Una parte creciente del volumen diario de Polymarket procede ya de estrategias de trading automatizadas, y en algunos contratos la mayor parte del libro de órdenes la aporta un puñado de bots. ¿El mercado de predicción en el que crees que operas contra otros humanos? Cada vez menos.
En los últimos seis meses, una revolución silenciosa ha transformado la mecánica de los mercados de predicción. Los traders algorítmicos —con estrategias que van desde simples scripts de arbitraje hasta sofisticados sistemas impulsados por modelos de lenguaje— han pasado de los márgenes al centro del ecosistema. Y su presencia lo está cambiando todo: la liquidez, la eficiencia de los precios, la velocidad con la que los mercados reaccionan a las noticias y la experiencia de los traders minoristas que creían ser el dinero inteligente.
Para mostrar lo que de verdad ocurre bajo la superficie, este artículo sigue a tres traders compuestos, uno por cada gran estrategia. El Trader A, la Trader B y el Trader C son ilustraciones construidas a partir de cómo los operadores de bots describen públicamente sus sistemas, no personas con nombre ni entrevistadas.
El ascenso de las máquinas
El trading automatizado en los mercados de predicción no es nuevo. Los bots de arbitraje simples —scripts que aprovechan las diferencias de precio entre plataformas como Polymarket y Kalshi— existen desde que ambas plataformas tuvieron liquidez suficiente para que el diferencial mereciera la pena. Lo que ha cambiado es la sofisticación.
La generación actual de bots de mercados de predicción se divide, a grandes rasgos, en tres categorías:
Los bots de arbitraje vigilan en tiempo real las discrepancias de precio entre plataformas. Cuando Polymarket cotiza un contrato a 43¢ y Kalshi tiene el equivalente a 38¢, el bot compra el lado barato y vende el caro, y se embolsa el diferencial menos comisiones y deslizamiento. Son la categoría más simple y mejor entendida.
Los bots de creación de mercado aportan liquidez colocando órdenes de compra y de venta a ambos lados de un contrato y ganando el diferencial entre compra y venta. Ajustan sus cotizaciones de forma dinámica según el flujo de órdenes, la volatilidad y el riesgo de inventario. Varios contratos de Polymarket que parecen tener libros de órdenes profundos y líquidos se sostienen en realidad casi por completo gracias a dos o tres creadores de mercado automatizados.
Los bots de señales son la categoría más nueva y más interesante. Estos sistemas absorben datos externos —noticias, sentimiento en redes sociales, indicadores económicos, incluso la salida de grandes modelos de lenguaje— y traducen esa información en decisiones de trading más rápido de lo que puede hacerlo cualquier humano. Piensa en uno de ellos como una máquina que lee noticias y que expresa sus opiniones a través de operaciones en mercados de predicción.
Dentro de una operación con bots
El "Trader A", nuestro operador compuesto basado en señales, dirige una operación que mueve unos $200,000 de volumen nocional por semana en los contratos políticos y macro de Polymarket.
Su sistema es engañosamente simple en apariencia. Un grupo de servidores en la nube vigila una lista seleccionada de fuentes de datos: los teletipos de AP y Reuters, un puñado de analistas políticos creíbles en X, las comunicaciones de la Reserva Federal y la publicación de datos macroeconómicos. Un LLM procesa la información entrante y genera estimaciones de probabilidad para cada contrato que opera. Cuando la estimación del modelo se aleja de forma significativa del precio de mercado, el sistema coloca operaciones.
"La ventaja no es el modelo en sí", explica. "Cualquier LLM decente puede estimar probabilidades. La ventaja es la velocidad y la disciplina. Cuando un gobernador de la Fed hace un comentario fuera de guion en una conferencia regional, mi sistema ya ha reajustado los contratos relevantes antes de que la mayoría de los traders humanos haya visto siquiera el titular".
Su sistema incorpora además un circuito de retroalimentación. Registra su propia precisión histórica y ajusta los niveles de confianza en consecuencia. Los contratos en los que históricamente le ha ido bien reciben posiciones más grandes. Aquellos en los que su historial es irregular reciben posiciones más pequeñas o se evitan por completo.
Los operadores que usan este tipo de sistema rara vez publican su rentabilidad, y describen el negocio con modestia: "No es dinero para hacerse rico rápido. Es dinero de trabajo constante. Cientos de pequeñas ventajas que se acumulan".
