Soporte de Decisiones Basado en Inteligencia Artificial en Mercados de Criptomonedas: Un Modelo de Teoría de Juegos y Probabilístico

#DeepCreationCamp

En la última década, los mercados de criptomonedas han surgido como una de las innovaciones más disruptivas en el mundo financiero, atrayendo atención no solo por su alto potencial de retorno, sino también por los profundos riesgos que conllevan. A diferencia de los activos financieros tradicionales, las criptomonedas están altamente influenciadas no solo por la oferta y demanda, sino también por tendencias en redes sociales, actualizaciones tecnológicas y noticias regulatorias debido a su estructura descentralizada y su comercio 24/7. Esto desafía la validez de las teorías económicas clásicas que asumen participantes racionales en el mercado.

Aunque la inteligencia artificial ofrece nuevas perspectivas para entender el comportamiento humano y la dinámica del mercado, los enfoques existentes a menudo se limitan a modelos de “caja negra” y carecen de la adaptabilidad suficiente ante shocks repentinos del mercado.

La mayoría de los modelos de finanzas cuantitativas y algoritmos básicos de aprendizaje automático asumen que los patrones históricos se repetirán en el futuro. Sin embargo, los mercados de criptomonedas son caóticos y no estacionarios. Surgen dos problemas clave en este contexto:

1. Los algoritmos actuales tienen dificultades para modelar movimientos “irracionales” del mercado.
2. Los modelos de aprendizaje profundo carecen de explicabilidad, lo que dificulta que los humanos comprendan el razonamiento detrás de decisiones de compra/venta.

Estas limitaciones socavan la confianza de los inversores en los sistemas basados en IA y ralentizan la adopción tecnológica.

Este documento contribuye mediante:

Desarrollar un modelo híbrido probabilístico basado en la teoría de creencias de Dempster–Shafer, que evalúa la incertidumbre mediante ponderación de evidencias en lugar de solo probabilidad bayesiana.

Proponer un marco de simulación que modela la dinámica del mercado como un juego multiagente, permitiendo la resolución creativa de problemas en entornos interactivos.

2. Trabajo relacionado

El enfoque propuesto se fundamenta en tres principales áreas de investigación: IA en teoría económica, simulaciones basadas en juegos y razonamiento probabilístico.

2.1 IA y Teoría Económica

El auge de la IA ha influido significativamente en la teoría económica. Mientras que los modelos tradicionales se basan en la suposición de “Homo Economicus” de agentes racionales, los enfoques modernos de IA capturan mejor la racionalidad limitada y la información asimétrica. Conceptos como equilibrio oferta-demanda, fijación de precios y teoría de juegos han sido mejorados mediante técnicas computacionales inspiradas en la inteligencia natural.

Este estudio se apoya en esta transformación para interpretar dinámicas de precios irracionales en los mercados de criptomonedas.

2.2 Entornos de simulación y teoría de juegos

Los juegos proporcionan entornos controlados para estudiar la toma de decisiones bajo incertidumbre. El comercio de criptomonedas puede modelarse como un juego complejo de suma no cero donde múltiples agentes compiten e interactúan.

Aunque las simulaciones de juegos se usan ampliamente en entrenamiento de agentes, su adaptación a simulaciones de mercados financieros—especialmente para generar estrategias creativas—es un campo emergente. Esta investigación utiliza entornos basados en juegos como campo de prueba para mejorar el rendimiento de los agentes en simulaciones de mercado.

2.3 Juicio probabilístico y gestión de incertidumbre

Los sistemas de IA generalmente dependen de la teoría bayesiana o de la teoría de funciones de creencias para manejar el razonamiento probabilístico. Mientras que la teoría bayesiana asigna probabilidades numéricas precisas, la teoría de Dempster–Shafer enfatiza la fuerza de la evidencia y la modelación de la incertidumbre.

En entornos con datos ruidosos e incompletos, como los mercados de criptomonedas, las funciones de creencias ofrecen una estructura más flexible para representar lo desconocido. Este estudio adopta una perspectiva no bayesiana para evaluar la fiabilidad de las señales del mercado.

