Indicadores de IA para trading: los abrí por dentro y esto es lo que no te cuentan

Los indicadores de IA para trading que arrasan en TradingView y en YouTube no son inteligencia artificial en el sentido que te imaginas. Me pidieron traducir a ProRealTime uno de los más famosos, el Machine Learning RSI, y al abrirlo por dentro me encontré un k-NN: k vecinos más cercanos, el algoritmo de machine learning más sencillo que existe, el primero que te enseñan en cualquier curso. Ni red neuronal, ni deep learning, ni nada que “aprenda” del mercado.

Que sea simple no lo hace malo, así que lo metí en el laboratorio. Lo traduje a Python y lo testeé con 26 años de datos del Nasdaq 100 (2000-2026), con universo point-in-time y costes. Resultado: operando una cartera completa rinde un 3,2% anual, frente al 10,8% de comprar y mantener el QQQ y al 8,3% de esas mismas acciones a peso igual sin tocar nada. Y el remate: su famoso “ranking de confianza de la IA” elige peor que el azar; en 30 sorteos aleatorios, el azar le gana el 87% de las veces.

En este artículo te enseño exactamente qué hay bajo el capó de estos indicadores, cómo hice el test, por qué circulan por ahí backtests con un 99% de acierto y qué cinco señales te dicen que lo que tienes delante es humo con una etiqueta bonita.

Qué es de verdad un indicador de IA para trading

Si buscas “indicador inteligencia artificial” en TradingView o en YouTube te salen cientos. Literalmente cientos. Y todos prometen lo mismo: que la IA ve patrones que el ojo humano no ve, que aprende del mercado y que te da señales con una precisión brutal.

El que me tocó traducir se llama Machine Learning RSI | AI Classification & Ranking, del autor Zeiierman. No es uno cualquiera: es gratuito, de código abierto, tiene 1.400 favoritos y unas 12.800 vistas, y su autor tiene el estatus de “Wizard” en la plataforma (además de vender indicadores premium en su propia web). Se publicó en junio de 2026, o sea que es de lo más reciente de la ola.

Su descripción es un catálogo de palabras que suenan a laboratorio: convierte el RSI en “una huella dactilar de mercado de 8 features”, hace “reconocimiento de analogías históricas”, “clasificación machine learning”, “confidence scoring”, “auto feature weighting” y “distance-weighted voting”. Suena imponente. Vamos a traducirlo:

Lo que dice el marketing	Lo que hay por dentro
”Clasificación machine learning”	Un k-NN, el algoritmo más simple del catálogo
”Huella dactilar de mercado de 8 features”	Ocho descriptores del RSI en el momento actual
”Reconocimiento de analogías históricas”	Buscar en el histórico los momentos parecidos al de ahora
”Distance-weighted voting”	Los momentos más parecidos pesan más en el voto
”Confidence scoring” y “auto feature weighting”	Una puntuación de confianza que, en mi test, elige peor que el azar

No hay trampa en el código: el indicador hace lo que dice que hace. La trampa está en el envoltorio, en el salto entre lo que evoca el nombre y lo que ejecuta el algoritmo.

El k-NN explicado en dos minutos: es un “busca el parecido”

Te lo explico sin jerga, porque es más fácil de lo que parece.

El indicador mira cómo está el RSI ahora mismo. Lo describe con ocho características (su nivel, su pendiente, cómo se ha movido últimamente, ese tipo de cosas). Con esa descripción se va a la historia del activo y busca los momentos en que el RSI se pareció al de ahora. Encuentra los más cercanos, mira qué pasó con el precio después de cada uno de ellos y los pone a votar: si en la mayoría de las veces parecidas el precio subió, marca sesgo alcista. Ya está. Eso es todo.

Es exactamente lo que haces tú cuando miras al cielo y dices “esto pinta a lluvia, porque las otras veces que vi este cielo, llovió”. No hay magia, no hay red neuronal, no hay nada aprendiendo en el sentido que te vende el nombre. Es estadística de toda la vida con una etiqueta moderna.