La capa de arbitraje
La "Trader B" ejecuta una estrategia pura de arbitraje entre plataformas. Su sistema vigila contratos equivalentes en Polymarket, Kalshi y varias plataformas más pequeñas, y ejecuta operaciones cuando el diferencial supera su umbral de costes.
"La gente cree que el arbitraje es dinero gratis. No lo es", dice. "Te enfrentas a mecanismos de liquidación distintos, estructuras de comisiones distintas, plazos de depósito y retiro distintos, y al riesgo constante de que lo que parece el mismo contrato en dos plataformas tenga criterios de resolución sutilmente diferentes".
El escenario que temen los arbitrajistas es este: posiciones opuestas en lo que parecen contratos equivalentes en Polymarket y Kalshi. El evento subyacente se resuelve y Polymarket paga, pero el contrato de Kalshi, redactado con un lenguaje de resolución ligeramente distinto, sigue sin resolverse otras tres semanas por una disputa de ambigüedad. El trader gana en un lado y tiene el dinero bloqueado en el otro.
"El verdadero riesgo del arbitraje en mercados de predicción no es el riesgo de precio. Es el riesgo de resolución y el riesgo de plataforma".
A pesar de las dificultades, la capa de arbitraje ha estrechado de forma notable los diferenciales entre plataformas en el último año. Los contratos que antes mostraban discrepancias de 5–8 centavos entre plataformas ahora suelen converger dentro de 1–2 centavos. "Sinceramente, le estamos haciendo un servicio al mercado. Estamos haciendo que los precios sean más precisos en todo el ecosistema".
La cuestión de la creación de mercado
El tercer operador, el "Trader C", ejecuta una estrategia de creación de mercado en Polymarket. Aporta liquidez en unos 30 contratos activos, cotizando órdenes de compra y de venta y ganando el diferencial.
"La mayoría de los traders minoristas no se dan cuenta de que la liquidez que ven en el libro de órdenes no es orgánica. Soy yo y quizá otros dos tipos", dice. "Si mañana apagáramos nuestros bots, los diferenciales entre compra y venta de la mitad de los contratos de nivel medio de Polymarket se dispararían de 1–2 centavos a 8–10 centavos".
Esto plantea una pregunta incómoda para el ecosistema: se supone que los mercados de predicción son mecanismos para agregar creencias humanas en estimaciones de probabilidad precisas. Si una parte importante del flujo de órdenes la generan algoritmos que a su vez reaccionan a otros algoritmos, ¿qué representa realmente el precio resultante?
El Trader C rechaza esa preocupación. "No estamos distorsionando los precios. Estamos haciendo el mercado más eficiente. Nuestras cotizaciones se basan en información real: patrones de flujo de órdenes, volatilidad implícita, señales entre mercados. Simplemente procesamos esa información más rápido y de forma más constante que un humano sentado frente a un portátil".
Pero otros participantes del mercado no están tan seguros.
La experiencia del minorista
Para los traders individuales, el auge de los bots ha sido un arma de doble filo.
En el lado positivo, los mercados son más líquidos y los diferenciales más estrechos que nunca. Un trader minorista que colocaba una orden de $500 en un contrato importante de Polymarket en 2024 podía sufrir 3–5 centavos de deslizamiento. Hoy, el deslizamiento en la misma operación suele ser inferior a un centavo.
En el lado negativo, la ventaja informativa que antes atraía a los minoristas sofisticados se está erosionando. Si eres de los que leen una noticia de última hora, abren Polymarket e intentan operar con la nueva información, casi seguro que llegas tarde. Para cuando has procesado el titular y has llegado al contrato, los bots de señales ya han movido el precio.
Los traders minoristas activos lo comparan con jugar al póquer contra alguien que puede ver tus cartas: no porque nadie haga trampa, sino porque los bots operan a una velocidad que vuelve irrelevante el proceso de decisión de un humano.
Esta dinámica resulta familiar para cualquiera que haya seguido la evolución de los mercados financieros tradicionales. Los mercados de acciones pasaron por una transformación similar en las décadas de 2000 y 2010, a medida que las firmas de trading de alta frecuencia ganaban dominio. El resultado fueron diferenciales más estrechos y mejor ejecución para los inversores ocasionales, pero un entorno mucho más difícil para los traders activos que intentaban batir al mercado con ventajas informativas.
Los mercados de predicción podrían estar siguiendo la misma trayectoria, solo que comprimida en unos pocos años en lugar de un par de décadas.
