El 10 y 11 de octubre de 2025, más de $19.300 millones en posiciones apalancadas de criptomonedas fueron liquidados forzosamente en 24 horas, según datos de CoinGlass citados por CNBC.[s] El bitcoin cayó hasta un 14,5 %, las altcoins registraron descensos más pronunciados y más de 1,6 millones de operadores fueron liquidados.[s] El momento de mayor intensidad se concentró en un intervalo de 60 segundos, durante el cual desaparecieron $3.210 millones, con un 93,5 % del volumen en ese minuto proveniente de ventas forzosas y sin tiempo prácticamente para intervención humana.[s]
No se trató de una corrección de mercado convencional. Fue la fragilidad por «flash crash» hecha realidad: una cascada de decisiones algorítmicas que se reforzaban mutuamente a velocidades que ningún operador humano podía interrumpir. Y aunque los mercados de criptomonedas acapararon titulares, estas mismas dinámicas se están integrando silenciosamente en los mercados emergentes de todo el mundo, generando riesgos sistémicos que los reguladores apenas comienzan a comprender.
La carrera por la velocidad
Las empresas de trading de alta frecuencia compiten por microsegundos. Sus servidores se ubican dentro de los centros de datos de las bolsas, una práctica conocida como co-ubicación, que les permite colocar órdenes más rápido que los competidores cuyos equipos están más alejados del motor de emparejamiento.[s] Esta ventaja de velocidad es lucrativa: un documento de trabajo del BIS de 2025 señala que las empresas de trading de alta frecuencia representan más del 50 % del volumen de operaciones en los mercados de acciones.[s]
Los beneficios son reales. Spreads más ajustados significan menores costos de transacción para los inversores comunes. Pero la misma infraestructura que permite estas ganancias también aumenta la tendencia a eventos extremos, incluidos los «flash crashes».[s] Cuando los algoritmos reaccionan a los movimientos de precios, sus respuestas pueden agravarse. Un sistema vende; otro detecta la caída y también vende; un tercero retira sus órdenes de compra por completo. En el colapso de criptomonedas de octubre de 2025, los algoritmos de creación de mercado retiraron liquidez más rápido de lo que los humanos podían evaluar lo que ocurría. La profundidad del libro de órdenes se evaporó en más de un 98 %.[s]
Por qué los mercados emergentes son vulnerables
La fragilidad por «flash crash» puede ser especialmente peligrosa en los mercados emergentes por una razón estructural: sus mercados de derivados suelen superar con creces la liquidez de sus mercados al contado subyacentes. India ofrece un ejemplo claro. Para abril de 2025, los mercados de derivados de India representaban el 61 % de los contratos de opciones sobre acciones a nivel mundial.[s] El 17 de enero de 2024, el índice Bank Nifty registró un volumen de opciones de $1,26 billones frente a solo $3.600 millones en operaciones con acciones subyacentes: una disparidad de 350 a 1.[s]
Este desequilibrio crea un terreno fértil para operadores sofisticados. Cuando el mercado de derivados es cientos de veces más grande que el mercado al contado, una empresa con suficiente capital puede mover los precios subyacentes para obtener ganancias en posiciones de opciones. Eso es precisamente lo que el regulador de mercados de India, SEBI, acusó a la gigante estadounidense Jane Street de hacer. Jane Street ha negado cualquier irregularidad.[s]
Según la orden provisional de SEBI de julio de 2025, Jane Street ejecutó grandes compras de acciones que componen el Bank Nifty por la mañana, representando en ocasiones entre el 15 y el 25 % del volumen total del mercado en ciertos valores. Estas compras impulsaron el índice al alza. Simultáneamente, la empresa mantenía posiciones cortas masivas en opciones que generarían ganancias si el índice caía más tarde. Por la tarde, Jane Street invirtió su estrategia, vendiendo agresivamente las acciones que había comprado, lo que ejerció presión a la baja sobre el índice coincidiendo con el vencimiento de los contratos.[s] SEBI determinó que las posiciones en opciones de Jane Street eran 7,3 veces mayores que sus posiciones en acciones y futuros en términos equivalentes de delta, un desequilibrio inusual para el arbitraje de índices legítimo.[s]
La escala fue abrumadora. En varios días de negociación, Jane Street fue responsable de todo el impacto positivo en el precio del Bank Nifty, mientras que el resto del mercado ejercía una presión neta a la baja.[s] Según SEBI, la empresa obtuvo ganancias estimadas en $4.300 millones en India en poco más de dos años.[s] Mientras tanto, los inversores minoristas sufrieron fuertes pérdidas. En el año fiscal 2025, los operadores minoristas de derivados en India perdieron 1,05 billones de rupias, aproximadamente $11.600 millones, frente a los 750.000 millones de rupias del año anterior; la BBC señaló que estas pérdidas minoristas no pueden atribuirse directamente a Jane Street.[s]
