Inteligencia artificial en los mercados financieros

Columna

Estrategia

Gestión Financiera

Innovación

08 de noviembre de 2024

Inteligencia artificial en los mercados financieros

Al utilizar indicadores técnicos, los modelos consiguen predecir posibles tendencias de precio y movimientos de mercado

En los últimos años, la inteligencia artificial (IA) ha modificado los mercados financieros de una forma impresionante. Desde algoritmos que ayudan en la toma de decisiones hasta sistemas que automatizan completamente operaciones, el uso de IA está revolucionando la manera en que se negocian los activos financieros. Esta tecnología ofrece soluciones rápidas y precisas, permitiendo que inversores e instituciones sigan y respondan a las variaciones del mercado en tiempo real (Dakalbab et al., 2024).

Con el avance de la tecnología, han surgido diversas técnicas de IA orientadas al mercado financiero, cada una con sus ventajas y aplicaciones específicas. Entre ellas se encuentran las redes neuronales, un método de aprendizaje supervisado inspirado en el funcionamiento del cerebro humano. Estas redes están compuestas por capas de “neuronas” artificiales que procesan información de manera interconectada, colaborando para identificar patrones en grandes volúmenes de datos. Las redes neuronales son particularmente útiles en la identificación de tendencias y en la predicción de movimientos en los precios de los activos, ofreciendo un soporte esencial para traders e inversores que buscan tomar decisiones más fundamentadas y eficaces.

Además de las redes neuronales, existe el aprendizaje por refuerzo, una técnica más moderna que aprende por ensayo y error. En el aprendizaje por refuerzo, el algoritmo interactúa con el entorno del mercado financiero, probando diferentes estrategias y aprendiendo de las recompensas o penalizaciones recibidas. Esta técnica permite al algoritmo optimizar sus decisiones a lo largo del tiempo, adaptándose a las condiciones del mercado. Esta adaptación continua permite que el aprendizaje por refuerzo se ajuste a los constantes cambios de los mercados, convirtiéndose en una herramienta valiosa tanto para operaciones a corto plazo como para inversiones a largo plazo.

Beneficios

Uno de los grandes beneficios de la IA en el mercado financiero es la capacidad de analizar datos históricos e identificar patrones. Al utilizar indicadores técnicos, como medias móviles o índices de fuerza relativa (RSI), los modelos de IA logran predecir posibles tendencias de precio y movimientos de mercado. El análisis de datos históricos y la identificación de patrones permiten a los inversores identificar potenciales momentos de compra y venta, tomando decisiones más racionales y basadas en información concreta, en lugar de depender solo de intuiciones o especulaciones.

Además del análisis de datos, la IA ha traído la automatización al mundo de las finanzas. Con algoritmos que ejecutan órdenes de compra y venta de forma autónoma, las estrategias de trading se han vuelto más rápidas y eficientes. Este tipo de automatización permite que las operaciones se realicen en fracciones de segundo, reduciendo el impacto emocional en las decisiones y aprovechando oportunidades que, manualmente, podrían pasar desapercibidas. Así, la IA posibilita un trading más consistente y basado en análisis rigurosos.

La IA también ha traído la posibilidad de personalizar estrategias financieras según el perfil y los objetivos de cada inversor. Al analizar el comportamiento del mercado y la respuesta de los activos a diferentes variables, los algoritmos de IA pueden ajustar las estrategias de inversión en tiempo real, buscando optimizar el rendimiento y gestionar los riesgos de forma personalizada. De esta manera, tanto inversores individuales como grandes instituciones consiguen utilizar modelos que consideren sus necesidades específicas, aumentando la precisión y eficiencia de las operaciones.

El Futuro

El futuro de la inteligencia artificial en los mercados financieros está repleto de posibilidades. Con el avance continuo de las tecnologías de machine learning y el acceso a volúmenes crecientes de datos, las herramientas de IA tienen el potencial de hacer las operaciones financieras más seguras, rápidas y personalizadas. Esta revolución continua está en sus primeros pasos, pero promete transformar la forma en que las personas negocian, gestionan riesgos y toman decisiones financieras. Así, la IA no solo potencia el rendimiento de los inversores, sino que también abre nuevos caminos para innovaciones en todo el sector financiero.