Y no me lo invento yo: lo confiesa el propio autor por escrito en la descripción del indicador. Cito textualmente: “It is not deep learning, and it does not train a neural network. It is an online analog classifier”. Traducido: no es deep learning, no entrena ninguna red neuronal, es un clasificador de analogías. Lo dice él. Lo que pasa es que eso está abajo del todo, en la letra pequeña, y arriba el título pone “Machine Learning” en grande.

Esta es la primera lección del artículo, y aplica a todo el género: el nombre vende una cosa y la letra pequeña confiesa otra. Y no es un caso aislado. El rey del género, el Lorentzian Classification de jdehorty (premiado como “Most Valuable PineScript 2023” por TradingView, Editor’s Pick, más de 1.000 beta testers), es también un k-NN; cambia la forma de medir el parecido (usa una distancia de Lorentz en lugar de la logarítmica de Zeiierman), pero es la misma familia de algoritmo.

Dicho esto, que algo sea simple no significa que sea malo. Un sistema simple puede funcionar de maravilla. Lo importante no es si es complejo, sino si gana dinero. Así que vamos a verlo.

Cómo hice el test: lo que separa un backtest honesto de un timo

Traduje el indicador a Python clavando que las señales fueran idénticas a las de ProRealTime y monté un backtest en serio. Te cuento el método antes que los resultados, porque el método es justo lo que falta en el 90% de los vídeos que verás sobre esto.

Elemento del test	Cómo lo hice
Activo	Nasdaq 100, primero vía QQQ y después con los componentes del índice
Periodo	2000-2026, 26 años
Universo	Los 420 valores que han pasado por el índice, point-in-time
Costes	Cada operación paga los suyos
Benchmark	Comprar y mantener el QQQ, y la misma cesta a peso igual
Tamaño de muestra	3.600 señales en la versión de cartera

Merece la pena que te pares en el punto del point-in-time, porque es el error número uno de los backtests de internet. Significa que cuando testeo el año 2005, uso las empresas que estaban en el Nasdaq 100 en 2005, no las de hoy. Si coges el índice actual y lo proyectas hacia atrás, estás haciendo trampa: te quedas solo con las supervivientes, con las que ganaron. Las que quebraron por el camino no aparecen. Eso infla cualquier resultado una barbaridad y convierte una estrategia mediocre en un milagro sobre el papel.

Y el benchmark: si tu indicador de IA no le gana a comprar el índice y echarte a dormir, ¿para qué lo quieres? Es la vara de medir justa, y es la que casi nunca aparece en las capturas de pantalla que circulan. Si quieres profundizar en cómo se monta un test que no te engañe, te dejo esta guía de cómo crear un sistema de trading paso a paso.

El indicador en el QQQ: la curva que parecía funcionar

Primero lo probé tal cual, operando las flechas que da sobre el QQQ.

Las señales del indicador sobre el QQQ, tal como las genera el algoritmo una vez traducido a Python.

Y oye, la primera impresión no era mala. Nada mala.

Operando solo el QQQ, la estrategia acaba por encima de comprar y mantener y con aproximadamente la mitad de las caídas. Aquí es donde muchos vídeos cortan y publican.

La estrategia termina por encima del índice y con la mitad de las caídas. Cualquiera diría que funciona. Pero cuando parto el resultado por décadas, salta la liebre.

Toda la ventaja viene de una vez: esquivar el crash de las puntocom. En los dos mercados alcistas posteriores pierde contra comprar y mantener.

Toda la ventaja viene de un único sitio: el indicador estuvo fuera del mercado durante el crash de las puntocom del año 2000. Una vez. Hace veinticuatro años. En la década de 2010 y en la de 2020, o sea en los dos grandes mercados alcistas que vinieron después, pierde contra comprar y mantener.

Eso no es capacidad predictiva. Es suerte con fecha. Y es un patrón que verás muchísimo cuando empieces a mirar backtests con lupa: un resultado global espectacular que, al abrirlo, resulta ser un solo acierto afortunado repartido sobre veintiséis años de mediocridad.

La prueba de fuego: 3.600 señales sobre una cartera del Nasdaq 100

Aquí alguien me dirá, con razón, que en un solo activo el indicador da pocas señales y que con pocas operaciones no se puede concluir gran cosa. De acuerdo. Así que fui un paso más allá: cogí los 420 valores que han pasado por el Nasdaq 100 en estos 26 años, incluyendo los que quebraron, y dejé que el indicador operase una cartera entera. 3.600 señales. Ahí ya no hay excusa de muestra pequeña; ahí la estadística habla claro.

