{"id":1356,"date":"2026-10-19T14:35:33","date_gmt":"2026-10-19T14:35:33","guid":{"rendered":"https:\/\/visiones360.fcejs.unsl.edu.ar\/?p=1356"},"modified":"2026-10-19T14:36:17","modified_gmt":"2026-10-19T14:36:17","slug":"cuando-ser-demasiado-racional-es-un-problema-los-limites-de-la-inteligencia-artificial-en-el-trading-patricio-surraco-estrada-estudiante-de-tugf","status":"publish","type":"post","link":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/cuando-ser-demasiado-racional-es-un-problema-los-limites-de-la-inteligencia-artificial-en-el-trading-patricio-surraco-estrada-estudiante-de-tugf\/","title":{"rendered":"\u00bfCu\u00e1ndo ser demasiado racional es un problema? Los l\u00edmites de la inteligencia artificial en el trading- Patricio Surraco Estrada Estudiante de TUGF"},"content":{"rendered":"\n
\"\"
Patricio Surraco Estrada<\/strong>
Estudiante de TUGF<\/strong><\/figcaption><\/figure>\n\n\n\n

Durante los \u00faltimos a\u00f1os, la inteligencia artificial y los sistemas de trading algor\u00edtmico han adquirido una importancia creciente en los mercados financieros. Su capacidad para procesar grandes cantidades de informaci\u00f3n, seguir reglas de manera constante y operar sin verse afectados por emociones constituye una de sus principales ventajas frente al inversor humano. Sin embargo, esta misma caracter\u00edstica puede convertirse en una limitaci\u00f3n cuando los sistemas son dise\u00f1ados bajo criterios excesivamente r\u00edgidos.<\/p>\n\n\n\n

El presente art\u00edculo analiza la paradoja de una inteligencia artificial que, al intentar reducir los errores y evitar decisiones impulsivas, puede terminar operando demasiado poco y perdiendo oportunidades de inversi\u00f3n. A partir de una experiencia personal en el desarrollo de un bot de trading, se analiza la diferencia entre tomar decisiones basadas en reglas binarias y trabajar con probabilidades, niveles de confianza y gesti\u00f3n del riesgo.<\/p>\n\n\n\n

El objetivo no es cuestionar la utilizaci\u00f3n de inteligencia artificial en los mercados financieros, sino reflexionar sobre la necesidad de desarrollar sistemas capaces de tomar decisiones racionales dentro de escenarios caracterizados por la incertidumbre.<\/p>\n\n\n\n

Introducci\u00f3n<\/a><\/h3>\n\n\n\n

Durante los \u00faltimos a\u00f1os, el avance de la inteligencia artificial ha comenzado a transformar distintos sectores de la econom\u00eda y las finanzas. En los mercados financieros, los sistemas de trading algor\u00edtmico permiten procesar grandes cantidades de informaci\u00f3n y ejecutar operaciones autom\u00e1ticamente a partir de estrategias previamente establecidas.<\/p>\n\n\n\n

Una de sus principales ventajas frente al inversor humano es la posibilidad de reducir la influencia de factores emocionales. Mientras una persona puede vender por miedo despu\u00e9s de una ca\u00edda o comprar por entusiasmo durante una subida, un sistema automatizado puede mantener una estrategia sin verse afectado por estas reacciones.<\/p>\n\n\n\n

A primera vista, esto parece representar una ventaja evidente. Si las emociones pueden conducir a decisiones irracionales, eliminarlas deber\u00eda contribuir a mejorar el proceso de inversi\u00f3n.<\/p>\n\n\n\n

Sin embargo, existe una paradoja: un sistema puede ser tan racional y estricto que termine tomando muy pocas decisiones.<\/p>\n\n\n\n