Para tener acceso a las referencias de este texto haga clic aquí

Quién publicó esta columna

José Erasmo Silva

José Erasmo Silva é professor, formado em Matemática e Administração, com mais de 25 anos de experiência em gestão empresarial e de pessoas. É mestre e doutor em Administração, com foco em Finanças, e especialista em Data Science e Analytics e em Finanças e Controladoria. Realizou pós-doutorado na Universidade Federal da Bahia (UFBA). Atualmente, atua como professor orientador no MBA em Data Science, Inteligência Artificial e Analytics da USP/Esalq e leciona na EEP/FUMEP e na rede estadual de ensino de São Paulo.

También te puede interesar

02 de octubre de 2026

Determinantes de la ubicación de supermercados en São Paulo

Un estudio investigó los factores determinantes de la ubicación de supermercados en el estado de São Paulo, con el objetivo de investigar los factores que explican la presencia y expansión de estos establecimientos, considerando dimensiones socioeconómicas, demográficas y de mercado. Se utilizaron datos de los Censos Demográficos de 2010 y 2022 del IBGE y información del Cadastro Nacional de Pessoas Jurídicas de la Receita Federal do Brasil para construir una base de datos georreferenciada. Se aplicó un modelo de clasificación Random Forest, ajustado por grid search con validación cruzada, priorizando la métrica recall-macro debido al desbalanceo de la variable dependiente, que representó la presencia o ausencia de supermercados en un buffer de 50 metros. Los resultados indicaron que la ubicación de supermercados está fuertemente asociada a características demográficas, de ingresos y de población en el entorno. El análisis de importancia de las variables evidenció que factores sociodemográficos, como alfabetización de ancianos, ingresos familiares y la presencia de otros establecimientos de alimentación, ejercieron una influencia significativa, especialmente en el entorno inmediato. Los hallazgos reforzaron la hipótesis de que la distribución espacial de supermercados no es aleatoria, siendo condicionada por características socioeconómicas y por la estructura comercial del territorio, ofreciendo subsidios para decisiones empresariales y planificación urbana.

Palabras clave: Análisis espacial; Aprendizaje automático; Expansión; Ubicación comercial; Supermercados.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Educación Antirracista: Prácticas Educativas Inclusivas y Desarrollo Social

La educación antirracista, comprendida como eje estructurante de la educación inclusiva y del desarrollo social, fue investigada en el contexto brasileño. El estudio tuvo como objetivo identificar y analizar, con base en documentos legales y en la percepción de profesores, las prácticas educativas capaces de promover el antirracismo en la escuela y en la sociedad, y cómo la implementación de las Leyes nº 10.639/03 y nº 11.645/08 contribuyó a la justicia social. Se adoptó un enfoque cualitativo y documental, con análisis de legislación educacional, directrices curriculares, informes institucionales y literatura académica. Complementariamente, se aplicó un cuestionario semiestructurado a 295 profesores de Educación Básica. Los datos fueron evaluados cuantitativa y cualitativamente, por medio de análisis de contenido temático, y validados con estudios bibliográficos. Los resultados revelaron una paradoja: a pesar de un marco legal robusto, la implementación de las políticas antirracistas se mostró frágil y puntual, con carencia de formación docente, materiales didácticos adecuados y monitoreo. Se constató la persistencia de desigualdades educacionales significativas entre estudiantes blancos y negros, y la mayoría de los profesores reconoció la ocurrencia de racismo en las escuelas, pero sin protocolos institucionales claros. El análisis neurocientífico demostró que el racismo impacta negativamente el desarrollo cognitivo y emocional de los estudiantes. Se concluyó que la educación antirracista es central para una educación de calidad, exigiendo compromiso político, inversión pública y articulación intersectorial. La integración de la Neurociencia en la formación docente y la producción de materiales cualificados son cruciales para fortalecer el papel de la escuela en la construcción de una sociedad más justa e inclusiva.