Mientras comprar y mantener multiplica el capital por quince, el indicador de IA lo multiplica por dos. En 26 años.

Los números, sin adornos:

Estrategia (2000-2026)	Rentabilidad anual
Cartera operada con el indicador de IA	3,2%
Comprar y mantener el QQQ	10,8%
Las mismas acciones a peso igual, sin tocar nada	8,3%

Fíjate en la comparación de verdad, que es la tercera fila: contra tener esas mismas acciones a peso igual sin hacer absolutamente nada, el indicador se deja más de cinco puntos al año. Cada año. Y no es que no aporte: es que resta. En términos de capital, comprar y mantener multiplica por quince mientras el indicador multiplica por dos.

Un algoritmo que te quita cinco puntos anuales durante veintiséis años no es una herramienta neutra que “hay que saber usar”. Es un peaje. Y ese peaje lo pagas tú, no el que lo publicó.

El remate: la “confianza de la IA” elige peor que el azar

Esta es mi parte favorita del test, y la que mejor resume el asunto.

El indicador no se limita a dar señales: las puntúa. Tiene un ranking de confianza que supuestamente te dice cuáles son las mejores, y es justo la función que el marketing pone por delante (“confidence scoring”, “auto feature weighting”). Es el cerebro presumido del invento.

Así que monté la prueba obvia: elegir las operaciones por ese ranking de la IA, contra elegirlas tirando un dado. Al azar. Y repetí el sorteo aleatorio 30 veces para tener una distribución con la que comparar.

El azar gana el 87% de las veces. El ranking de confianza de la IA queda en el percentil 13 de la distribución aleatoria.

El azar le gana el 87% de las veces. El ranking de la IA queda en el percentil 13: peor que trece de cada cien selecciones hechas a ciegas. Su función más publicitada, la que justifica el “AI Classification & Ranking” del título, no solo no suma: elige activamente peor que un mono tirando dardos.

Este control aleatorio, por cierto, debería ser obligatorio en cualquier estudio que veas. Es baratísimo de hacer y responde a la única pregunta que importa: ¿esto es mejor que no hacer nada, o mejor que hacerlo a ciegas? La diferencia entre un adorno y una ventaja real está justo ahí, y es la frontera que separa el análisis técnico del análisis cuantitativo.

Por qué circulan backtests con un 99% de acierto

Si el resultado real es este, ¿cómo es posible que YouTube esté lleno de vídeos enseñando estos indicadores con cifras de escándalo? Por dos cosas, y te las cuento para que no vuelvas a picar.

Mira los “backtests” que circulan del Lorentzian Classification, el más famoso de la categoría: win rate del 99,57%, del 99,68% y hasta del 100%. Profit factor de 47. Drawdown del 0,18%.

Apréndete esto y no lo sueltes: cuando ves un win rate del 99% o del 100%, no estás viendo un buen sistema. Estás viendo un sistema mal hecho. Esos números son imposibles en el mundo real, y significan una de dos cosas (o las dos a la vez):

• Look-ahead: el backtest está usando información del futuro sin que quien lo ejecuta se dé cuenta. Basta con calcular una señal con el cierre de la vela y entrar en esa misma vela para que aparezcan curvas perfectas.
• Overfitting: han ajustado los parámetros a la historia hasta que cuadró. El sistema no ha aprendido nada del mercado; ha memorizado el pasado concreto sobre el que se optimizó.

Y los datos de la industria lo confirman con claridad. Más del 90% de las estrategias de machine learning que parecen una maravilla en backtest fracasan con dinero real, por data snooping y sobreajuste. El rendimiento real suele ser entre un 30% y un 50% peor que el del backtest. Y hay una regla que los cuantitativos repiten como un mantra: si tu backtest de machine learning da un Sharpe de 4 o 5, no has encontrado el santo grial; has sobreajustado. En validación walk-forward, un Sharpe por debajo de 0,5 significa que no hay ventaja real.