Qué están haciendo las plataformas al respecto
Polymarket ha reconocido públicamente la presencia de trading automatizado en su plataforma y, en general, ha adoptado una postura permisiva. La tesis central de la plataforma —que los mercados abiertos y líquidos producen las estimaciones de probabilidad más precisas— es indiferente a si esa liquidez procede de humanos o de algoritmos.
Kalshi ha sido menos explícita sobre su enfoque, pero ha implantado límites de frecuencia y un control de la proporción entre órdenes y operaciones que restringen implícitamente ciertos tipos de estrategias de alta frecuencia. Sus obligaciones regulatorias bajo la supervisión de la CFTC también imponen algunas barreras contra la manipulación del mercado que se aplican tanto si el trader es humano como si es automatizado.
Las plataformas más pequeñas han optado por enfoques diversos. Algunas han introducido retardos o "badenes" pensados para dar a los traders humanos un terreno de juego algo más equilibrado. Otras han apostado por el ecosistema de bots, ofreciendo acceso por API y documentación diseñados específicamente para atraer a los traders algorítmicos y la liquidez que aportan.
El factor LLM
Quizá el avance más interesante es la aparición del trading impulsado por LLM como categoría propia. A diferencia de las estrategias cuantitativas tradicionales, que se basan en datos estructurados y patrones estadísticos, los sistemas basados en LLM pueden procesar información no estructurada —discursos, entrevistas, documentos de políticas, publicaciones en redes sociales— y traducirla en estimaciones de probabilidad.
Varios grupos de investigación y operadores privados están llevando a cabo experimentos en los que a un gran modelo de lenguaje se le plantea una pregunta de un mercado de predicción, se le da el contexto relevante y se le pide una probabilidad. Cuando esa probabilidad se aleja del precio de mercado, se ejecuta una operación.
Los primeros resultados sugieren que estos sistemas funcionan razonablemente bien en preguntas cuya respuesta depende de sintetizar grandes cantidades de información pública, justo el tipo de pregunta que los mercados de predicción están diseñados para responder.
La implicación es provocadora: si un LLM puede leer la misma información que el mercado colectivo y llegar a una estimación de probabilidad mejor, ¿qué dice eso de la tesis de la "sabiduría de las multitudes" sobre la que se construyen los mercados de predicción? ¿Están siendo sustituidas las multitudes por una única máquina muy bien informada?
La respuesta, por ahora, es probablemente que no. Los traders basados en LLM siguen siendo una pequeña fracción del volumen total, y su ventaja parece estrecha e inconsistente. Pero la trayectoria es clara. A medida que los modelos mejoren y entren más operadores, el papel de la IA en la formación de los precios de los mercados de predicción no hará más que crecer.
Lo que viene
El ecosistema de bots en los mercados de predicción sigue en sus primeras fases. Los operadores actuales son sobre todo aficionados, equipos pequeños y traders nativos de cripto que llegaron a este espacio casi por casualidad. La infraestructura es rudimentaria: servidores en la nube, scripts a medida, supervisión manual.
Pero la oportunidad está atrayendo la atención de actores más sofisticados. Las firmas de trading tradicionales ya están dentro: Susquehanna International Group se convirtió en el primer creador de mercado institucional de Kalshi en 2024. Si llegan el capital y la infraestructura de nivel institucional, y cuando lo hagan, la dinámica volverá a cambiar.
Para los traders minoristas, la conclusión práctica es sencilla: la ventaja informativa en los mercados de predicción se está reduciendo. Las estrategias basadas en la velocidad son una batalla perdida frente a los bots. Lo que sigue funcionando es un conocimiento profundo de temas concretos, la paciencia para mantener posiciones durante la volatilidad y la disposición a operar con horizontes temporales más largos, donde la ventaja de los bots es menor.
Para las plataformas, el reto es mantener la percepción —y la realidad— de que los precios de los mercados de predicción reflejan una inteligencia colectiva genuina, y no solo la salida de un puñado de algoritmos bien financiados. Es un equilibrio con el que el mundo de las finanzas tradicionales lleva años lidiando.
Los mercados de predicción prometían ser el mercado de la verdad. La pregunta ahora es si la verdad tiene una API.
Aviso: PredictReport tiene relaciones de afiliación con Polymarket y Kalshi. Este artículo es un análisis editorial independiente y ninguna de las dos plataformas lo revisó antes de su publicación.
¿Tienes información sobre el trading automatizado en los mercados de predicción? Escribe a support@predictreport.io.