Palabras clave: Desarrollo Social; Educación Antirracista; Justicia Social; Ley 10.639/03; Prácticas Educativas Inclusivas.

Neurociencia Y Aprendizaje En La Educación

02 de octubre de 2026

Caminos de la Inclusión: Percepciones de Padres y Profesores sobre la Escolarización de Estudiantes con Doble Excepcionalidad en el Contexto Brasileño

La Doble Excepcionalidad, caracterizada por la coexistencia de Altas Habilidades/Superdotación y trastornos del neurodesarrollo, representa un fenómeno complejo que desafía los modelos tradicionales de identificación y escolarización. El estudio tuvo como objetivo comprender las percepciones de padres o tutores, profesores y otros profesionales de la educación sobre la escolarización de estudiantes con Doble Excepcionalidad en el contexto brasileño, investigando desafíos, estrategias pedagógicas y posibilidades de inclusión basadas en la equidad. La investigación adoptó un enfoque cualitativo, exploratorio y descriptivo, y recopiló datos a través de un cuestionario en línea, voluntario y anónimo, respondido por 25 participantes. Los datos discursivos fueron analizados mediante análisis de contenido temático. Los resultados indicaron que el conocimiento sobre el tema se construye frecuentemente a partir de experiencias personales y profesionales, revelando lagunas en la formación sistematizada. Se identificaron dificultades en la identificación de estos estudiantes, en la formación docente y en la implementación de planes educativos individualizados, flexibilización pedagógica y enriquecimiento curricular. Se relataron repercusiones socioemocionales, como frustración y baja autoestima. Sin embargo, algunas escuelas demostraron prácticas inclusivas fundamentadas en la equidad, articulando necesidades específicas y potencialidades. Aunque los resultados no permiten generalizaciones, evidenciaron la necesidad de fortalecer la formación profesional y la articulación entre escuela, familia y servicios especializados. Se concluyó que la inclusión de estudiantes con Doble Excepcionalidad requiere prácticas que reconozcan simultáneamente sus dificultades y potencialidades, garantizando condiciones equitativas de participación, aprendizaje y desarrollo.

Palabras clave: Desarrollo humano; Formación docente; Inclusión escolar; Neurodivergencia; Prácticas pedagógicas.

02 de octubre de 2026

Modelado predictivo para la gestión de inventarios: aumento de la productividad y la eficiencia en un centro de distribución de alimentos

La gestión eficiente de las operaciones logísticas en centros de distribución es fundamental para la competitividad, especialmente en actividades intensivas en mano de obra, que impactan los costos operativos y el nivel de servicio. El estudio tuvo como objetivo desarrollar y evaluar diferentes modelos de pronóstico de demanda para optimizar la gestión de inventario y recursos en un centro de distribución de alimentos. Para ello, se utilizaron datos históricos de movimiento de un sistema WMS, aplicando modelos de regresión lineal, suavización exponencial de Holt-Winters y el algoritmo LightGBM. Los resultados indicaron que los modelos tradicionales presentaron limitaciones en la captura de la dinámica de la demanda, con un rendimiento inferior al LightGBM. El algoritmo de aprendizaje automático demostró un rendimiento superior, especialmente después de la incorporación de mayor granularidad de los datos y variables temporales, lo que permitió una mayor adherencia a la dinámica de la demanda. La aplicación del modelo resultó en una reducción del 36,38% en el desplazamiento para el pallet picking y del 31,98% para el case picking, totalizando una reducción global del 33,64%. Se concluyó que la utilización de modelos predictivos contribuyó a la mejora de la eficiencia operativa, permitiendo una mejor asignación de recursos y organización de los artículos en el proceso de separación de pedidos.

Palabras clave: Aprendizaje automático; Clasificación ABC; Eficiencia operativa; Logística; Pronóstico de demanda.