Esta problem\u00e1tica surgi\u00f3 a partir de una experiencia personal durante el desarrollo de un bot de trading. El sistema recib\u00eda diferentes se\u00f1ales y solamente pod\u00eda operar cuando se cumpl\u00eda una combinaci\u00f3n determinada de condiciones. El objetivo era reducir las operaciones de baja calidad y evitar decisiones impulsivas. Sin embargo, cuantos m\u00e1s exigentes se volv\u00edan los criterios, menor era la cantidad de operaciones realizadas.<\/p>\n\n\n\n

El problema no era necesariamente que el bot estuviera equivocado. En muchos casos, simplemente consideraba que no exist\u00eda evidencia suficiente para actuar.<\/p>\n\n\n\n

A partir de esta experiencia surge una pregunta central: \u00bfpuede una racionalidad excesivamente r\u00edgida convertirse en una desventaja cuando se opera en mercados caracterizados por la incertidumbre?<\/p>\n\n\n\n

La racionalidad algor\u00edtmica y el costo de no operar<\/a><\/h3>\n\n\n\n

El inversor humano est\u00e1 expuesto constantemente a sesgos psicol\u00f3gicos como el miedo, la euforia o la aversi\u00f3n a las p\u00e9rdidas. Un sistema automatizado puede reducir estos comportamientos y mantener una estrategia de manera consistente. Si sus reglas indican que debe vender, vende; si establecen que debe permanecer fuera del mercado, no opera.<\/p>\n\n\n\n

Sin embargo, eliminar las emociones no garantiza una mejor decisi\u00f3n. Cuando un algoritmo depende exclusivamente de reglas r\u00edgidas, puede interpretar situaciones diferentes como si fueran equivalentes: una condici\u00f3n se cumple o no se cumple.<\/p>\n\n\n\n

Por ejemplo, no representa necesariamente lo mismo que una estrategia cumpla seis de siete condiciones a que solamente cumpla dos. A pesar de ello, un sistema demasiado estricto podr\u00eda clasificar ambas situaciones simplemente como \u201cno operar\u201d.<\/p>\n\n\n\n

Este problema se relaciona con la naturaleza de los mercados financieros. Una se\u00f1al t\u00e9cnica puede funcionar en numerosas ocasiones y fallar en otra; una empresa puede presentar buenos fundamentos y aun as\u00ed experimentar una ca\u00edda; y una noticia inesperada puede modificar r\u00e1pidamente las expectativas del mercado.<\/p>\n\n\n\n

Por esta raz\u00f3n, invertir no solo consiste en encontrar reglas que garanticen resultados, sino en tomar decisiones a partir de informaci\u00f3n incompleta.<\/p>\n\n\n\n

La rigidez tambi\u00e9n genera un costo de oportunidad. Supongamos que un sistema exige siete condiciones para ingresar al mercado y solamente se cumplen seis.<\/p>\n\n\n\n

El algoritmo decide permanecer fuera y posteriormente el activo registra una suba considerable. Desde el punto de vista del bot, la decisi\u00f3n fue correcta seg\u00fan sus reglas. Sin embargo, desde la perspectiva de la estrategia, se perdi\u00f3 una oportunidad.<\/p>\n\n\n\n

Esto no significa que toda operaci\u00f3n no realizada sea un error. Evitar una operaci\u00f3n puede proteger el capital cuando las condiciones son desfavorables. El problema aparece cuando los criterios son tan restrictivos que el sistema termina descartando oportunidades que presentaban una relaci\u00f3n razonable entre riesgo y beneficio.<\/p>\n\n\n\n

Por lo tanto, evaluar una estrategia requiere considerar no solamente las operaciones perdedoras, sino tambi\u00e9n las oportunidades que se decide no aprovechar.<\/p>\n\n\n\n

De las decisiones binarias a las probabil\u00edsticas<\/a><\/h3>\n\n\n\n

Una posible soluci\u00f3n a esta rigidez consiste en reemplazar las decisiones exclusivamente binarias por modelos capaces de trabajar con diferentes niveles de probabilidad.<\/p>\n\n\n\n

