Datos y prompts: estructura de entrada y disciplina de validación

1. Punto de partida: la calidad de la salida depende de la estructura de la entrada

La lección 1 describió seis puntos donde la IA encaja en el flujo de trabajo de trading, con la organización de la información como primer paso. Si los resúmenes son inexactos, las fechas están mezcladas o no se puede rastrear el origen de las fuentes, la generación de hipótesis, las discusiones de backtesting y las listas de verificación de riesgos solo amplifican los sesgos iniciales. Por eso, la lección 2 no se centra en técnicas para “hacer mejores preguntas”, sino en la disciplina estructural necesaria en la fase de entrada, de modo que las salidas del modelo se traten por defecto como algo que debe verificarse, no como hechos consolidados.

En el contexto del trading, las alucinaciones no suelen significar que el modelo invente deliberadamente, sino que genera contenido fluido y seguro que no se puede cotejar con fuentes primarias verificables. Las formas más comunes incluyen: inventar anuncios o enlaces, confundir la capitalización de mercado con el suministro circulante, aplicar datos obsoletos a problemas actuales o usar frases como «los datos en cadena muestran» sin proporcionar direcciones, ventanas de tiempo ni estándares estadísticos. La solución no es rechazar la IA por completo, sino especificar el nivel de fuente, el límite temporal y los pasos de validación para cada pieza de información que entre en la cadena de decisiones.

2. Clasificación de fuentes: construir un marco de clasificación accionable

Antes de enviar materiales a la IA, conviene clasificar las fuentes de información y exigir que el modelo etiquete cada punto clave según su grado en el prompt. El objetivo de esta clasificación no es el formalismo, sino dejar claro qué contenido puede afirmarse como hecho y cuál solo puede servir como pista o juicio no verificado.

• Fuentes primarias: incluyen sitios web oficiales de proyectos, registros de versiones en GitHub, anuncios de exchanges y reguladores, exploradores de blockchain y datos de transacciones exportables. Son materiales relativamente fiables, pero requieren vigilancia ante páginas de phishing y anuncios falsificados; los enlaces y dominios deben verificarse manualmente.

• Fuentes secundarias: incluyen informes de instituciones de investigación, documentos de auditoría y páginas de prueba de reservas. Ayudan a comprender los mecanismos, pero es necesario comprobar si la fecha de publicación y el alcance de la auditoría cubren la estructura actual.

• Medios de comunicación principales: las interpretaciones sobre políticas pueden servir de referencia, pero las conclusiones clave deben cotejarse con los documentos primarios.

• Redes sociales, KOL y contenido comunitario: solo son adecuados como punto de partida para detectar problemas y no deben justificar una operación por sí solos. Las capturas de pantalla anónimas y la «información privilegiada» se excluyen por defecto de la lógica de trading.

Los prompts pueden exigir que solo se usen fuentes de alto grado para afirmaciones fácticas; las de grado medio o bajo deben etiquetarse como «según se informa» o «no verificado»; los elementos sin fuente ni fecha deben marcarse de forma uniforme para su verificación. Incluso si el modelo sigue cometiendo errores, este formato de salida facilita el filtrado manual.

3. Marcas de tiempo y estándares: los datos cripto son propensos a «datos antiguos en nuevos contextos»

El entrenamiento y la recuperación del modelo van por detrás de los acontecimientos en tiempo real, y los mecanismos de los proyectos suelen actualizarse. Al hacer consultas, especifica rangos de tiempo (por ejemplo, analiza solo los materiales posteriores a una fecha determinada) y marca la información potencialmente desactualizada como «a fecha de [fecha]». Al comparar precios o métricas, indica el intervalo de velas, el exchange, el par de trading, si es spot o perpetuo, etc. Para las estadísticas en cadena, señala el nombre de la cadena, la dirección del contrato, la ventana estadística y si se incluyen las entradas y salidas del exchange. La misma pregunta bajo distintos estándares puede dar lugar a conclusiones opuestas; los estándares deben ser un campo fijo del prompt, no algo que se añada después.

4. Narrativas de supervivencia y evidencia contradictoria

Las discusiones sobre cripto suelen mostrar solo casos rentables, utilizar muestras de mercados alcistas o citar backtests de períodos alcistas. Las narrativas de la IA tienden a contar historias que parecen completas, pero ignoran los contraejemplos fallidos. Las contramedidas incluyen: exigir evidencia tanto a favor como en contra; especificar el tamaño de la muestra y el marco temporal; responder explícitamente «no se puede determinar» cuando la evidencia es insuficiente, en lugar de forzar una conclusión. El diálogo orientado a la investigación es más adecuado para presentar escenarios y condiciones de fallo que para generar directamente recomendaciones de largo o corto.

5. Estructura del prompt: restricción de la forma, no del adorno retórico

Los prompts eficaces suelen incluir cuatro partes:

• Declaración de alcance — rol de asistente de investigación, sin recomendaciones de tokens ni rendimientos garantizados

• Condiciones restrictivas — sin enlaces falsificados, marcar incertidumbres, reglas de clasificación de fuentes

• Formato de salida — argumento, base, grado de fuente, fecha, condiciones de invalidación

• Pasos de validación — comprobaciones manuales necesarias, como abrir las URL de los anuncios o verificar los hashes de las transacciones en cadena

Al final de cada conversación, genera una lista de verificación de validación que debe completarse manualmente antes de pasar a las hipótesis o a los pasos de trading. La longitud del prompt no es lo importante; lo que cuenta es que la fuente, el marco temporal y los estándares estén fijados.

6. División del trabajo de datos: los números los ponen los humanos, el modelo se encarga de la interpretación

Una división del trabajo más sólida consiste en que los datos de mercado y en cadena se exporten desde API, exchanges o exploradores y se peguen para la IA en tablas sin procesar o con campos claros. El modelo interpreta los significados, identifica incoherencias y ayuda a estructurar hipótesis, pero no genera valores críticos por sí solo. Si el modelo participa en los cálculos, exige que muestre las fórmulas y los pasos intermedios, y que las conclusiones principales se recalculen manualmente. Las conversaciones largas corren el riesgo de desviación del contexto; los temas importantes deben iniciar hilos nuevos, y los hechos verificados deben archivarse por separado para consultarlos solo en interacciones posteriores, a fin de reducir la contaminación del contexto.

7. Resumen de la lección

Esta lección aborda el paso previo al uso de la IA: de dónde provienen los materiales, si incluyen fechas y estándares, y si las fuentes de grado bajo pueden usarse como justificación para el trading. Las alucinaciones y las narrativas de supervivencia no suelen ser el modelo «diciendo tonterías», sino el resultado de afirmaciones no verificables, datos desactualizados o historias de éxito seleccionadas en la entrada. Al incorporar la clasificación de fuentes, los límites temporales y las listas de verificación de validación en un proceso fijo, las salidas se convierten por defecto en borradores que requieren verificación antes de entrar en discusiones sobre hipótesis o posiciones. La próxima lección tratará sobre la validación de estrategias: después de limpiar las entradas, es necesario examinar por separado los datos, los costes y los resultados fuera de muestra; las curvas de backtest por sí solas no validan una estrategia.