El problema del comportamiento gregario
El caso de Jane Street expuso la presunta manipulación de una sola empresa. Pero existe un problema más insidioso: los sistemas algorítmicos pueden generar fragilidad por «flash crash» incluso cuando ningún actor busca causar daño. Cuando los algoritmos de negociación comparten arquitecturas, datos de entrenamiento o señales de mercado similares, pueden llegar a conclusiones parecidas en momentos similares. Reguladores y analistas legales han advertido que esta concentración de modelos puede fomentar comportamientos gregarios y mercados altamente correlacionados sin coordinación explícita.[s]
Un preprint de arXiv de abril de 2026 sostiene que los agentes de negociación con inteligencia artificial pueden parecer diversos en condiciones normales de mercado, pero se sincronizan bajo estrés. La homogeneidad en la representación, es decir, el grado en que los algoritmos codifican los datos de mercado de manera similar, puede reducir el espacio efectivo de desacuerdo en las predicciones durante las crisis, incluso cuando antes parecían variadas.[s] Los autores también argumentan que regímenes de baja volatilidad percibida pueden acumular apalancamiento oculto de manera endógena, que luego colapsa cuando los shocks desencadenan un desapalancamiento sincronizado.[s]
Esto crea una paradoja. Investigaciones con datos del mercado chino sugieren que el trading algorítmico puede reducir la volatilidad y moderar el sentimiento de los inversores en condiciones normales.[s] Pero cuando el mercado está en declive, este efecto estabilizador se debilita significativamente.[s] Los mismos mecanismos que suavizan pequeñas fluctuaciones pueden amplificar las grandes.
La respuesta de China
China ha tomado medidas contundentes contra la fragilidad por «flash crash». A finales de 2025, se informó que las bolsas de Shanghái y Shenzhen estaban discutiendo enmiendas normativas que podrían exigir a las firmas de valores retirar los equipos de trading de alta frecuencia dedicados a clientes de los centros de datos de las bolsas en un plazo de tres meses.[s] En enero de 2026, 5paisa informó que la Bolsa de Futuros de Shanghái había ordenado a los brókeres retirar los servidores de trading de alta frecuencia antes de fin de mes.[s]
El impacto en el mercado fue inmediato. Los precios de los metales en las bolsas de Shanghái y Londres cayeron bruscamente tras el anuncio de la medida.[s] El mismo informe indicó que las transacciones de alta frecuencia habían contribuido a impulsar alzas de precios anteriores, que luego se corrigieron a la baja.
Qué sigue
El caso de Jane Street sienta un precedente para el pensamiento regulatorio a nivel global, especialmente en mercados emergentes con volúmenes subyacentes reducidos pero una intensa actividad en derivados.[s] Los países que enfrentan una crisis de deuda en mercados emergentes también confrontan una segunda vulnerabilidad estructural: su infraestructura financiera puede estar diseñada para la velocidad en lugar de la estabilidad.
Analistas han propuesto varias reformas. Pruebas en entornos controlados o protocolos de preaprobación podrían exigir a las bolsas evaluar las implicaciones de riesgo de nuevos algoritmos antes de su implementación. Normas de divulgación mejoradas podrían requerir informes consolidados de todas las entidades bajo propiedad común. La metodología de liquidación también podría revisarse: ampliar la ventana de cálculo de precios o introducir límites de participación durante las horas de vencimiento podría proteger los precios de cierre frente a operaciones concentradas.
Los sistemas avanzados de inteligencia artificial podrían generar mercados más frágiles y altamente correlacionados durante períodos de estrés, exacerbando las oscilaciones al actuar al unísono y socavando la liquidez precisamente cuando más se necesita.[s] Las estrategias de trading algorítmico suelen incluir mecanismos de seguridad que activan la reducción de riesgos o cierres completos durante períodos de alta volatilidad. Su activación simultánea en múltiples participantes podría crear bucles de retroalimentación desestabilizadores.[s]
La fragilidad por «flash crash» no es un error de los mercados modernos. Es una característica de una infraestructura diseñada para maximizar la velocidad a costa de la resiliencia. La pregunta es si los reguladores actuarán antes de la próxima cascada, o después.
