PandaAI apuesta a que los agentes LLM democratizan la investigación cuantitativa; 100.000 usuarios, tres rondas

PandaAI construye infraestructura de investigación de trading nativa de IA para quants minoristas y profesionales chinos: Qube convierte una idea hablada en pasos de factores y backtesting inspeccionables, EVO es un banco de trabajo cuantitativo nativo de IA y un próximo OS orquesta múltiples agentes; también organiza competiciones de factores y publica como código abierto QuantSkills.

Los LLM erosionarán las ventajas de investigación de los fondos cuantitativos, por lo que las herramientas de investigación agénticas —minería de factores, backtesting, orquestación A2A— pueden convertirse en la nueva infraestructura cuantitativa.

Li Yuqi, nacido en 1999, estudió ingeniería financiera en Columbia, se convirtió en el campeón más joven de un concurso de trading en vivo con cuenta simulada de futuros y ascendió a socio en un fondo privado cuantitativo que gestionaba más de ¥1.000 millones. En 2024 concluyó que la ventaja del sector era en gran medida una «narrativa cognitiva» construida sobre datos propietarios, canales de baja latencia y grandes equipos de investigación, y que los grandes modelos de lenguaje erosionarían esa narrativa. Ver cómo Cursor multiplicaba la velocidad de programación sin hacer mejores investigadores a sus usuarios lo convenció de que el cuello de botella era el criterio, no las herramientas, así que se marchó para fundar PandaAI alrededor de 2024 y construir una IA que tome la investigación, no los rendimientos, como su producto.

PandaAI diseñó una escalera de productos de tres niveles: Qube para usuarios iniciales (una frase se convierte en obtención de datos, construcción de factores y backtests que los usuarios pueden inspeccionar y reutilizar), EVO, al que sus pares llaman el «Claude Code de las finanzas cuantitativas», como banco de trabajo nativo de IA para profesionales, y OS, un próximo entorno Agent-to-Agent donde múltiples agentes iteran factores y carteras bajo reglas de riesgo fijadas por humanos. Por debajo hay una pila de cuatro capas: datos de mercado y macroeconómicos, un modelo CQ2 de desarrollo propio más integraciones con DeepSeek y Doubao, una capa de ingeniería de agentes ADE/A2A y conexiones de trading en vivo; las mesas de futuros estaban totalmente conectadas y en junio de 2026 se lanzó un cliente de futuros en vivo. Ese mismo mes PandaAI publicó como código abierto su primera biblioteca QuantSkills y sus clústeres de agentes, y publicó artículos de investigación (CQ2, A2A Self-Evolution, AlphaSchema). En agosto de 2026 la empresa, de más de 70 personas, tenía más de 100.000 usuarios, había organizado tres competiciones de factores que atrajeron a más de 30.000 participantes y había cerrado rondas semilla, ángel y ángel+ por decenas de millones de RMB en total, con rondas ángel lideradas por L2F光源创业者基金; cuenta con corredurías, firmas de futuros y fondos como socios institucionales.

Las ventajas de los fondos cuantitativos —datos propietarios, canales de baja latencia, equipos de cientos de personas— son exactamente los activos que los LLM convierten en mercancía más rápido.

Mejores herramientas de programación no hicieron mejores investigadores, lo que situó la brecha real en el criterio y el proceso de investigación, no en la ejecución.

Una pila nativa de IA con intervención humana evita la categoría de estafa de la «selección autónoma de acciones por IA» y encaja con lo que reguladores y usuarios aceptarán.

Publicar QuantSkills como código abierto convierte la objeción obvia (se filtran los factores) en una característica: los agentes son personalizados, así que la ventaja se traslada al arnés de orquestación.

Organizar competiciones de factores y publicar artículos convierte a usuarios minoristas escépticos en contribuyentes, reclutables y el núcleo de una nueva comunidad metodológica.

En un mercado de suma cero, vende capacidad, no rendimientos: PandaAI publica sus factores como código abierto y apuesta a que la ventaja es el arnés de agentes: cualquiera puede copiar un factor, no una pila de orquestación.

A fecha de 2026-09-02 PandaAI está operativa: tres rondas por decenas de millones de RMB en total cerradas en agosto de 2026 (ángeles liderados por L2F光源创业者基金), el cliente de futuros en vivo lanzado en junio de 2026, QuantSkills publicado como código abierto ese mismo mes, con más de 100.000 usuarios, más de 70 empleados y socios institucionales. Li sitúa el trading con IA en un L3 temprano de cinco etapas, camino de L4, donde los agentes investigan y los humanos conservan las decisiones de riesgo; la capa OS seguía pendiente. Cuestiones abiertas: la confianza en una categoría vinculada a estafas, la calidad de los agentes frente a equipos profesionales y cómo tratan los reguladores las herramientas de trading autónomas a medida que escalan.