Un sistema tradicional podr\u00eda establecer:<\/p>\n\n\n\n

\u201cSi se cumplen todas las condiciones, compro. Si no se cumplen, no compro\u201d.<\/p>\n\n\n\n

Un enfoque m\u00e1s flexible podr\u00eda estimar diferentes escenarios. Por ejemplo, una determinada situaci\u00f3n podr\u00eda presentar una probabilidad estimada de resultado favorable del 55 %, mientras que otra podr\u00eda alcanzar el 75 %. Estas situaciones no necesariamente deber\u00edan recibir el mismo tratamiento.<\/p>\n\n\n\n

El tama\u00f1o de la posici\u00f3n podr\u00eda depender de factores como la probabilidad estimada, la volatilidad del activo, la relaci\u00f3n entre riesgo y beneficio y la composici\u00f3n del resto de la cartera.<\/p>\n\n\n\n

De esta manera, el sistema no necesita acertar permanentemente la direcci\u00f3n del mercado. Puede concentrarse en determinar qu\u00e9 nivel de exposici\u00f3n resulta razonable frente a cada escenario.<\/p>\n\n\n\n

Esta diferencia permite separar dos funciones que muchas veces se confunden: predecir y gestionar.<\/p>\n\n\n\n

Predecir implica intentar determinar hacia d\u00f3nde podr\u00eda moverse un activo. Gestionar implica decidir cu\u00e1nto capital exponer, cu\u00e1ndo reducir una posici\u00f3n y qu\u00e9 consecuencias tendr\u00eda una predicci\u00f3n equivocada. Esta segunda funci\u00f3n es fundamental porque incluso una predicci\u00f3n correcta puede generar un resultado negativo si el riesgo asumido fue excesivo.<\/p>\n\n\n\n

En este sentido, la inteligencia artificial puede pasar de una l\u00f3gica de \u201ccomprar o no comprar\u201d a una evaluaci\u00f3n m\u00e1s amplia: qu\u00e9 tan fuerte es la se\u00f1al, qu\u00e9 nivel de riesgo implica y qu\u00e9 porcentaje del capital resulta razonable asignar.<\/p>\n\n\n\n

La adaptaci\u00f3n frente a un mercado cambiante<\/a><\/h3>\n\n\n\n


<\/strong><\/p>\n\n\n\n

La dificultad no termina en determinar probabilidades. Las condiciones del mercado tampoco permanecen constantes.<\/p>\n\n\n\n

Una estrategia que funciona durante un per\u00edodo de baja volatilidad puede comportarse de manera diferente durante una crisis. Del mismo modo, una se\u00f1al que hist\u00f3ricamente present\u00f3 buenos resultados puede perder efectividad cuando cambia el comportamiento de los participantes.<\/p>\n\n\n\n

Esto representa una dificultad para cualquier sistema basado en datos hist\u00f3ricos: el pasado puede aportar informaci\u00f3n \u00fatil, pero no garantiza que las mismas relaciones contin\u00faen funcionando en el futuro.<\/p>\n\n\n\n

Los sistemas m\u00e1s sofisticados pueden incorporar modelos estad\u00edsticos, aprendizaje autom\u00e1tico, an\u00e1lisis de series temporales, volatilidad y correlaciones para identificar diferentes patrones. Sin embargo, una mayor complejidad tampoco garantiza mejores resultados. Un modelo puede incorporar numerosas variables y continuar siendo ineficiente si fue construido sobre supuestos incorrectos o si reacciona excesivamente al ruido del mercado.<\/p>\n\n\n\n

Por este motivo, la adaptaci\u00f3n debe ser controlada. El objetivo no deber\u00eda ser modificar el comportamiento del algoritmo ante cada movimiento del mercado, sino identificar cu\u00e1ndo existe un cambio suficientemente relevante como para justificar una modificaci\u00f3n de la estrategia.<\/p>\n\n\n\n