Infraestructura de co-ubicación y arbitraje de latencia
El trading de alta frecuencia depende de la proximidad física a los motores de emparejamiento de las bolsas. Los servicios de co-ubicación permiten a las empresas instalar servidores dentro de los centros de datos de las bolsas, reduciendo la latencia de ida y vuelta a microsegundos.[s] Un documento de trabajo del BIS de 2025 señala que las empresas de trading de alta frecuencia representan más del 50 % del volumen de operaciones en los mercados de acciones.[s]
Un documento de trabajo del BIS de septiembre de 2025 utilizó mejoras en la co-ubicación y la latencia de NASDAQ como experimentos naturales para examinar los efectos económicos del trading de alta frecuencia. Los hallazgos fueron contraintuitivos: en promedio, el trading de alta frecuencia conduce a un mayor costo de capital.[s] El mecanismo es la amplificación del riesgo sistémico. Las estrategias de negociación correlacionadas del trading de alta frecuencia hacen que las acciones de baja beta sean más sensibles a la información del mercado en general, aumentando su exposición al riesgo sistémico y, por lo tanto, sus rendimientos requeridos.[s] Aunque el trading de alta frecuencia reduce los spreads bid-ask, también aumenta la tendencia a los «flash crashes».[s]
La cascada de criptomonedas de octubre de 2025 demostró la fragilidad por «flash crash» a gran escala. CoinGlass registró más de $19.300 millones en liquidaciones forzosas en 24 horas, el mayor evento de liquidación registrado por la empresa hasta el informe de CNBC de octubre de 2025.[s] Durante el momento de mayor intensidad, se liquidaron $3.210 millones en un intervalo de 60 segundos, con un 93,5 % del volumen de ese minuto proveniente de ventas forzosas.[s] Los algoritmos de creación de mercado retiraron sus órdenes mientras los motores de liquidación se activaban simultáneamente, agotando más del 98 % de la profundidad del libro de órdenes.[s]
La disparidad entre derivados y mercado al contado en mercados emergentes
La fragilidad por «flash crash» se amplifica estructuralmente cuando el volumen nocional de los derivados supera ampliamente la liquidez del mercado al contado subyacente. India ejemplifica este patrón. Para abril de 2025, los mercados de derivados de India representaban el 61 % del volumen global de opciones sobre acciones.[s] El 17 de enero de 2024, el Bank Nifty registró $1,26 billones en volumen nocional de opciones frente a $3.600 millones en operaciones con acciones subyacentes, una disparidad de 350:1.[s]
La orden provisional de SEBI de julio de 2025 contra Jane Street documentó una estrategia de negociación en dos fases. Jane Street ha negado cualquier irregularidad.[s] Durante la Fase I (09:15-11:46), la empresa ejecutó compras agresivas de acciones que componen el Bank Nifty, representando entre el 15 y el 25 % del volumen total del mercado en ciertos valores. Simultáneamente, acumuló exposición corta en opciones mediante la venta de calls y la compra de puts. Durante la Fase II (11:49 hasta el cierre), invirtió sus posiciones en el mercado al contado, ejerciendo presión a la baja sobre el índice coincidiendo con el vencimiento de los contratos.[s]
Las posiciones en opciones de Jane Street eran 7,3 veces mayores que sus posiciones en acciones y futuros en términos equivalentes de delta.[s] En varios días, SEBI atribuyó todo el impacto positivo en el precio del Bank Nifty únicamente a Jane Street, mientras que el flujo agregado del mercado era netamente negativo.[s] Según SEBI, la empresa obtuvo $4.300 millones en los mercados indios en aproximadamente dos años.[s] Los inversores minoristas perdieron $11.600 millones en el trading de derivados en el año fiscal 2025, un 40 % más que en el año fiscal 2024, aunque la BBC señaló que esas pérdidas no pueden atribuirse directamente a Jane Street.[s]
Homogeneidad en la representación y desapalancamiento sincronizado
Incluso en ausencia de manipulación intencional, los sistemas algorítmicos pueden generar fragilidad por «flash crash» mediante coordinación emergente. Un modelo estructural multiagente de abril de 2026 examinó cómo los agentes de negociación con inteligencia artificial con representaciones de datos similares generan inestabilidad sistémica.[s]
