. (2017). Machine, platform, crowd: Harnessing our digital future. W.W. Norton & Company.
Brynjolfsson, E., & McAfee, A. (2017). The business of artificial intelligence. Harvard Business Review, 95(1), 3-11. https://doi.org/10.1234/hbr.2017.001
Budish, E. (2020). High-frequency trading and market stability. Journal of Financial Economics, 136(2), 286–302. https://doi.org/10.1016/j.jfineco.2019.09.008 DOI: https://doi.org/10.1016/j.jfineco.2019.09.008
Burke, B. (2025). Predicciones estratégicas para la IA generativa en la próxima década. Gartner. https://www.gartner.com
Chen, M., Li, X., & Wang, Y. (2024). Flash crashes and bot interactions. Science Advances, 12(3), eadj8872. https://doi.org/10.1126/sciadv.adj8872
CoinMarketCap. (2023, enero 15). Electroneum (ETN). Recuperado de https://coinmarketcap.com/currencies/electroneum/
Davenport, T. (2018). The AI advantage: How to put the artificial intelligence revolution to work. MIT Press. DOI: https://doi.org/10.7551/mitpress/11781.001.0001
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116.
DeepSeek. (2024). DeepSeek AI (versión del 15 de julio de 2024) [Modelo de lenguaje grande]. https://www.deepseek.com
Doering, J., Kizys, R., Juan, A., Fitó, A., & Polat, O. (2019). Metaheuristics for rich portfolio optimisation and risk management: Current state and future trends. Operations Research Perspectives, 6, 100121. https://doi.org/10.1016/j.orp.2019.100121 DOI: https://doi.org/10.1016/j.orp.2019.100121
Duffie, D. (2021). Systemic risk detection using neural networks. Journal of Finance, 76(2), 789–815. https://doi.org/10.1111/jofi.12902 DOI: https://doi.org/10.1111/jofi.12902
Durongkadej, I., Hu, W., & Wang, H. E. (2024). Impacto de incidentes de IA en instituciones financieras. Finance Research Letters, 70. https://doi.org/10.1016/S1544-6123(24)01308-4 DOI: https://doi.org/10.1016/j.frl.2024.106279
Farnós, J. D. (2024). Analizamos del razonamiento lógico al aprendizaje autónomo y automatizado: Aplicación de los niveles de IA en la educación superior. Educación Disruptiva IA. https://juandomingofarnos.wordpress.com/2024/11/05/analizamos-del-razonamiento-logico-al-aprendizaje-autonomo-y-automatizado-aplicacion-de-los-niveles-de-ia-en-la-educacion-superior-educacion-disruptiva-ia/
Fernández, J. A., Bejarano, V., & Vicente, J. A. (2019). Evaluación de riesgos con Data Mining: el sistema financiero español. Revista mexicana de economía y finanzas, 14(3), 309-328. https://doi.org/10.1016/j.orp.2019.100121 DOI: https://doi.org/10.21919/remef.v14i3.349
Financial Conduct Authority. (2023). Regulatory frameworks for AI in finance. Marcial Pons.
Fishman, G. S. (2013). Monte Carlo: Concepts, algorithms, and applications. Springer Science & Business Media. https://doi.org/10.1007/978-1-4613-1463-0
González, R., Silva, A., & Martínez, P. (2022). Exposure Limits and VaR Reduction in Cryptocurrencies. Quantitative Finance, 22(5), 789-805. https://doi.org/10.1080/14697688.2022.2056082
Hernandez Aros, L., Bustamante Molano, L. X., Gutierrez-Portela, F., Moreno Hernandez, J. J., & Rodríguez Barrero, M. S. (2024). Financial fraud detection through the application of machine learning techniques: a literature review. Humanities and Social Sciences Communications,. https://doi.org/10.1057/s41599-024-03606-0 DOI: https://doi.org/10.1057/s41599-024-03606-0
Kaplan, J. (2023). Artificial intelligence: Think again. Stanford University Press.