Aqu\u00ed se encuentra una de las diferencias entre un sistema simplemente automatizado y uno dise\u00f1ado para gestionar incertidumbre: el segundo no solamente ejecuta reglas, sino que intenta determinar cu\u00e1nto confiar en la informaci\u00f3n disponible.<\/p>\n\n\n\n

El verdadero desaf\u00edo: saber cu\u00e1nto confiar en una se\u00f1al<\/a><\/h3>\n\n\n\n

El desaf\u00edo m\u00e1s interesante de la inteligencia artificial aplicada al trading no consiste necesariamente en construir una m\u00e1quina capaz de saber exactamente qu\u00e9 ocurrir\u00e1 en el mercado. Debido a su naturaleza incierta, esto no resulta realista.<\/p>\n\n\n\n

El objetivo deber\u00eda ser desarrollar sistemas capaces de reconocer diferentes niveles de confianza.<\/p>\n\n\n\n

Una se\u00f1al d\u00e9bil podr\u00eda llevar al sistema a permanecer fuera del mercado. Una se\u00f1al moderada podr\u00eda justificar una posici\u00f3n peque\u00f1a, mientras que una se\u00f1al fuerte podr\u00eda permitir una exposici\u00f3n mayor, siempre dentro de los l\u00edmites de riesgo establecidos.<\/p>\n\n\n\n

Esta l\u00f3gica permite superar la idea de que solamente existen dos alternativas: operar o no operar. Entre ambos extremos existe una variedad de decisiones posibles.<\/p>\n\n\n\n

La racionalidad, en este contexto, no significa esperar hasta obtener certeza. Significa utilizar la evidencia disponible para determinar cu\u00e1ndo una oportunidad justifica asumir riesgo y cu\u00e1nto riesgo resulta razonable asumir.<\/p>\n\n\n\n

De esta manera, el sistema no necesita ser infalible. Necesita ser capaz de diferenciar entre situaciones con distintos niveles de confianza y adaptar su comportamiento en consecuencia.<\/p>\n\n\n\n

Conclusi\u00f3n<\/a><\/h3>\n\n\n\n

La experiencia con un bot excesivamente estricto permite observar una limitaci\u00f3n importante de la inteligencia artificial aplicada al trading: eliminar las emociones no garantiza, por s\u00ed solo, una estrategia eficiente.<\/p>\n\n\n\n

Un sistema puede ser disciplinado, coherente y capaz de seguir sus reglas sin desviaciones, pero aun as\u00ed tomar decisiones demasiado restrictivas. En estos casos, el problema no necesariamente se encuentra en una operaci\u00f3n incorrecta, sino en la cantidad de oportunidades que el sistema descarta.<\/p>\n\n\n\n

Por esta raz\u00f3n, los sistemas m\u00e1s avanzados no deber\u00edan limitarse a determinar si una condici\u00f3n se cumple o no. Tambi\u00e9n deber\u00edan considerar la intensidad de las se\u00f1ales, el contexto del mercado y el nivel de riesgo asociado a cada escenario.<\/p>\n\n\n\n

La inteligencia artificial tampoco necesita predecir correctamente todos los movimientos del mercado. Su utilidad puede encontrarse en algo m\u00e1s realista: procesar informaci\u00f3n de manera sistem\u00e1tica y utilizarla para tomar decisiones proporcionales a la evidencia disponible.<\/p>\n\n\n\n

En \u00faltima instancia, la ventaja de la inteligencia artificial en los mercados no estar\u00eda en eliminar la incertidumbre, sino en desarrollar herramientas capaces de convivir con ella y tomar decisiones racionales aun cuando la informaci\u00f3n disponible sea incompleta.<\/p>\n","protected":false},"excerpt":{"rendered":"

