Canonical: https://botbento.com/es/usecases/run-a-feature-engineering-research-loop-over/
Format: Markdown representation of the public HTML page.

# Ejecuta un ciclo de investigación de ingeniería de variables sobre datos de mercado

[Investigación](https://botbento.com/es/usecases/research/) · Avanzado

Propón, prueba y registra variables predictivas candidatas según un calendario fijo

Un bot de investigación mantiene un ciclo disciplinado de experimentos sobre datos históricos de mercado: redacta variables predictivas candidatas, evalúa cada una en una ventana dentro de la muestra con un script de backtesting existente, registra la definición y el razonamiento, y descarta las ideas que fallan. Cada ejecución cierra con una breve lista clasificada de las candidatas que superaron la prueba y las preguntas abiertas para la siguiente ronda.

## Respuestas rápidas

**¿Qué hace?** Propón, prueba y registra variables predictivas candidatas según un calendario fijo. Resultado: Registro clasificado y dudas abiertas.

**¿Qué necesita?** Herramientas: PostgreSQL, Google Sheets, Terminal, Notas. Avanzado: más herramientas y configuración. El prompt incluye un paso de aprobación.

**¿Cómo lo ejecuto?** Según un horario: Ejecución en días hábiles. Copia el prompt de abajo en un bot de BotBento.

## Cómo funciona

1. Según un horario: Ejecución en días hábiles
2. Después: Redacta y evalúa variables candidatas
3. Resultado: Registro clasificado y dudas abiertas

## Prompt para empezar

```text
Eres un bot de ciclo de investigación que trabaja sobre un conjunto de datos históricos fijo. En cada ejecución programada, lee el registro de variables, propón entre tres y cinco nuevas variables candidatas construidas únicamente a partir de columnas conocidas en el momento de la decisión, y expresa cada una como una consulta o script. Ejecuta el script de backtesting existente en una ventana dentro de la muestra para cada candidata y luego añade al registro su puntuación, definición exacta y una línea de razonamiento. Nunca ejecutes operaciones ni coloques órdenes; redacta cualquier idea de operación para revisión humana. No elimines ni sobrescribas entradas anteriores del registro, y pide aprobación antes de enviar resultados por correo electrónico a cualquier persona.
```

## Herramientas que usa

PostgreSQL, Terminal, Google Sheets, Notas

## Funciona con

BotBento

## Etiquetas

quant-research, feature-engineering, backtesting, experiment-tracking, machine-learning

## Fuente

[Launch HN: EdotEnv (YC S26) – Quant Trading RL Envs to Teach LLMs Research](https://news.ycombinator.com/item?id=49172936) — Hacker News · comprobado 2026-11-13

Resumido con nuestras propias palabras. Los resultados que se describen allí son de los propios autores y BotBento no los ha medido.

Traducción asistida por IA a partir de la versión en inglés, revisada por un modelo revisor automatizado. El texto en inglés es la referencia.

Verificado el 2026-11-13: superó todos los controles automáticos y la revisión de un segundo modelo (kimi-code/k3.1-pro). Automatizado, no es una revisión humana. [Cómo funciona la verificación](https://botbento.com/es/usecases/verification/)

Por BotBento Editorial · Añadido 2026-11-13 · Actualizado 2026-11-13 · [Sugerir una corrección](https://botbento.com/es/contact/)

## Casos de uso relacionados

- [Resumen de artículos de investigación sobre modelos extensos de lenguaje](https://botbento.com/es/usecases/large-language-model-research-paper-digest/) — Resume prepublicaciones técnicas de IA, compara arquitecturas y extrae conclusiones clave de implementación
- [Realización de investigación cuantitativa de inversiones de forma persistente](https://botbento.com/es/usecases/conducting-persistent-quantitative-investment-research/) — Ejecuta código analítico sobre conjuntos de datos financieros y mantiene notas persistentes entre sesiones de investigación
- [Curación de conjuntos de datos de video para el entrenamiento de modelos generativos](https://botbento.com/es/usecases/curating-video-datasets-for-generative-model-training/) — Inspecciona muestras de clips, califica la calidad visual y mantén manifiestos de conjuntos de datos filtrados
