Gestión de carteras de inversión impulsada por IA agentiva

Resumen de la solución

En los mercados de capitales actuales, la gestión eficaz de riesgos evoluciona rápidamente a medida que los datos se vuelven fundamentales para la toma de decisiones estratégicas. Los gestores de cartera deben gestionar volúmenes masivos de datos diversos. Estos datos pueden ser estructurados, como las fuentes financieras, o no estructurados, como las publicaciones en redes sociales. Esta diversidad de datos plantea desafíos a los sistemas tradicionales, que no están diseñados para gestionarla. Las soluciones basadas en IA están redefiniendo la gestión de carteras al integrar una toma de decisiones adaptativa y contextualizada.

Nuestro portafolio de inversiones inteligente integra y analiza diversas fuentes de datos. Al combinar el análisis en tiempo real con modelos de IA generativa, esta solución transforma la forma en que los gestores de portafolios exploran perspectivas y toman acción.

Impulsada por grandes modelos de lenguaje (LLMs), generación de recuperación aumentada (RAG) y MongoDB Atlas, incluyendo búsqueda vectorial, colecciones de series de tiempo y Atlas Charts, esta solución empodera a los agentes de IA para:

• Analiza grandes conjuntos de datos financieros de múltiples fuentes.

• Procesar datos para obtener análisis significativos.

• Proporcionar información dinámica y recomendaciones basadas en el rendimiento de la cartera.

Esto mejora la toma de decisiones, perfecciona la gestión de riesgos y posibilita un análisis más preciso del desempeño y el impacto, lo que ayuda a los gestores de carteras a tomar decisiones más inteligentes y rápidas con mayor cantidad de datos.

Arquitecturas de Referencia

Esta demostración del gestor de cartera de inversiones está compuesta por cuatro tipos de agentes:

• Agentes de análisis

• Agentes de noticias

• Agentes de redes sociales

• Agentes asistentes

Esta demo incluye uno de estos agentes para activos convencionales y uno para activos criptográficos, lo que da un total de ocho agentes. Además, hay dos aplicaciones de microservicios. La primera, la Aplicación de Ingesta de Datos, ingiere, transforma y prepara datos financieros, macroeconómicos, de noticias y de redes de medios de múltiples fuentes. La segunda, la Aplicación Insight, orquesta los flujos de trabajo de los agentes de IA para analizar estos datos, supervisar tendencias, evaluar el sentimiento y generar perspectivas de inversión enfocadas. Como se muestra en el siguiente diagrama:

Figura 1. Arquitectura de alto nivel

Como se muestra en el diagrama, MongoDB almacena los datos recopilados durante el proceso de ingesta. Estos datos incluyen los siguientes tipos:

• Datos de series de tiempo, como datos de activos convencionales y criptomonedas.

• Datos estructurados, como indicadores macroeconómicos y datos de capitalización de mercado de stablecoin.

• Datos no estructurados, como artículos de noticias financieras y publicaciones en redes sociales.

La solución, a su vez, analiza la puntuación de sentimiento de las noticias y los datos de redes sociales, crea las inserciones correspondientes, y las almacena en sus respectivas colecciones de MongoDB Atlas.

Los agentes de análisis, noticias y redes sociales toman los datos de MongoDB para analizarlos y generar informes sobre activos de mercado convencionales y cripto.

Finalmente, los agentes asistentes de mercado y cripto potencian perspectivas específicas de la cartera en función de la asignación actual del portafolio y proporcionan recomendaciones de gestión de cartera para ambos tipos de activos mediante un agente LangGraph ReAct, aprovechando MongoDB Atlas para el almacenamiento de datos, la búsqueda vectorial y la gestión del estado del agente.

Además, esta solución incluye una aplicación de demostración que destaca las capacidades avanzadas del servidor del Protocolo de Contexto de Modelo de MongoDB (MCP) cuando se integra con un agente ReAct con IA. Esta aplicación procesa de manera eficiente complejas queries de datos financieros almacenados en MongoDB Atlas, utilizando una interfaz intuitiva para interacciones impulsadas por IA.

Este enfoque elimina la necesidad de consultas manuales y la interacción directa en la base de datos, proporcionando una clara ilustración de cómo esta integración permite una exploración de datos sin esfuerzo y una gestión de base de datos simplificada, contribuyendo en última instancia a decisiones de inversión más inteligentes, rápidas y con mejor información.

