En Habr AI proponen usar el sentimiento de las noticias como señal de trading para el mercado cripto

Un nuevo análisis describe un enfoque en el que la señal de trading para el mercado cripto no se construye sobre gráficos, sino sobre los cambios en el sentimiento de las noticias. El autor sostiene que los giros intradía se explican más a menudo por una cascada de publicaciones y reposts que por el historial de precios.

Por qué se rompen las señales

El artículo analiza un problema típico del análisis técnico: las medias móviles y otros indicadores se ajustan a datos pasados y asumen que el régimen de mercado es razonablemente estable. Pero en cripto el ánimo puede pasar de alcista a bajista y viceversa varias veces al día. Cuando ocurre, incluso una estrategia bien calibrada empieza a generar ruido en lugar de dirección, porque reacciona a la estructura de ayer y no al flujo reciente de mensajes que ya está cambiando el comportamiento de los participantes.

«El sentimiento de las noticias determina el régimen.

El indicador funciona dentro del régimen».

Según el autor, el problema no está solo en las noticias, sino en la mecánica de su difusión. Lo que mueve el precio no son los documentos áridos de los reguladores ni la publicación de un informe en sí, sino la cadena de reposts, comentarios e interpretaciones en los dominios y blogs que sigue el inversor minorista. Por eso el mercado reacciona al entorno mediático más rápido de lo que los indicadores clásicos logran reajustarse, y aplicar el mismo conjunto de señales a todos los regímenes suele acabar en un resultado de en torno al 50/50.

Cómo buscar el sentimiento

La parte práctica gira en torno a una búsqueda vectorial sobre noticias y publicaciones, seguida de una interpretación con un LLM. El autor recomienda no mezclar ambas tareas: los embeddings y la distancia coseno sirven para obtener un conjunto de noticias relevante por significado, y el modelo de lenguaje debe evaluar por separado el ánimo general de la muestra. Entre las herramientas se mencionan combinaciones con Scrapy, PostgreSQL con PgVector y MongoDB Atlas Vector Search, y, para empezar rápido, Tavily y la Perplexity Search API.

• Buscar no solo coincidencias exactas, sino el contexto semántico en torno al activo.
• No tomar la puntuación máxima como la mejor señal, sino fijarse en las menciones límite.
• Seleccionar primero dominios y autores influyentes y solo después afinar la consulta.
• Mantener una ventana temporal estricta para que el optimismo de la mañana no se mezcle con el pesimismo de la tarde.
• Separar la búsqueda de publicaciones del análisis del sentimiento, para que el LLM no sustituya el hecho por su propia interpretación.

Se hace especial hincapié en la hora de publicación. El artículo aconseja excluir los materiales sin un timestamp exacto; de lo contrario, entra en la muestra un sesgo de anticipación (look-ahead bias) y la estrategia empieza a ver el futuro con retroactividad. Para la búsqueda se propone tomar un rango de dos días y filtrar después, por cuenta propia, las últimas 24 horas. El autor considera que un día es la ventana óptima: ya aporta contexto, pero aún no diluye la dirección del sentimiento en ruido estadístico.

Prueba en el mercado

Para comprobar la hipótesis, el autor muestra dos casos de bitcoin: en uno la consulta dio un sentimiento neutral-bajista y en el otro, alcista. Después compara esas valoraciones con la reacción posterior del mercado. Formalmente no parece un estudio académico completo, pero como demostración de ingeniería la idea se entiende bien: el contexto informativo puede usarse no como predictor absoluto del precio, sino como filtro de régimen, dentro del cual se toma la decisión de entrada.

A continuación, el enfoque se lleva a la automatización. Según la descripción, un agente de IA recibe la señal de noticias, abre una posición y la mantiene hasta que se agota el sentimiento, y para controlar el riesgo usa un hard stop estadísticamente inalcanzable y un trailing take-profit. El autor también señala sin rodeos el punto débil: si se sale solo por el cambio de sentimiento, se puede perder parte del beneficio por los retrasos en el parseo y la entrega de las noticias. Como mejora, se propone salir con un retroceso del 3 % desde el PnL máximo de la posición abierta.

Qué significa

Para el trading algorítmico en mercados informativos y de cambio rápido como el cripto, es otra señal de que la competencia no se libra solo en la calidad de los modelos, sino también en la calidad de las fuentes, el timing y el filtrado del ruido. Si la hipótesis del autor resiste un backtest más amplio, la prioridad podría pasar de complicar los indicadores a sistemas que lean mejor el ánimo del mercado en tiempo real.