La contribución teórica clave distingue entre homogeneidad en la representación (similitud en cómo los agentes codifican los estados del mercado) y superposición en las predicciones (similitud en los rendimientos previstos). Estos conceptos están relacionados, pero no son equivalentes. En condiciones normales, agentes con representaciones similares pueden generar predicciones diversas. Bajo estrés, la homogeneidad en la representación reduce el espacio efectivo de desacuerdo en las predicciones, haciendo que estas converjan precisamente cuando la diversidad es más necesaria.[s]
El preprint argumenta que los regímenes de baja volatilidad percibida pueden acumular apalancamiento oculto de manera endógena mediante la persistencia de posiciones, que colapsa cuando los shocks desencadenan un desapalancamiento sincronizado.[s] También plantea la hipótesis de que el aumento en la similitud de las representaciones amplifica la sincronización en creencias y posiciones, generando agrupamiento de volatilidad, estrés de liquidez y mayor riesgo de cola.[s]
Los reguladores han advertido sobre el comportamiento gregario de la inteligencia artificial: conductas correlacionadas sin coordinación explícita.[s] La vigilancia tradicional puede tener dificultades para distinguir entre un análisis convergente legítimo y una coordinación prohibida. Modelos de aprendizaje automático compartidos y fuentes de datos comunes pueden crear dinámicas de comportamiento gregario: cuando un nodo reduce riesgos, agentes correlacionados pueden seguirlo, agotando los libros de órdenes.[s]
Estabilización condicional y efectos asimétricos
Investigaciones con datos de nivel 2 del mercado chino encontraron que el trading algorítmico generalmente reduce la volatilidad al moderar el sentimiento de los inversores, siendo este canal responsable de aproximadamente el 25 % del efecto total.[s] Sin embargo, este efecto estabilizador es condicional. Cuando el mercado está en declive, el papel reductor de volatilidad del trading algorítmico se debilita, y su efecto mediador sobre el sentimiento de los inversores también disminuye.[s]
Esta asimetría es clave para entender la fragilidad por «flash crash». Los mismos mecanismos que suavizan las fluctuaciones normales pueden amplificar los eventos extremos. Los mecanismos de seguridad algorítmicos que activan la reducción de riesgos durante períodos de alta volatilidad, cuando se activan simultáneamente en múltiples participantes, crean bucles de retroalimentación desestabilizadores en lugar de estabilizadores.[s]
Respuestas regulatorias: la prohibición de co-ubicación en China
El enfoque de China ha sido contundente. A finales de 2025, se informó que la CSRC, la Bolsa de Shanghái y la Bolsa de Shenzhen estaban discutiendo cambios normativos que podrían limitar los servicios de co-ubicación y exigir a las firmas de valores retirar los equipos de trading de alta frecuencia dedicados a clientes en un plazo de tres meses.[s] En enero de 2026, 5paisa informó que la Bolsa de Futuros de Shanghái había ordenado a los brókeres retirar los servidores de trading de alta frecuencia antes de fin de mes.[s]
La medida tuvo un impacto inmediato en los precios. Los metales en las bolsas de Shanghái y Londres cayeron bruscamente tras el anuncio.[s] El mismo informe indicó que las transacciones de alta frecuencia habían contribuido a impulsar alzas de precios anteriores en los mercados globales de metales, que luego se corrigieron a la baja.[s]
El caso de Jane Street sienta un precedente regulatorio para los mercados emergentes con volúmenes reducidos en el mercado al contado pero una intensa actividad en derivados.[s] Entre las reformas propuestas se incluyen pruebas en entornos controlados para algoritmos que afecten los precios de vencimiento, mayor transparencia en la divulgación de inversores extranjeros institucionales (FPI) entre entidades bajo propiedad común, expansión de la ventana de liquidación VWAP o límites de participación, y auditorías algorítmicas con control de versiones.
La concentración en proveedores de datos y plataformas de inteligencia artificial como servicio plantea preocupaciones sobre monocultivos: los participantes del mercado que utilizan datos idénticos y modelos similares llegan a conclusiones parecidas.[s] La inteligencia artificial avanzada podría generar mercados más frágiles y altamente correlacionados durante períodos de estrés, exacerbando la volatilidad y socavando la liquidez precisamente cuando más se necesita.[s]
La fragilidad por «flash crash» es una característica estructural, no un error pasajero. Queda por ver si los reguladores actuarán para abordar la homogeneidad en la representación, la asimetría en la latencia y los desequilibrios entre derivados y mercado al contado antes de la próxima cascada.