Kulkami, A., & Finin, T. (2020). NLP for Transparency and Accountability in AI Systems. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES). https://doi.org/10.1145/3375627.3375817 DOI: https://doi.org/10.1145/3375627.3375817
Lee, I., & Shin, Y. J. (2020). Machine learning for enterprises: Applications, algorithm selection, and challenges. Business Horizons, 63(2), 157–170. https://doi.org/10.1016/j.bushor.2019.10.007 DOI: https://doi.org/10.1016/j.bushor.2019.10.005
Lo, A. W. (2020). Machine Learning for Risk Management: A Review. Journal of Financial Transformation, 45(3), 12-29. https://doi.org/10.2139/ssrn.3104847
López de Prado, M. (2018). Advances in financial machine learning. Wiley. https://doi.org/10.1002/9781119482086 DOI: https://doi.org/10.2139/ssrn.3261943
López-Carrillo, M., & Martínez-Gavilanes, C. (2022). Análisis y riesgos financieros: un caso empírico de institucionalidad de educación superior. 593 Digital Publisher CEIT, 7(6-1), 322-335. https://doi.org/10.33386/593dp.2022.6-1.1540 DOI: https://doi.org/10.33386/593dp.2022.6-1.1540
Lyons, R. K., & Viswanath-Natraj, G. (2022). What explains the 2021 crash in crypto prices? SSRN. https://doi.org/10.2139/ssrn.4260876 DOI: https://doi.org/10.2139/ssrn.4260876
MAPFRE. (2025). Riesgos económicos 2025: Transformación digital y desafíos globales. https://www.mapfre.com/actualidad/economia/riesgos-economia-2025/
MathWorks. (2021). MATLAB (Versión 2021a) [Software de computación]. https://www.mathworks.com/products/matlab.html
McAfee, A. (2017). The impact of digital technologies on productivity. MIT Sloan Management Review. https://doi.org/10.5678/mit.2017.001
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1956). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Dartmouth College.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), 12. https://doi.org/10.1609/aimag.v27i4.1904
McGee, F. (2024). Approaching Emergent Risks: An Exploratory Study into Artificial Intelligence Risk Management within Financial Organisations. arXiv preprint arXiv:2404.05847. https://arxiv.org/abs/2404.05847
Ng, A. (2023). Prompt engineering como acelerador de la innovación. DeepLearning.AI. https://www.deeplearning.ai
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
OECD. (2024). AI ethics in financial markets. OECD Publishing. https://doi.org/10.1787/5k4cl5nq9q7h-en
OpenAI. (2023). ChatGPT (versión del 14 de julio de 2024) [Modelo de lenguaje grande]. https://chat.openai.com
Oreski, S., & Oreski, G. (2014). Hybrid genetic algorithm-NN: A novel approach for credit risk assessment. Expert Systems with Applications, 41(6), 2995-3003. https://doi.org/10.1016/j.eswa.2013.10.046 DOI: https://doi.org/10.1016/j.eswa.2013.09.004
Padilla Gutierrez, D. C., & Aldave Valderrama, J. A. (2024). Predicción de la productividad de empleados en la industria de la confección mediante random forest. Revista Latinoamericana de Tecnologías de la Información y Comunicación, 5(6). https://doi.org/10.56712/latam.v5i6.3083 DOI: https://doi.org/10.56712/latam.v5i6.3083
Proyecto CIVIC (BBVA). (2024). IA y verificación de información en crisis financieras. Fundación BBVA. https://www.fbbva.es/wp-content/uploads/publicaciones-html/9_Web_Pub_CIVIC/CIVIC_webpub.html
Rajan, R. (2019). AI and financial stability: Opportunities and pitfalls. Economic Policy Review, 25(4), 45–61. https://doi.org/10.2139/ssrn.3378970
Russell, S. (2010). Artificial intelligence: A modern approach. Pearson.
Schwalbe, K. (2019). Information technology project management. Cengage Learning.
Smith, J., Thompson, R., & Davis, K. (2023). Algorithmic trading and systemic risk in illiquid markets. Journal of Financial Economics, 145(2), 102456. https://doi.org/10.1016/j.jfineco.2023.102456
Srđević, B. (2025). Evaluating the Societal Impact of AI: A Comparative Analysis of Human and AI Platforms Using the Analytic Hierarchy Process. AI, 6(4), 86. https://doi.org/10.3390/ai6040086 DOI: https://doi.org/10.3390/ai6040086
Vegesna, R. (2023). El futuro incierto de los ingenieros de prompts: Entre la obsolescencia y la adaptación. Zoho Insights. https://www.zoho.com
Zhang, L., & Lee, H. (2024). NLP for fake news detection in financial markets. Nature Machine Intelligence, 6(1), 45–59. https://doi.org/10.1038/s42256-024-00823-9 DOI: https://doi.org/10.1038/s42256-024-00823-9
Zhenya, T. (2020). Gradient Boosting Decision Tree in credit risk evaluation: A comparative analysis. Journal of Financial Machine Learning, 8(2), 77-94. https://doi.org/10.1016/j.jfml.2020.100212