02 de octubre de 2026

Transformación de Datos en Estrategia: Investigación Aplicada para la Optimización de Operaciones en Ecoturismo

La creciente demanda en el turismo ecológico en Minas Gerais impulsó la búsqueda de inteligencia de negocios para transformar datos de clientes en información estratégica. El estudio objetivó estructurar un pipeline de ciencia de datos para recolectar, segmentar y clasificar la base de clientes de una operación de ecoturismo, con el fin de optimizar acciones de marketing y anticipar movimientos de mercado. Se realizó una investigación exploratoria, de naturaleza cuali-cuantitativa, por medio de un estudio de caso. Se utilizaron 2.777 registros transaccionales de una empresa de ecoturismo, referentes a enero de 2024 a diciembre de 2025. El proceso metodológico involucró recolección automatizada de datos (API Google Sheets), tratamiento y enriquecimiento (ETL), validación y creación de atributos RFM (Recencia, Frecuencia y Valor Monetario). Se aplicó reducción de dimensionalidad vía PCA y agrupamiento K-Means, con el número de clusters definido por el método del Codo y Silhouette Score. Se validaron los resultados con DBSCAN y K-Medoids. Los resultados revelaron la identificación de tres segmentos comportamentales de clientes: “Fiel”, “Bajo Valor” y “Potencial”. El segmento “Fiel” representó el mayor valor económico acumulado, mientras que el “Potencial” se destacó por el alto ticket promedio y potencial de conversión en recurrencia. La integración de las técnicas de análisis de datos demostró ser un método robusto y replicable para generar inteligencia en el ecoturismo. Se concluyó que el pipeline de ciencia de datos estructurado viabilizó la segmentación comportamental de la base de clientes, la validación estadística de los grupos y la creación de un sistema predictivo para nuevos compradores, proporcionando subsidios para decisiones estratégicas basadas en datos y futuros análisis.

Palabras clave: Clusterización; Inteligencia de negocios; Machine Learning; Segmentación de clientes; Toma de decisiones.

02 de octubre de 2026

Clasificación de clientes morosos mediante técnicas supervisadas de aprendizaje automático

El riesgo de incumplimiento en operaciones de crédito demandó enfoques analíticos para anticipar pérdidas. Este estudio evaluó comparativamente el desempeño de modelos supervisados de aprendizaje automático en la clasificación de clientes incumplidos en operaciones de tarjeta de crédito. Se utilizó la base pública “Default of Credit Card Clients”, de la Universidad de California Irvine, con 30.000 observaciones y desbalanceo de clases. Se emplearon los algoritmos Regresión Logística, Random Forest y Extreme Gradient Boosting. El desbalanceo se trató mediante la asignación de pesos a las clases, y la optimización de los modelos se realizó con el método RandomizedSearchCV, priorizando la sensibilidad. Los resultados de la validación cruzada indicaron que el modelo Extreme Gradient Boosting presentó mayor capacidad de identificación de la clase incumplida y mejor desempeño discriminatorio, seguido por Random Forest y Regresión Logística, con una sensibilidad de 0,8250 y un AUC-ROC de 0,7844 para el XGBoost. El análisis de interpretabilidad, realizado por la técnica Shapley Additive Explanations (SHAP), evidenció la predominancia de variables asociadas al comportamiento de pago, especialmente el historial de retrasos. Se concluyó que los modelos basados en árboles, particularmente técnicas de boosting, se mostraron más adecuados para capturar patrones complejos en los datos, configurándose como alternativas consistentes para la gestión de riesgo de crédito.

Palabras clave: Aprendizaje Automático; Tarjeta de Crédito; Clasificación; Extreme Gradient Boosting; Riesgo de Crédito.

02 de octubre de 2026

Análisis de Sentimientos sobre Bancos Brasileños en Twitter/X: Comparación entre Instituciones Tradicionales y Digitales

