El bucle que se mejora a sí mismo — Cada operación cerrada le enseña al motor

La mayoría de los bots de trading están congelados en el tiempo. La lógica que ejecutan hoy es la misma que ejecutaban el primer día. Si hicieron una mala operación una vez, harán con gusto la misma mala operación mañana. Decidimos que ese era un techo inaceptable.

A día de hoy, StormBot se entrega con un bucle de auto-mejora — cinco módulos entrelazados que rastrean, diseccionan y aprenden de cada operación cerrada. La estrategia se adapta sobre la base de resultados reales, no de teoría.

Esto es lo que hace cada módulo:

1. Rastreador de resultados de operaciones y calculadora de tasa de acierto

Cada operación que sale — ya sea por stop-loss, objetivo de beneficio o resolución del mercado — se registra permanentemente con su contexto completo: la pregunta del mercado, precio de entrada, precio de salida, qué ciudad, qué fecha, qué modo de trading estaba activo, qué predijeron los modelos de pronóstico y el P&L final.

A partir de estos datos, el motor calcula tasas de acierto en tiempo real desglosadas por ciudad, modo de trading, rango del precio de entrada, y periodo de tiempo. Tras solo unos días de operar, surgen patrones. Tal vez el bot gane el 85% de las operaciones en Londres pero solo el 45% en Seúl. Tal vez funcione brillantemente con entradas por debajo de 15¢ pero mal por encima de 40¢. Estas no son corazonadas — son números duros de operaciones reales, y alimentan directamente la próxima decisión de Claude.

2. Ciclo de retroalimentación post-resolución: seguimiento de la precisión del modelo

Esto es ciencia meteorológica pura. Después de que cada mercado se resuelve, el motor registra lo que cada modelo meteorológico predijo versus lo que realmente sucedió. Con el tiempo, esto construye una base de datos de precisión del modelo por ciudad.

¿El resultado? Después de 30 días de datos, el bot podría saber que "ECMWF corre consistentemente 0.8°C demasiado cálido para Seúl en marzo" o "GFS está 1.2°C demasiado frío para Miami en verano". Estos sesgos sistemáticos se factorizan automáticamente en el cálculo de consenso. Ningún otro bot de trading meteorológico tiene esto — la mayoría trata todos los modelos por igual sin importar su trayectoria para una ciudad y temporada específicas.

3. Claude evalúa sus propias operaciones — análisis post-mortem por IA

Este es el módulo más poderoso. Cada 30 minutos, el bot revisa sus trades perdedores recientes y envía cada uno de vuelta a Claude con una simple pregunta: "¿Qué salió mal?"

Claude examina la operación en retrospectiva — los datos de pronóstico que estaban disponibles, el precio al que entró, el resultado real — y escribe un post-mortem conciso: cuál fue el error y una regla accionable para evitarlo en el futuro. Estas lecciones se acumulan en un "playbook" que se inyecta en cada prompt de IA futuro.

Tras 100 operaciones, Claude prácticamente ha escrito su propio manual de trading basado en experiencia real. Ejemplos de lecciones que hemos visto en pruebas:

• "Evita BUY_YES por encima de 30¢ en ciudades asiáticas: el mercado suele ya ser eficiente a ese precio"
• "Cuando GFS y ECMWF discrepen en más de 2°C, siempre SKIP: la incertidumbre es demasiado alta"
• "Las temperaturas de Seúl son sistemáticamente inferiores al consenso del modelo en marzo: aplica una corrección de -1°C"

4. Calibración de la confianza de la IA

Cuando Claude dice que un trade tiene confianza "VERY_HIGH", ¿con qué frecuencia gana realmente? Este módulo rastrea la respuesta con precisión. El nivel de confianza de cada trade se registra junto con su resultado, construyendo una tabla de calibración:

Estos datos se inyectan directamente en el prompt de Claude. Si Claude ve que sus llamadas VERY_HIGH solo aciertan el 60% del tiempo, se vuelve naturalmente más selectivo — reservando VERY_HIGH para resultados verdaderamente certeros. La confianza de la IA se vuelve genuinamente significativa en lugar de arbitraria, lo que mejora directamente el dimensionamiento de las operaciones (ya que apuestas más grandes se hacen en niveles de confianza más altos).

5. Contexto de rendimiento móvil — reconocimiento de patrones

Cada análisis de IA recibe ahora un resumen de rendimiento móvil de 7 días que muestra:

• Registro general de ganancias/pérdidas y P&L neto
• Ciudades con mejor desempeño (donde el bot gana consistentemente)
• Ciudades con peor desempeño (donde debe operar con cautela o evitar)
• Tasas de aciertos por rango de precio de entrada (<15¢, 15-40¢, >40¢)

Claude ajusta naturalmente su comportamiento basándose en este contexto. Si las operaciones de Londres están en una racha de 9 victorias, se inclina hacia oportunidades de Londres más agresivamente. Si Seúl ha sido un perdedor consistente, eleva el listón antes de recomendar operaciones de Seúl. La estrategia del bot evoluciona diariamente en función de lo que realmente está funcionando.