Compilar la solución

La demostración está compuesta por cuatro microservicios, cada uno con su propio repositorio de GitHub:

1. Servicio de cargadores

2. Servicio de Agentes

3. Market Assistant ReAct agente de servicio y Crypto Assistant ReAct agente de servicio

4. Interacción del servidor MCP y MongoDB

1. Servicio de Loaders

Figura 2. Arquitectura del servicio de cargadores

En primer lugar, la solución almacena los datos en MongoDB Atlas. Esto se hace a través de la aplicación de ingesta de datos, un conjunto de tareas programadas que gestionan la extracción de datos de las siguientes fuentes:

• Yahoo News: Noticias financieras sobre activos convencionales y criptoactivos.

• Yahoo Finance: Datos de activos convencionales de series de tiempo.

• FRED API: Datos de indicadores macroeconómicos.

• Reddit: Noticias en redes sociales sobre activos convencionales y criptográficos.

• Binance: Datos del mercado de criptomonedas.

• CoinGecko: datos de capitalización de mercado de monedas estables.

• Rendimiento de la cartera: diseñado para generar datos simulados de rendimiento de la cartera.

Después de que los datos se almacenan en las colecciones de MongoDB, los datos no estructurados de noticias y redes sociales se procesan para calcular su puntuación de sentimiento utilizando FinBERT, un modelo LLM preentrenado. A continuación, vectoriza los datos con el modelo de embedding de Voyage IA, voyage-finance-2y almacenarlos en su correspondiente colección de MongoDB junto con sus embeddings vectoriales.

Así es como MongoDB puede almacenar diferentes tipos de datos:

Ejemplo de datos de series de tiempo (activo cripto de Binance):

{
   "_id": {
      "$oid": "67c09436bd1cbed4d0185880"
},
   "headline": "QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27",
   "source": "etf.com ·  via Yahoo Finance",
   "posted": "1 year ago",
   "description": "Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...",
   "link": "https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
   "synced": false,
   "extraction_timestamp_utc": {
      "$date": "2025-02-27T16:35:02.823Z"
},
   "ticker": "HYG",
   "article_string": "Headline: QQQ Leads Inflows as VGIT, HYG Jump: ETF Flows as of Feb. 27\n/n Description: Top 10 Creations (All ETFs) Ticker Name Net Flows ($, mm) AUM ($, mm) AUM % Change QQQ Invesco QQQ...\n/n Source: etf.com ·  via Yahoo Finance\n/n Ticker: HYG\n/n Link: https://finance.yahoo.com/news/qqq-leads-inflows-vgit-hyg-005429051.html?fr=sycsrp_catchall",
   "sentiment_score": {
      "positive": 0.03415600210428238,
      "negative": 0.04247178137302399,
      "neutral": 0.9233722686767578
},
   "article_embedding": [
      0.025981411337852478,
      0.03783617168664932,
      0.01893029175698757,
      0.019744139164686203,
      -0.009678225964307785,
      0.0296250581741333,
      -0.06560207903385162,
      -0.03349149599671364,
      0.005457616411149502,
      -0.004056802950799465,
      -0.07076755166053772,
      -0.04305347055196762,
      ...]
}

Ejemplo de datos de series de tiempo (activo cripto de Binance):

{
   "timestamp": {
      "$date": "2025-07-17T23:59:00.000Z"
   },
   "symbol": "BTC",
   "low": 119170.52,
   "date_load_iso_utc": "20250718051014",
   "close": 119177.56,
   "volume": 7.0706,
   "open": 119200.02,
   "_id": {
      "$oid": "6879d7367395e04c9d26e122"
   },
   "high": 119200.03
}

Ejemplo de datos estructurados (indicadores macroeconómicos):

{
   "_id": {
      "$oid": "6863b79181f5695f447d426a"
   },
   "title": "Gross Domestic Product",
   "series_id": "GDP",
   "frequency": "Quarterly",
   "frequency_short": "Q",
   "units": "Billions of Dollars",
   "units_short": "Bil. of $",
   "date": {
      "$date": "2025-06-26T00:00:00.000Z"
   },
   "value": 29962.047
}

Para replicar este microservicio, consulta su repositorio en GitHub: Loaders Service

2. Servicio de agentes

Figura 3. Arquitectura de servicios de agentes

Mientras los datos se almacenan en MongoDB, aún necesitan ser procesados. Los agentes descritos en las siguientes secciones procesan los datos para generar perspectivas específicas para portafolios.