La realidad de un sistema que funciona es mucho más aburrida: aciertas el 40% o el 50% de las veces y te aseguras de que las ganadoras sean más grandes que las perdedoras. Cualquier cosa por encima de eso, sospecha. Siempre.

Cómo detectar humo en un indicador de IA: cinco señales

Esta es la parte accionable. Antes de dedicarle una hora a cualquier indicador que lleve las siglas IA en el título, pásale estos cinco filtros:

Señal de alarma	Qué significa
Win rate del 95% o superior	Look-ahead u overfitting, sin excepciones conocidas
No aparece el benchmark de comprar y mantener	Te enseñan una curva que sube, no una ventaja
El backtest usa los componentes actuales del índice	Sesgo de supervivencia: solo cuentan las que ganaron
No se mencionan costes ni número de operaciones	Sin muestra ni fricción, cualquier cosa parece funcionar
El resultado sale de un único episodio del histórico	Suerte con fecha, no capacidad predictiva

Aplica esos cinco filtros al caso de hoy y verás que el problema no era el algoritmo: era que nadie lo había medido bien. Es exactamente el mismo criterio que usarías para juzgar cualquier otra herramienta, desde una media móvil hasta un modelo de aprendizaje profundo. La etiqueta “IA” no es un cheque en blanco, y ese escepticismo sano es también el que conviene aplicar cuando se habla de una posible burbuja de la inteligencia artificial en los mercados.

Entonces, ¿sirve la inteligencia artificial para invertir?

Resumiendo: el machine learning no es magia, es estadística. Y un k-NN sobre el RSI, que es lo que hay debajo por mucho nombre que le pongan, no tiene ninguna bola de cristal. En mis tests no le gana al mercado en un activo, pierde por cinco puntos anuales en cartera y su “inteligencia” elige peor que el azar.

Ahora, que yo critique los indicadores que prometen predecir el mercado con IA no significa que la inteligencia artificial no sirva para el trading. Sirve, y mucho. Pero para otra cosa. No para que te dé señales mágicas, sino para ayudarte a ti: a construir tu propio sistema, a testearlo con rigor, a cazar errores como el look-ahead que te he enseñado hoy. La IA como copiloto, no como adivino. Si quieres ver el ángulo completo, lo desarrollo en este artículo sobre inteligencia artificial para invertir en bolsa.

Y eso es exactamente lo que estamos montando en el Quant IA Club: un sitio donde aprendes a construir tu propio sistema de trading automatizado, paso a paso, apoyándote en la inteligencia artificial, aunque hoy no sepas programar ni una línea de código. Todavía no está abierto, lo estamos rematando. Si te llama, puedes entrar en la lista de espera aquí y te avisamos en cuanto abramos, sin compromiso.

Mientras tanto, si lo que quieres es aprender a probar tus propias ideas por tu cuenta, empieza por aquí: backtest en ProRealTime, videotutorial. Es la habilidad que convierte cualquier indicador de moda en una pregunta que puedes responder tú mismo, con datos, en una tarde.

---

Fuente y método: análisis propio del indicador Machine Learning RSI | AI Classification & Ranking (Zeiierman, TradingView, código abierto, publicado en junio de 2026), traducido a Python replicando las señales de la versión de ProRealTime. Backtest sobre el Nasdaq 100 entre 2000 y 2026 (26 años): primero sobre el QQQ y después sobre los 420 valores que han pasado por el índice con universo point-in-time (incluyendo los que dejaron de cotizar), con costes por operación y 3.600 señales; benchmarks: comprar y mantener el QQQ y la misma cesta a peso igual. Control aleatorio con 30 selecciones al azar para evaluar el ranking de confianza. Cifras de win rate, profit factor y drawdown del Lorentzian Classification tomadas de los backtests públicos que circulan de esa estrategia. Datos de fracaso de estrategias de machine learning en real según el consenso publicado del sector. Última actualización: 10 de septiembre de 2026.

Los análisis aquí mostrados tienen un objetivo meramente didáctico y en ningún caso son recomendaciones de inversión de ningún tipo. Los resultados de un backtest no garantizan resultados futuros. Cada persona es responsable de gestionar su capital.