Datos de mercado en tiempo real con IA: arquitectura, latencia y coste

Trabajar con datos de mercado en tiempo real con IA es, sobre todo, un problema de ingeniería de datos: capturar los precios según llegan, normalizarlos a un formato único, detectar cuándo el dato viene mal y servirlo con una latencia conocida. La parte de inteligencia artificial no está en el camino crítico —ahí manda el código determinista y rápido—, sino alrededor: normalizar catálogos de símbolos, vigilar la calidad del feed, enriquecer con contexto y explicar qué está pasando. Confundir las dos capas es el error más caro de este tipo de proyectos.

Escribo esto desde el lado de quien monta la infraestructura, no desde el de quien opera. En nuestros propios sistemas de investigación de mercados la conclusión ha sido siempre la misma: la mayoría de los problemas que parecen de estrategia son problemas de dato —una serie mal ajustada, un hueco que nadie vio, un huso horario mal interpretado—. Esta guía recorre la arquitectura de ingesta, los costes reales del dato y los fallos de calidad que arruinan un análisis antes de empezar.

¿Qué significa exactamente "tiempo real" en datos de mercado?

Significa cosas muy distintas según a quién le preguntes, y el precio cambia en un orden de magnitud entre ellas. Hay al menos cuatro niveles, y elegir el que no necesitas es la forma más habitual de tirar presupuesto.

• Diferido. El mismo dato con 15-20 minutos de retraso. Es gratis o casi gratis en muchos proveedores y sirve para análisis, informes y prototipos. Para investigación y validación histórica, es suficiente el 90 % de las veces.
• Tiempo real consolidado. El precio agregado de todos los centros de negociación, distribuido por el consolidador del mercado. Latencia de decenas de milisegundos a algún segundo según la ruta. Es el estándar para aplicaciones de análisis y para la mayoría de sistemas de decisión no intradía.
• Feed directo del mercado. Conexión al centro de negociación, sin consolidador intermedio. Latencia de microsegundos a milisegundos, coste y complejidad de otra liga: hardware, colocación, ingenieros dedicados.
• Libro completo. No solo el último precio, sino todo el libro de órdenes: multiplica el volumen —y el coste de almacenamiento— por varios órdenes de magnitud.

La pregunta útil no es "¿necesito tiempo real?", sino "¿cuánto vale para mí un segundo?". Si tu horizonte de decisión es de minutos u horas, pagar por microsegundos es gasto puro.

¿Cuánto cuestan los datos de mercado en tiempo real?

El coste tiene dos capas que se confunden a menudo: lo que cobra el proveedor tecnológico por la API, y lo que cobra el propio mercado por los derechos sobre el dato. La segunda es la que se lleva las sorpresas.

Los planes de tiempo real de los proveedores de API generalistas se movían en torno a los 199 $/mes en sus tarifas públicas consultadas en agosto de 2026, con variaciones grandes según mercado, tipo de activo y si incluyen histórico. Verifica siempre la tarifa vigente antes de presupuestar: aquí los precios cambian con frecuencia.

La trampa habitual es la licencia. Los mercados distinguen entre uso "no profesional" y "profesional", y entre uso "display" (una persona mira una pantalla) y "no-display" (una máquina consume el dato para decidir). Un mismo feed puede costar decenas de euros al mes en un supuesto y varios miles en otro, y el uso no-display —que es exactamente el de un agente automatizado— casi siempre cae en el tramo caro. Si vas a montar un sistema empresarial, esa conversación con el mercado o el redistribuidor va antes del diseño técnico, no después.

¿Cómo se estructura una arquitectura de ingesta?

En cinco capas, y conviene mantenerlas separadas porque cada una falla de forma distinta. Mezclarlas es lo que produce sistemas que nadie se atreve a tocar.