Agentes de análisis

Estos agentes buscan las colecciones de MongoDB relevantes relacionadas con datos de mercado y criptomonedas, y analizan las tendencias de activos e indicadores macroeconómicos en cada colección. Luego realizan una serie de cálculos para generar perspectivas y recomendaciones sobre la cartera.

Estos cálculos constituyen la base analítica para la toma de decisiones basada en datos. Evalúan indicadores económicos y medidas de volatilidad de activos tradicionales para captar influencias macroeconómicas, a la vez que rastrean las tendencias de precios, la actividad comercial y los indicadores de momentum de los criptoactivos. Juntos, permiten a los agentes de IA monitorizar continuamente los mercados, equilibrar el riesgo y optimizar el rendimiento de la cartera en tiempo real.

Cálculos de activos de mercado:

• Análisis de sensibilidad de VIX

• Análisis del PIB

• Análisis de tasas de interés

• Análisis de la tasa de desempleo

Cálculos de criptoactivos:

• Análisis de promedio móvil

• Análisis del volumen

• Análisis RSI

• Análisis VWAP

Luego, los cálculos se combinan con razonamiento basado en LLM, como AWS Bedrock o Anthropic, para generar recomendaciones de cartera personalizadas.

Agentes de noticias

Estos agentes utilizan la Búsqueda Vectorial de MongoDB Atlas para recuperar noticias financieras semánticamente relevantes tanto para activos tradicionales como criptoactivos. Luego, realizan análisis de sentimiento basado en LLM y resumen para resaltar señales clave.

Agentes de Redes Sociales

De manera similar a los agentes de noticias, los agentes de redes sociales recuperan publicaciones en redes sociales semánticamente relevantes utilizando la Búsqueda Vectorial de MongoDB Atlas. Por último, agregan el análisis de sentimientos y la resumén basados en LLM en la colección de reports correspondiente.

Para replicar este microservicio, consulta su Repositorio de GitHub: Scheduled Agents Service

3. Servicio de Agente Asistente de Mercado y Criptomonedas

Figura 4. Arquitectura de servicio del agente asistente de mercado / cripto

Una vez generados los reportes y almacenados en las colecciones de MongoDB Atlas, el Agente Asistente de Mercado utiliza el patrón de razonamiento ReAct, implementado a través de LangGraph, para interpretar autónomamente las consultas de usuarios, acceder a las herramientas relevantes y generar perspectivas financieras accionables.

Estos agentes actúan como asesores financieros estructurados impulsados por LLM, capaces de realizar razonamientos paso a paso, ejecutar acciones y retener memoria. Construidas con el marco de agentes ReAct de LangGraph, siguen este ciclo:

1. Razonar sobre la query

2. Actúa, como usar una herramienta

3. Observe el resultado

4. Continuar de forma iterativa hasta que se logre una respuesta final

El comportamiento del agente se define a través de un perfil de agente personalizable almacenado en MongoDB, mientras que la memoria a largo plazo y la persistencia del estado se administran utilizando el puntero de control de MongoDB, que rastrea los pasos de interacción y los almacena en las colecciones: checkpoints_aio checkpoint_writes_aioy.

Para replicar este microservicio, consulte sus repositorios de GitHub: Market Assistant ReAct Agent Chatbot Service y/o Crypto Assistant ReAct Agent Chatbot Service

Como se muestra en los diagramas anteriores, los agentes son flujos de trabajo potenciados por LLM, aumentados con herramientas y orquestados mediante LangGraph. Cada uno sigue un proceso estructurado y determinista en el que las herramientas se ejecutan en una secuencia fija, lo que garantiza una ejecución confiable y explicable.

Herramientas del agente

Las herramientas permiten a los agentes recuperar datos, llamar a API, ejecutar código, consultar bases de datos o activar la lógica de negocio, transformándolos de respuestas pasivas en solucionadores de problemas activos. En esta solución, se clasifican en:

Data Retrieval

Búsqueda vectorial

Agregaciones

check_portfolio_allocation_toolRecupera los datos de asignación de carteras de las colecciones de MongoDB.

assess_macro_indicators_tool: Recupera indicadores macroeconómicos de los datos de la API FRED.

assess_vix_toolRecupera datos de volatilidad del mercado VIX de conjuntos de datos financieros.

fetch_market_news_toolRealiza una búsqueda vectorial en artículos de noticias financieras utilizando incrustaciones.

fetch_social_media_submissions_tool: realiza una búsqueda vectorial en las publicaciones de Reddit utilizando embeddings.