Un estudio analizó la percepción pública sobre instituciones financieras brasileñas en la plataforma Twitter/X, resaltando la importancia del monitoreo de sentimientos en redes sociales para la comprensión de la reputación y la experiencia del cliente en el sector bancario. El objetivo consistió en comparar la percepción de los usuarios sobre la imagen y la reputación de bancos tradicionales y digitales, a partir de los patrones de sentimiento identificados en las manifestaciones analizadas, buscando identificar diferencias estructurales entre estos grupos. La metodología se basó en el análisis de 1.096 tweets recopilados entre noviembre de 2022 y junio de 2023. Se utilizaron dos enfoques complementarios de análisis de sentimientos, la suma y la media de las etiquetas, para captar el sentimiento mayoritario y los matices de la percepción. Adicionalmente, se desarrollaron el Modelo de Perfil de Mercado, con indicadores de reputación emocional, riesgo reputacional, neutralidad y polarización, y el Modelo de Clusterización Bancaria, que permitió agrupar las instituciones conforme a patrones de percepción. Los resultados indicaron predominancia de sentimientos neutros y negativos, mayor volumen de interacciones en los bancos digitales y diferencias estructurales en la intensidad emocional de las percepciones, con mayor estabilidad en los bancos digitales y mayor polarización en los tradicionales. Se concluyó que la combinación de técnicas analíticas y estadísticas contribuyó a una comprensión profunda de la imagen institucional en el entorno digital, evidenciando la importancia de estrategias de gestión de la reputación basadas en datos.

Palabras clave: Bancos digitales; Bancos tradicionales; Modelado de datos; Opinion mining; Redes Sociales.

02 de octubre de 2026

Optimización de la planificación presupuestaria anual mediante metodologías de gestión de proyectos

El Plan Presupuestario Anual (POA) es un proceso crucial para traducir la estrategia organizacional en metas operativas y financieras, pero frecuentemente enfrenta presiones de plazos, dependencias interdepartamentales y la repetición de gastos habituales. El estudio objetivó analizar cómo la aplicación combinada de prácticas de gestión de proyectos y del Presupuesto Base Cero (PBC) puede optimizar el POA. Para ello, se desarrolló un estudio de caso en la operación brasileña de una compañía abierta del sector de bebidas, utilizando investigación documental de su informe de resultados de 2023 y un cuestionario anónimo aplicado a 47 encuestados. El análisis documental indicó crecimiento de la receta neta, expansión del margen bruto y del EBITDA ajustado, y avance contenido de los gastos de ventas, generales y administrativos, sugiriendo disciplina de costos y apalancamiento operativo. El relevamiento complementario reveló alta percepción de efecto cascada en el cronograma, fuerte apoyo a la definición de responsables por paquetes de costos y preferencia por justificación técnica de los gastos, además de demanda por flexibilidad controlada tras la definición de la línea base. Se concluyó que la estructuración del POA como proyecto, asociada al rigor del PBC, aumentó la previsibilidad del proceso, reforzó la responsabilidad sobre los gastos y amplió la coherencia entre la ejecución presupuestaria y el desempeño económico-financiero.

Palabras clave: Control de Costos; Eficiencia Operativa; Presupuesto Base Cero; PMBOK; Sector de Bebidas.

02 de octubre de 2026

Innovación en modelos de negocio tradicionales y su impacto en el entorno laboral

El estudio analizó cómo la innovación aplicada en modelos de negocio tradicionales impacta el ambiente de trabajo. Con este objetivo, se realizó una investigación de campo que involucró a 225 profesionales de diferentes sectores y niveles jerárquicos. La recolección de datos se llevó a cabo a través de un cuestionario estructurado, que investigó el perfil, las percepciones y los comportamientos de los participantes en relación con la innovación. Los resultados obtenidos indicaron que los colaboradores de empresas consideradas innovadoras percibieron niveles elevados de innovación, demostraron mayor compromiso, motivación para proponer mejoras y una mejor comprensión de los cambios implementados. En contraste, los profesionales de empresas tradicionales presentaron una percepción de innovación más baja, mayor neutralidad frente a las transformaciones y niveles más elevados de estrés e inseguridad en el ambiente laboral. Se observó, además, que el liderazgo, la comunicación clara, el apoyo y la capacitación adecuada fueron identificados como factores esenciales para facilitar la adaptación a los cambios y aumentar la receptividad de los colaboradores. Se concluyó que la tipología organizacional, asociada a la cultura y a las prácticas de gestión, influye directamente en la forma en que se vive la innovación internamente y sus efectos en el ambiente de trabajo.

Palabras clave: Compromiso; Empresas tradicionales; Gestión del cambio.