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

Un nuevo artículo describe un enfoque en el que la señal de trading para el mercado cripto se construye no en gráficos de precios sino en cambios del sentimiento de las noticias. El autor sostiene que las reversiones intradía se explican más a menudo por cascadas de publicaciones y recomparticiones que por el historial de precios.

Por Qué Fallan las Señales

El artículo examina 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 suficientemente estable. Pero en el mercado cripto, el sentimiento puede cambiar de alcista a bajista y viceversa varias veces al día. Cuando esto sucede, incluso una estrategia cuidadosamente ajustada comienza a producir ruido en lugar de dirección, porque responde a la estructura de mercado de ayer, no al flujo fresco 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 en sí, sino en la mecánica de su distribución. Los precios se mueven no por áridos documentos regulatorios ni por la publicación de un informe en sí, sino por una cadena de recomparticiones, comentarios e interpretaciones en los dominios y blogs que los inversores minoristas siguen. Por ello, el mercado reacciona al entorno mediático más rápido de lo que los indicadores clásicos pueden ajustarse, e intentar aplicar el mismo conjunto de señales a todos los regímenes a menudo resulta en algo cercano al 50/50.

Cómo Encontrar Sentimiento

La parte práctica se construye alrededor de búsqueda vectorial en noticias y publicaciones con interpretación posterior mediante LLM. El autor propone no mezclar estas tareas: los embeddings y la distancia coseno se necesitan para extraer el array de noticias relevante por significado, mientras que el modelo de lenguaje debe evaluar por separado el sentimiento general de la muestra. Las herramientas mencionadas incluyen combinaciones usando Scrapy, PostgreSQL con PgVector, MongoDB Atlas Vector Search y, para comenzar rápidamente, Tavily y Perplexity Search API.

• Buscar no solo coincidencias exactas, sino contexto semántico alrededor del activo.
• No tomar la puntuación máxima como la mejor señal; en su lugar, observar menciones fronterizas.
• Primero filtrar dominios y autores influyentes, luego refinar la consulta.
• Mantener una ventana de tiempo estricta para que la positividad matinal no se mezcle con negatividad vespertina.
• Separar la búsqueda de publicaciones del análisis de sentimiento para que el LLM no sustituya la interpretación por hecho.

Se hace especial hincapié en el tiempo de publicación. El artículo recomienda excluir materiales sin una marca de tiempo precisa; de lo contrario, el sesgo de anticipación entra en la selección y la estrategia comienza a ver el futuro en retrospectiva. Para la búsqueda, se propone usar un rango de dos días y luego filtrar las últimas 24 horas internamente. El autor considera que exactamente 24 horas es la ventana óptima: ya proporciona contexto pero no difumina la direccionalidad del sentimiento en ruido estadístico.

Prueba en Mercado

Para probar la hipótesis, el autor muestra dos casos de Bitcoin: en uno, la consulta dio sentimiento neutral-bajista; en otro, alcista. Estas valoraciones se comparan luego con la reacción posterior del mercado. Formalmente, esto no parece investigación académica completa, pero como demostración de ingeniería, la idea queda clara: el contexto de noticias puede usarse no como predictor absoluto de precio, sino como filtro de régimen dentro del cual se toman decisiones de entrada.

El enfoque entonces avanza hacia la automatización. Según la descripción, un agente de IA recibe una señal de noticias, abre una posición y la mantiene hasta el agotamiento del sentimiento, utilizando un hard stop estadísticamente inalcanzable y trailing take-profit para control de riesgo. El autor también menciona directamente el punto débil: si sale solo por cambios de sentimiento, puede perder parte de las ganancias debido a retrasos de parsing y latencia de entrega de noticias.

Por lo tanto, como mejora, se propone salir en un retroceso del 3% desde el PnL máximo de la posición abierta.

Qué Significa

Para trading algorítmico en mercados impulsados por noticias y que cambian rápidamente como cripto, esta es otra señal de que la batalla no es solo sobre calidad de modelos sino también sobre calidad de fuentes, timing y filtrado de ruido. Si la hipótesis del autor se mantiene en backtests más amplios, la prioridad puede desplazarse de complicar indicadores a sistemas que lean mejor el sentimiento del mercado en tiempo real.