1. Ingesta. El conector que habla con el proveedor —websocket, API, protocolo binario— y solo tiene una responsabilidad: recibir y persistir el dato crudo tal cual llega, con marca de tiempo de recepción propia. Nunca transformes en esta capa; el día que descubras un error de normalización querrás poder reprocesar desde el original.
2. Normalización. Traduce cada proveedor a tu esquema interno: identificadores de instrumento, husos horarios en UTC, unidades, convenciones de precio, tratamiento de splits y dividendos. Aquí es donde se decide si dentro de dos años podrás cambiar de proveedor sin reescribirlo todo.
3. Almacenamiento. Series temporales, particionadas por instrumento y fecha, con el crudo en almacenamiento barato y el normalizado en algo consultable. Dimensiona antes: los datos por tick de unos pocos instrumentos ya se cuentan en decenas de gigas al año.
4. Control de calidad. Un proceso independiente que audita continuamente: huecos, precios imposibles, volúmenes cero en horario de mercado, retrasos crecientes, divergencias entre proveedores. Si no tienes esta capa, tu control de calidad son tus resultados, y te enterarás tarde.
5. Servicio. La interfaz por la que consumen tus sistemas. Con contrato estable, versionado y latencia medida y publicada, para que cualquier consumidor sepa con qué está trabajando.

¿Dónde aporta valor real la IA en este flujo?

En las capas de normalización, calidad y explicación, no en el camino crítico de la ingesta. Un modelo de lenguaje añade cientos de milisegundos y una probabilidad no nula de equivocarse; ninguna de las dos cosas es aceptable en el punto donde hay que capturar un tick. Fuera de ese punto, resuelve trabajo que antes era manual y tedioso.

• Conciliación de catálogos de instrumentos. El mismo activo se llama de tres formas en tres proveedores, cambia de identificador tras una operación corporativa y arrastra sufijos por mercado. Un agente que cruza catálogos, propone equivalencias y marca las dudosas para revisión humana ahorra semanas de trabajo y evita el error silencioso de mezclar dos instrumentos distintos.
• Detección de anomalías en el feed. Más allá de reglas fijas, detectar que el patrón de llegada de datos de un instrumento se ha vuelto raro respecto a su comportamiento normal, y avisar antes de que el problema llegue al análisis.
• Enriquecimiento con contexto no estructurado. Cruzar un movimiento anómalo con noticias, hechos relevantes y calendarios corporativos para responder a "qué ha pasado aquí" en segundos en vez de en media hora. Es la misma mecánica que describimos en nuestro artículo sobre agentes de IA para research financiero.
• Documentación viva del esquema. Qué campo significa qué, de dónde viene y cuándo cambió. Suena menor hasta que entra alguien nuevo al equipo.

Los fallos de calidad que arruinan un análisis

Casi todos son invisibles hasta que miras el resultado y no cuadra. Estos son los cinco que aparecen una y otra vez:

Ajustes por operaciones corporativas. Un split no ajustado convierte una serie en un salto de precio irreal. Peor: series mezcladas, ajustadas hasta cierta fecha y sin ajustar después.

Marcas de tiempo ambiguas. Hora del mercado, del proveedor o de recepción, con o sin huso horario. Todo a UTC en normalización, y guarda las dos marcas —origen y tuya—: su diferencia es tu latencia real medida.

Huecos silenciosos. El feed se cayó veinte minutos y nadie se enteró porque no hubo error, simplemente dejaron de llegar datos. Sin control activo de continuidad, esos huecos se rellenan solos en el análisis con el último valor conocido y distorsionan cualquier conclusión.

Sesgo de supervivencia. Trabajar solo con los instrumentos que existen hoy. Los que desaparecieron también formaban parte del universo, y omitirlos sesga cualquier estudio histórico.

Anticipación involuntaria. Usar en el momento T un dato que en realidad no estuvo disponible hasta T+1: cifras revisadas, cierres consolidados, datos corregidos a posteriori. Es el fallo que produce los resultados históricos más espectaculares y más falsos. Lo tratamos con detalle en nuestra guía sobre IA para backtesting y validación de estrategias.

¿Qué no deberías delegar en un modelo?

