Los hackathons se han convertido en una parte fundamental de mi formación como ingeniero de software. No solo por los premios o el networking, sino porque te obligan a construir rápido, pensar creativamente y trabajar bajo presión. Mi experiencia más intensa fue participar en el AI Trading Agents Hackathon 2026, donde desarrollamos un agente autónomo capaz de ejecutar operaciones de trading en mercados financieros usando machine learning.
El Desafío: Trading Autónomo en 2 Semanas
El objetivo del hackathon era diseñar un agente de IA que pudiera tomar decisiones de trading de forma autónoma, sin intervención humana, y optimizar su estrategia mediante aprendizaje por refuerzo. Teníamos acceso a APIs de exchanges como Kraken, datos históricos de precios, y debíamos maximizar el retorno de inversión en un entorno de paper trading (simulado).
Arquitectura del Agente
Nuestro agente, que llamamos AlphaTrader, estaba compuesto por tres capas principales:
Capa de Datos: Ingestión en tiempo real de precios (candlesticks), volúmenes, libros de órdenes y sentiment de noticias. Usamos Kafka para streaming y PostgreSQL para almacenar históricos.
Capa de Inteligencia: Ensemble de modelos de ML combinando estrategias clásicas (Moving Average Crossover, RSI) con redes neuronales LSTM para predicción de series temporales. El modelo de ensemble votaba la acción final (comprar, vender, mantener).
Capa de Ejecución: Motor de trading que interactuaba con la API del exchange, gestionaba el portfolio, y calculaba tamaños de posición basándose en técnicas de risk management (Kelly Criterion).
Decisiones Técnicas
Uno de los mayores aprendizajes fue que los modelos complejos no siempre ganan en trading. Nuestra primera versión usaba un modelo de Deep Reinforcement Learning (DQN) muy sofisticado, pero era demasiado sensible al ruido del mercado y generaba operaciones erráticas.
Pivoteamos hacia un enfoque híbrido: usamos reglas basadas en indicadores técnicos (40% del peso de decisión) combinadas con predicciones de modelos LSTM (30%) y análisis de sentiment de tweets/noticias (30%). Este ensemble fue mucho más estable y consistente.
Tecnologías Utilizadas
El stack tecnológico fue:
- Python (Pandas, NumPy, Scikit-learn, TensorFlow) para procesamiento de datos y modelos ML
- FastAPI para exponer endpoints de monitoreo y control del agente
- Docker para contenerizar todos los componentes
- Redis para caché de precios y states del agente
- Grafana para dashboards en tiempo real de performance del agente
Resultados y Aprendizajes
Logramos ejecutar más de 1,600 operaciones autónomas durante la fase de competición, con un retorno acumulado positivo del 12% en paper trading. No ganamos el primer lugar (fue para un equipo con un modelo de swarm intelligence más avanzado), pero quedamos en el top 10 de 200+ equipos.
Lo más valioso no fue el ranking, sino aprender a:
- Gestionar el tiempo bajo presión: Teníamos que decidir rápido qué features implementar y cuáles descartar
- Trabajar en equipo distribuido: Mi equipo estaba en 3 países diferentes, coordinando por Discord y Git
- Iterar rápidamente: Desplegamos 15 versiones diferentes del agente en 2 semanas
- Debuggear modelos en producción: Aprendimos a usar logs estructurados y métricas personalizadas para entender por qué el agente tomaba ciertas decisiones
Reflexión Final
Los hackathons son el mejor campo de entrenamiento para desarrolladores. Te exponen a tecnologías nuevas, te obligan a salir de tu zona de confort, y te conectan con personas increíblemente talentosas. Mi consejo: participa en todos los hackathons que puedas, sin importar si crees que tienes el nivel suficiente. Siempre aprenderás algo valioso, incluso si no ganas.