Según arXiv q-fin, los modelos de lenguaje grande (LLMs) están siendo cada vez más utilizados en finanzas cuantitativas para predecir precios de acciones. Este análisis recopila las principales aplicaciones recientes de estos modelos, desde la extracción de sentimientos en noticias financieras y redes sociales, hasta el análisis de informes financieros y transcripciones de llamadas de resultados. También se estudian su capacidad para tokenizar series de precios bursátiles y diseñar sistemas de trading multi-agente. El enfoque se centra en desafíos operativos que, aunque frecuentemente omitidos en la literatura, impactan directamente en el rendimiento práctico. Entre ellos se destacan la fragilidad en el análisis de sentimiento, la selección de conjuntos de datos y de horizontes de predicción, los criterios de evaluación de desempeño, el riesgo de filtrado de datos, los premios por liquidez limitada y las barreras inherentes a la previsibilidad de los precios de acciones.
Desde la perspectiva de fondos de inversión, el estudio busca servir como guía para investigadores académicos y gestores de fondos que deseen integrar estos modelos en procesos de trading reales. No se trata solo de demostrar que una predicción es posible, sino de evaluar su viabilidad bajo condiciones reales de mercado. Los errores más comunes, como la sobreajuste de modelos o la exposición a sesgos de datos, pueden comprometer la estabilidad de estrategias basadas en inteligencia artificial. Además, la naturaleza de los datos financieros —como su baja frecuencia, su volatilidad y su dependencia de eventos no previsibles— limita profundamente la capacidad de los LLMs para generar predicciones confiables a largo plazo. Cada paso del proceso, desde la recolección hasta la validación, debe ser cuidadosamente verificado para evitar sesgos y errores sistemáticos.
Para los inversores peruanos, esta realidad implica que las herramientas de inteligencia artificial, aunque prometedoras, no deben ser adoptadas como soluciones definitivas. El mercado peruano, con su estructura de liquidez variable, alta volatilidad en sectores como el minería y el transporte, y una base de información financiera menos desarrollada, representa un escenario donde los modelos de lenguaje pueden fallar más fácilmente. Los errores en la interpretación de noticias o en el análisis de informes técnicos podrían llevar a decisiones erróneas, especialmente en entornos de baja frecuencia de datos. Por tanto, cualquier uso de tecnología avanzada debe ir acompañado de supervisión humana, validación cruzada y una comprensión profunda del contexto económico local. La confianza en estos modelos debe basarse en pruebas rigurosas y en escenarios de estrés, no en resultados aislados o en predicciones optimistas. En el contexto peruano, donde la inversión es aún sensible a factores macroeconómicos y políticos, la cautela debe ser una columna vertebral de cualquier estrategia de inversión que integre inteligencia artificial.