La captura, el almacenamiento y cualquier decisión con dinero detrás. En esta arquitectura, la IA propone y documenta; el código determinista ejecuta y el humano decide.

• El camino crítico de ingesta. Código simple, rápido y auditable. Un modelo aquí solo añade latencia e incertidumbre.
• La corrección automática de datos. Que un modelo "arregle" un precio raro es la mejor forma de introducir un error indetectable. Detectar y marcar, sí; sobrescribir el dato original, nunca.
• El descarte de anomalías. Muchas anomalías son reales: eventos de mercado, subastas, cortes. Filtrarlas por defecto es borrar precisamente lo interesante.
• La decisión económica. Un sistema de datos sirve para informar decisiones, no para tomarlas por su cuenta.

Cómo montarlo en la práctica

1. Define el requisito de latencia y de universo antes de mirar proveedores: qué instrumentos, qué granularidad y con qué retraso máximo aceptable. Casi siempre resulta ser menos exigente de lo que parecía.
2. Resuelve la licencia antes que la tecnología. Uso profesional o no, display o no, redistribución o no. Determina el coste más que ninguna decisión técnica.
3. Empieza con diferido y un solo proveedor. Monta las cinco capas completas contra datos baratos y valida el circuito de punta a punta.
4. Añade el control de calidad antes que el tiempo real. Un feed rápido sin auditoría de calidad es un generador de conclusiones falsas a mayor velocidad.
5. Sube a tiempo real solo el subconjunto que lo necesita y mide el coste por instrumento y mes para poder decidir con números.

Si quieres el mapa conceptual previo —qué es y qué no es aplicar IA a los mercados—, está en nuestro artículo sobre qué es el trading algorítmico con IA. Y si prefieres plantear la arquitectura con un equipo que construye estos sistemas, así trabajamos desde nuestra consultoría de inteligencia artificial.

Preguntas frecuentes

¿Necesito datos en tiempo real o me vale con diferido?

Depende del horizonte de tu decisión. Si decides en minutos, horas o días, el diferido de 15 minutos cubre casi todo el análisis y el histórico, y el tiempo real solo hace falta para el momento concreto de actuar. Nuestra recomendación es construir todo el sistema contra datos diferidos y contratar tiempo real únicamente para el subconjunto de instrumentos donde el segundo tenga un valor demostrable.

¿Puedo usar datos gratuitos de fuentes públicas para un sistema de empresa?

Para prototipar, sí; para producción, revisa las condiciones de uso. Muchas fuentes gratuitas prohíben expresamente el uso comercial, la redistribución o el acceso automatizado, y no ofrecen garantía de disponibilidad ni de corrección. Un sistema empresarial que depende de una fuente sin contrato es un riesgo operativo, no un ahorro.

¿Cuánto almacenamiento hace falta?

Depende radicalmente de la granularidad. Velas de un minuto de unos cientos de instrumentos caben en unos pocos gigas al año; datos por tick con libro de órdenes de ese mismo universo se cuentan en teras. Guarda el crudo comprimido en almacenamiento barato y mantén consultable solo la granularidad que usas de verdad.

¿Merece la pena tener dos proveedores del mismo dato?

En sistemas de los que depende una decisión económica, sí: el segundo proveedor no es redundancia, es tu control de calidad. Comparar dos fuentes independientes detecta errores que ninguna auditoría interna encontraría, y da continuidad cuando una de las dos se cae. Para investigación y análisis, con una fuente y buen control de continuidad suele bastar.

¿Y los datos de criptomonedas?

Cambian el marco de costes, no el de ingeniería. Muchos mercados de criptoactivos ofrecen tiempo real sin coste de licencia, lo que elimina la capa cara, pero añaden fragmentación entre centros de negociación, calidad desigual y ausencia de consolidador oficial. La normalización y el control de calidad pesan más, no menos.

Este artículo trata la tecnología y el negocio de la IA aplicada a los mercados. No es asesoramiento financiero ni una recomendación de inversión.