Durante los \u00faltimos a\u00f1os, la inteligencia artificial y los sistemas de trading algor\u00edtmico han adquirido una importancia creciente en los mercados financieros. Su capacidad para procesar grandes cantidades de informaci\u00f3n, seguir reglas de manera constante y operar sin verse afectados por emociones constituye una de sus principales ventajas frente al inversor humano. Sin embargo, esta misma caracter\u00edstica puede convertirse en una limitaci\u00f3n cuando los sistemas son dise\u00f1ados bajo criterios excesivamente r\u00edgidos. El presente art\u00edculo analiza la paradoja de una inteligencia artificial que, al intentar reducir los errores y evitar decisiones impulsivas, puede terminar operando demasiado poco y perdiendo oportunidades de inversi\u00f3n. A partir de una experiencia personal en el desarrollo de un bot de trading, se analiza la diferencia entre tomar decisiones basadas en reglas binarias y trabajar con probabilidades, niveles de confianza y gesti\u00f3n del riesgo. El objetivo no es cuestionar la utilizaci\u00f3n de inteligencia artificial en los mercados financieros, sino reflexionar sobre la necesidad de desarrollar sistemas capaces de tomar decisiones racionales dentro de escenarios caracterizados por la incertidumbre. Introducci\u00f3n Durante los \u00faltimos a\u00f1os, el avance de la inteligencia artificial ha comenzado a transformar distintos sectores de la econom\u00eda y las finanzas. En los mercados financieros, los sistemas de trading algor\u00edtmico permiten procesar grandes cantidades de informaci\u00f3n y ejecutar operaciones autom\u00e1ticamente a partir de estrategias previamente establecidas. Una de sus principales ventajas frente al inversor humano es la posibilidad de reducir la influencia de factores emocionales. Mientras una persona puede vender por miedo despu\u00e9s de una ca\u00edda o comprar por entusiasmo durante una subida, un sistema automatizado puede mantener una estrategia sin verse afectado por estas reacciones. A primera vista, esto parece representar una ventaja evidente. Si las emociones pueden conducir a decisiones irracionales, eliminarlas deber\u00eda contribuir a mejorar el proceso de inversi\u00f3n. Sin embargo, existe una paradoja: un sistema puede ser tan racional y estricto que termine tomando muy pocas decisiones. Esta problem\u00e1tica surgi\u00f3 a partir de una experiencia personal durante el desarrollo de un bot de trading. El sistema recib\u00eda diferentes se\u00f1ales y solamente pod\u00eda operar cuando se cumpl\u00eda una combinaci\u00f3n determinada de condiciones. El objetivo era reducir las operaciones de baja calidad y evitar decisiones impulsivas. Sin embargo, cuantos m\u00e1s exigentes se volv\u00edan los criterios, menor era la cantidad de operaciones realizadas. El problema no era necesariamente que el bot estuviera equivocado. En muchos casos, simplemente consideraba que no exist\u00eda evidencia suficiente para actuar. A partir de esta experiencia surge una pregunta central: \u00bfpuede una racionalidad excesivamente r\u00edgida convertirse en una desventaja cuando se opera en mercados caracterizados por la incertidumbre? La racionalidad algor\u00edtmica y el costo de no operar El inversor humano est\u00e1 expuesto constantemente a sesgos psicol\u00f3gicos como el miedo, la euforia o la aversi\u00f3n a las p\u00e9rdidas. Un sistema automatizado puede reducir estos comportamientos y mantener una estrategia de manera consistente. Si sus reglas indican que debe vender, vende; si establecen que debe permanecer fuera del mercado, no opera. Sin embargo, eliminar las emociones no garantiza una mejor decisi\u00f3n. Cuando un algoritmo depende exclusivamente de reglas r\u00edgidas, puede interpretar situaciones diferentes como si fueran equivalentes: una condici\u00f3n se cumple o no se cumple. Por ejemplo, no representa necesariamente lo mismo que una estrategia cumpla seis de siete condiciones a que solamente cumpla dos. A pesar de ello, un sistema demasiado estricto podr\u00eda clasificar ambas situaciones simplemente como \u201cno operar\u201d. Este problema se relaciona con la naturaleza de los mercados financieros. Una se\u00f1al