Datos para bots de trading: calidad, retrasos, errores y controles

Los datos para bots de trading son la materia prima de las reglas automatizadas. Si una marca de tiempo está desplazada, falta una observación o una fuente entrega valores inconsistentes, el sistema puede tomar una decisión distinta aunque el código no haya cambiado. Por eso la calidad de datos no debe reducirse a verificar que un archivo abrió correctamente.

Una evaluación responsable revisa procedencia, integridad, actualidad, consistencia y trazabilidad. También define qué ocurre cuando un dato no cumple las condiciones esperadas. El objetivo no es asumir que toda anomalía puede corregirse automáticamente, sino detectar cuándo la información deja de ser adecuada para la decisión prevista.

Qué información puede consumir un bot

Un sistema puede utilizar precios, volumen, horarios, estados de órdenes, indicadores calculados y variables derivadas. Cada elemento tiene una fuente, una frecuencia y una convención. Dos registros que parecen iguales pueden usar zonas horarias, unidades o reglas de ajuste diferentes.

También existen datos internos. Las decisiones del bot, sus versiones, los errores y las alertas forman parte del contexto necesario para interpretar lo ocurrido. Separar datos externos e internos permite saber si una anomalía nació en la fuente, en una transformación o durante la ejecución.

La relación general entre entradas, reglas y registros se explica en cómo funciona un bot de trading. Este artículo se concentra en las condiciones que vuelven utilizable una entrada.

Procedencia y trazabilidad

La procedencia responde de dónde vino un dato y qué ocurrió antes de llegar al sistema. Un registro debería conservar fuente, fecha de recepción, periodo al que corresponde, zona horaria, formato y transformaciones aplicadas. Si la información se combina, también debe quedar claro qué campos provienen de cada origen.

La trazabilidad permite reconstruir una decisión. Sin ella, un valor aislado no indica si fue original, corregido, interpolado o calculado. Una copia inmutable de la entrada recibida ayuda a comparar con la versión procesada.

Cuando cambia el esquema de una fuente, el sistema debe reconocer la versión. Reutilizar una columna con un significado nuevo puede introducir errores silenciosos. La validación debe comprobar nombres, tipos, unidades y rangos antes de aceptar el conjunto.

Integridad y datos faltantes

La integridad evalúa si están presentes las observaciones necesarias. Un hueco puede representar una interrupción, un periodo sin actividad o un error de transmisión. Rellenarlo automáticamente sin distinguir la causa puede crear información que nunca existió.

El primer control consiste en detectar la ausencia y conservarla como evento. Después se decide si el sistema puede continuar, usar una fuente alternativa o pausar. Esa decisión depende de la regla y del riesgo, no de una preferencia general.

También importa el orden. Datos duplicados o fuera de secuencia pueden activar una regla más de una vez o alterar cálculos acumulados. Los identificadores y las marcas de tiempo deben permitir deduplicar sin borrar eventos distintos que comparten el mismo valor.

Actualidad, latencia y sincronización

La latencia es el tiempo entre el evento original y su disponibilidad para el sistema. No toda demora es visible. Una conexión puede permanecer activa mientras entrega información atrasada. Por eso el control debe comparar el tiempo del evento, el de recepción y el de procesamiento.

Las zonas horarias y los cambios de horario también requieren cuidado. Una conversión incorrecta puede desplazar datos a otro periodo. Conviene almacenar una referencia temporal consistente y conservar la zona original cuando sea relevante.

Si varias fuentes se combinan, deben alinearse. Un precio reciente y un indicador calculado con datos antiguos forman una entrada incoherente. El sistema necesita límites de antigüedad y una respuesta definida cuando las fuentes quedan desincronizadas.

Consistencia entre fuentes

Comparar fuentes puede ayudar a detectar valores atípicos, pero las diferencias no siempre significan que una esté equivocada. Cada origen puede cubrir un mercado, horario o método de agregación distinto. La comparación debe usar datos equivalentes y documentar tolerancias.

Una desviación persistente requiere investigación. Puede provenir de redondeo, ajustes, frecuencia o errores. El control debe generar una alerta que muestre ambos valores, la diferencia y el contexto. Sustituir silenciosamente una fuente elimina evidencia.

La gestión de dependencias también importa. El FSB ha señalado las dependencias de terceros, los riesgos cibernéticos y los retos de gobernanza de modelos como vulnerabilidades relacionadas con inteligencia artificial en finanzas. Aunque su análisis es sistémico, ayuda a recordar que una fuente externa puede concentrar riesgos operativos.

Anomalías y valores extremos

Un valor extremo puede ser un error o un evento real. Eliminarlo por superar un umbral puede ocultar precisamente la condición que se necesita estudiar. Los controles deberían clasificar y aislar la observación antes de modificarla.