3. Metodología y enfoque

El sistema propuesto se llama Marco de Creencias del Juego Cripto (Crypto-Game-Belief Framework). Está compuesto por componentes modulares que procesan datos del mercado, gestionan la incertidumbre y desarrollan estrategias en entornos simulados.

3.1 Componentes principales

Módulo de percepción de datos y formación de creencias

El sistema recopila datos en bruto como movimientos de precios, volumen de comercio y sentimiento en redes sociales. En lugar de generar señales directas de compra/venta, estos insumos se convierten en masas de creencias usando la teoría de Dempster–Shafer.

Por ejemplo, un indicador técnico alcista se convierte en una evidencia ponderada en lugar de una probabilidad fija. Esto permite modelar indecisión ante señales contradictorias.

Resolución creativa de problemas (CPS) y gestión de anomalías

Los mercados de criptomonedas frecuentemente experimentan eventos sin precedentes. Los sistemas autónomos necesitan capacidades de Resolución Creativa de Problemas (CPS) para manejar estas situaciones no nominales.

Este módulo permite un razonamiento adaptativo más allá de patrones memorizados, generando estrategias lógicas en contextos desconocidos.

Simulación de juegos multiagente

Las salidas de creencias alimentan un entorno de simulación basado en juegos. El agente de IA compite contra otros agentes virtuales que representan diversas estrategias de trading.

Usando aprendizaje por refuerzo, el agente maximiza una función de recompensa mientras prueba estrategias sin riesgo financiero real.

3.2 Plan de evaluación

Un marco de evaluación hipotético incluye:

Conjunto de datos: datos horarios de BTC y ETH (2018–2023) más métricas de redes sociales.

Referencias: estrategia de comprar y mantener y una red neuronal LSTM estándar.

Métricas:

Retorno de inversión (ROI)

Índice de Sharpe

Pérdida máxima (Drawdown)

El sistema se entrena con el 70% de los datos y se prueba con el 30%. Se introducen escenarios artificiales de “cisne negro” (por ejemplo, caídas repentinas del 20%) para evaluar la adaptabilidad del CPS.

4. Discusión

4.1 Aplicaciones prácticas y confianza

El marco puede servir no solo como una herramienta de trading automatizado, sino también como asistente de gestión de riesgos para inversores institucionales. Sin embargo, la confianza del usuario depende en gran medida de la explicabilidad.

La investigación en IA explicable (XAI) muestra que un razonamiento comprensible mejora significativamente la confianza. Por ello, en lugar de solo emitir una señal de “Vender”, el sistema debería proporcionar explicaciones contextuales como:

“La incertidumbre del mercado ha alcanzado el 80% según funciones de creencias; se está reduciendo la exposición al riesgo.”

4.2 Limitaciones Costo computacional: Las simulaciones multiagente y las actualizaciones de creencias requieren un poder computacional significativo, lo que puede causar latencia. Sesgo histórico: La inteligencia artificial sigue limitada por los patrones históricos en los que se entrena. Complejidad psicológica humana: Modelar juicios subjetivos de probabilidad humana sigue siendo un desafío.

4.3 Consideraciones éticas El despliegue de IA en mercados de criptomonedas conlleva riesgos de manipulación. Actores algorítmicos a gran escala podrían explotar señales del mercado de manera poco ética. Los sistemas financieros de IA deben adherirse a principios de transparencia, equidad y no maleficencia.

4.4 Trabajos futuros Las investigaciones futuras podrían integrar Modelos de Lenguaje Grandes (LLMs) para analizar automáticamente noticias y literatura académica. Además, marcos éticos cruzados podrían apoyar el desarrollo de estándares éticos universales para bots de trading.

5. Conclusión Los mercados de criptomonedas representan una intersección de alto riesgo entre tecnología y finanzas. Este estudio propone un marco de IA holístico que combina teoría de juegos, funciones de creencias de Dempster–Shafer y técnicas de resolución creativa de problemas. Al modelar los mercados como sistemas interactivos dinámicos en lugar de conjuntos de datos estáticos, el marco mejora la toma de decisiones bajo incertidumbre. Las futuras iteraciones que incorporen características de explicabilidad podrían fomentar un ecosistema financiero más transparente y confiable tanto para inversores individuales como institucionales.