t\u00e9cnica puede funcionar en numerosas ocasiones y fallar en otra; una empresa puede presentar buenos fundamentos y aun as\u00ed experimentar una ca\u00edda; y una noticia inesperada puede modificar r\u00e1pidamente las expectativas del mercado. Por esta raz\u00f3n, invertir no solo consiste en encontrar reglas que garanticen resultados, sino en tomar decisiones a partir de informaci\u00f3n incompleta. La rigidez tambi\u00e9n genera un costo de oportunidad. Supongamos que un sistema exige siete condiciones para ingresar al mercado y solamente se cumplen seis. El algoritmo decide permanecer fuera y posteriormente el activo registra una suba considerable. Desde el punto de vista del bot, la decisi\u00f3n fue correcta seg\u00fan sus reglas. Sin embargo, desde la perspectiva de la estrategia, se perdi\u00f3 una oportunidad. Esto no significa que toda operaci\u00f3n no realizada sea un error. Evitar una operaci\u00f3n puede proteger el capital cuando las condiciones son desfavorables. El problema aparece cuando los criterios son tan restrictivos que el sistema termina descartando oportunidades que presentaban una relaci\u00f3n razonable entre riesgo y beneficio. Por lo tanto, evaluar una estrategia requiere considerar no solamente las operaciones perdedoras, sino tambi\u00e9n las oportunidades que se decide no aprovechar. De las decisiones binarias a las probabil\u00edsticas Una posible soluci\u00f3n a esta rigidez consiste en reemplazar las decisiones exclusivamente binarias por modelos capaces de trabajar con diferentes niveles de probabilidad. Un sistema tradicional podr\u00eda establecer: \u201cSi se cumplen todas las condiciones, compro. Si no se cumplen, no compro\u201d. Un enfoque m\u00e1s flexible podr\u00eda estimar diferentes escenarios. Por ejemplo, una determinada situaci\u00f3n podr\u00eda presentar una probabilidad estimada de resultado favorable del 55 %, mientras que otra podr\u00eda alcanzar el 75 %. Estas situaciones no necesariamente deber\u00edan recibir el mismo tratamiento. El tama\u00f1o de la posici\u00f3n podr\u00eda depender de factores como la probabilidad estimada, la volatilidad del activo, la relaci\u00f3n entre riesgo y beneficio y la composici\u00f3n del resto de la cartera. De esta manera, el sistema no necesita acertar permanentemente la direcci\u00f3n del mercado. Puede concentrarse en determinar qu\u00e9 nivel de exposici\u00f3n resulta razonable frente a cada escenario. Esta diferencia permite separar dos funciones que muchas veces se confunden: predecir y gestionar. Predecir implica intentar determinar hacia d\u00f3nde podr\u00eda moverse un activo. Gestionar implica decidir cu\u00e1nto capital exponer, cu\u00e1ndo reducir una posici\u00f3n y qu\u00e9 consecuencias tendr\u00eda una predicci\u00f3n equivocada. Esta segunda funci\u00f3n es fundamental porque incluso una predicci\u00f3n correcta puede generar un resultado negativo si el riesgo asumido fue excesivo. En este sentido, la inteligencia artificial puede pasar de una l\u00f3gica de \u201ccomprar o no comprar\u201d a una evaluaci\u00f3n m\u00e1s amplia: qu\u00e9 tan fuerte es la se\u00f1al, qu\u00e9 nivel de riesgo implica y<\/p>\n","protected":false},"author":3,"featured_media":1358,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_exactmetrics_skip_tracking":false,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1356","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-publicacion"],"_links":{"self":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/1356","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=1356"}],"version-history":[{"count":2,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/1356\/revisions"}],"predecessor-version":[{"id":1360,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/1356\/revisions\/1360"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/media\/1358"}],"wp:attachment":[{"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=1356"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=1356"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/visiones360.fcejs.unsl.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=1356"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}