Las reglas de detección pueden combinar límites físicos, cambios respecto al valor anterior y comparación con otras fuentes. Deben documentarse y probarse con ejemplos. Si un umbral cambia, la versión anterior debe conservarse para explicar por qué una alerta apareció o dejó de aparecer.

La revisión humana es especialmente importante cuando la anomalía puede afectar muchas decisiones. Una alerta clara debe incluir el dato, la fuente, el momento, la regla activada y la acción automática que se tomó.

Transformaciones y variables derivadas

Los datos rara vez llegan listos. Pueden normalizarse, agregarse o convertirse en indicadores. Cada transformación introduce supuestos. Una media depende de su ventana; una tasa de cambio depende del punto inicial; una agregación puede ocultar movimientos dentro del periodo.

La documentación debe describir la fórmula, los parámetros, el orden de operaciones y el manejo de valores ausentes. También debe impedir que información futura entre en un cálculo histórico. Esa fuga temporal puede hacer que una prueba parezca más sólida de lo que es.

En qué información conviene revisar en un bot de trading se explica cómo evaluar la evidencia antes de interpretar resultados históricos.

Controles antes, durante y después

Antes del procesamiento se verifican esquema, fuente, integridad, orden, unidades y actualidad. Durante el procesamiento se registran transformaciones, descartes y alertas. Después se comparan entradas, decisiones y resultados para detectar comportamientos inesperados.

Estos controles necesitan criterios de pausa. Continuar con datos dudosos puede ser más peligroso que detener una decisión. La política debe indicar quién revisa la alerta y qué evidencia necesita para reanudar el sistema.

El NIST AI Risk Management Framework organiza la gestión de riesgos de inteligencia artificial alrededor de gobernar, mapear, medir y gestionar. No prescribe una configuración para bots de trading, pero sí respalda la necesidad de evaluación continua y consideración de confiabilidad durante todo el ciclo de vida.

Registros mínimos para revisar un incidente de datos

Un incidente debería conservar el identificador de la fuente, el dato recibido, el dato procesado, las marcas de tiempo, la versión del transformador, la regla de validación y la acción ejecutada. También conviene guardar quién revisó el caso y qué cambio se aprobó.

No todos los registros deben conservarse indefinidamente. La política depende de obligaciones, sensibilidad y utilidad. Sin embargo, borrar de inmediato los eventos problemáticos impide reconstruir causas. La retención debe diseñarse antes del incidente.

El contenido sobre registros y monitoreo en bots de trading ofrece una estructura más amplia para alertas, versiones y respuesta.

Privacidad y minimización

Un sistema debe usar solo los datos necesarios para su función. Recopilar información adicional aumenta exposición y complejidad. La minimización implica definir propósito, acceso, retención y eliminación para cada categoría.

Los permisos deben seguir el principio de menor privilegio. Los registros técnicos no deberían contener secretos completos ni credenciales. Si una alerta necesita identificar una cuenta o fuente, puede utilizar un identificador limitado que permita investigar sin exponer información innecesaria.

Cómo evaluar una afirmación sobre calidad de datos

Frases como datos precisos o información en tiempo real necesitan definición. Conviene preguntar qué se mide, con qué frecuencia, frente a qué referencia y durante qué periodo. También hay que conocer los incidentes detectados y cómo se resolvieron.

Una certificación aislada o una captura no sustituye los registros. La evidencia debe incluir muestras, reglas de validación y resultados de controles. Además, una fuente adecuada para un propósito puede no serlo para otro.

La CFTC advierte que la tecnología no puede predecir cambios repentinos del mercado. Datos actualizados mejoran la observación, pero no eliminan incertidumbre ni convierten un modelo en una fuente de certeza.

Preguntas frecuentes

¿Qué significa calidad de datos en un bot de trading?

Significa que la información es adecuada para la decisión prevista. Incluye procedencia, integridad, actualidad, consistencia, formato y trazabilidad, además de controles cuando alguna condición falla.

¿Un dato retrasado siempre es incorrecto?

No necesariamente, pero puede ser inadecuado para una regla sensible al tiempo. Debe conservarse su marca temporal y compararse con el límite de antigüedad definido para esa decisión.

¿Conviene rellenar automáticamente los datos faltantes?

Solo cuando existe una regla documentada y apropiada para el propósito. Antes hay que distinguir una ausencia real, una interrupción y un error. La imputación debe quedar registrada.

¿Por qué se comparan varias fuentes?

Para detectar diferencias y dependencias, siempre que cubran el mismo evento y se conozcan sus métodos. Una discrepancia genera una investigación; no demuestra automáticamente cuál fuente es correcta.