calculate_crypto_trends_toolAgrega datos de precios de criptomonedas para calcular medias móviles y tendencias.

calculate_asset_trends_tool: Agrega datos históricos de precios de activos tradicionales para el análisis de tendencias.

calculate_crypto_momentum_indicators_tool:Agrega datos criptográficos para calcular RSI, patrones de volumen y VWAP.

calculate_news_sentiment_tool: Agrega puntuaciones de sentimiento de artículos de noticias por activo.

calculate_social_media_sentiment_tool:Agrega puntuaciones de sentimiento de los envíos a las redes sociales por activo.

generate_news_sentiment_summary_toolAgrupa datos de sentimiento de noticias y genera resúmenes impulsados por LLM.

generate_social_media_sentiment_summary_tool: agrega datos de sentimiento de redes medios y genera resúmenes potenciados por LLM.

generate_overall_diagnosis_tool: Agrega todos los resultados del análisis con perfiles de riesgo para el diagnóstico final de la cartera.

generate_overall_diagnosis_tool (versión crypto): agrega los resultados del análisis crypto para un diagnóstico integral del portafolio.

4. Interacción entre el servidor MCP y MongoDB

La funcionalidad final de esta solución combina el servidor MCP de MongoDB y un agente ReAct impulsado por IA que permite queries en lenguaje natural en tiempo real sobre datos financieros almacenados en MongoDB Atlas.

Al combinar los servidores MCP y MongoDB puedes explorar tus datos a través del lenguaje natural, realizar tareas de administración de bases de datos y generar código que tenga en cuenta el contexto.

Figura 5. Arquitectura de interacción del servidor MongoDB MCP

Como se muestra en el diagrama, esta solución se conecta a los datos de series de tiempo financiero:

• Cryptocurrencies: BTC, ETH, XRP, SOL, DOGE, ADA

• Stocks/ETFs: HYG, LQD, TLT, GLD, USO, EEM, QQQ, SPY, XLE, VNQ

• Collections: binanceCryptoData (cripto), yfinanceMarketData (convencional)

En esta demostración, MongoDB MCP servidor habilita herramientas de desarrollador con una aplicación Next.js que permite la interacción entre el cliente y las colecciones de MongoDB Atlas para realizar las siguientes tareas:

• Exploración de la base de datos: Enumerar las colecciones en la base de datos.

• Últimos precios y tendencias de precios: Consulta los precios actuales de cualquier activo compatible o muestra promedios diarios de precios en períodos de tiempo.

• Análisis de volumen: Calcula los volúmenes promedio de comercio.

• Comparacionesde precios: compare precios entre diferentes activos.

Para replicar este microservicio, consulta su Repositorio de GitHub: Gestión de Carteras de Inversión - Interacción MCP

Para aprender más sobre el servidor MCP de MongoDB, consulta Anunciando el servidor MCP de MongoDB para obtener una comprensión más profunda del servidor MCP de MongoDB.

Nota

Esta demostración funciona en modo de solo lectura por razones de seguridad. Si bien MCP admite las operaciones create, update y delete, hemos restringido intencionalmente el acceso únicamente a las operaciones list, find y aggregate. Esto evita cambios no deseados en nuestra base de datos y garantiza un entorno de demostración seguro.

¿Por qué MongoDB?

Un administrador de carteras de inversión con IA agente requiere una plataforma de datos que respalde decisiones en tiempo real, razonamiento adaptativo y memoria persistente. Las siguientes secciones muestran cómo MongoDB proporciona la arquitectura unificada y las integraciones nativas de IA necesarias para potenciar agentes financieros inteligentes, autónomos y que cumplen la normativa.

Una base de datos moderna para aplicaciones financieras basadas en IA

MongoDB es una plataforma de datos unificada y de alto rendimiento diseñada para la complejidad de los servicios financieros. Sustituye las soluciones fragmentadas de puntos por un único sistema capaz de manejar datos estructurados, de serie de tiempo, no estructurados y vectorizados, lo que lo convierte en ideal para potenciar aplicaciones inteligentes y adaptativas en mercados de capitales, gestión de patrimonios y más allá.

Flexibilidad de esquema y modelo orientado a documentos

El modelo BSON de MongoDB, similar a JSON, se alinea de manera natural con el estado de los agentes y el diseño orientado a objetos, simplificando la modelización de datos para cuentas, carteras, transacciones y metadatos de IA. Los desarrolladores pueden:

• Evoluciona modelos de datos sin migraciones disruptivas gracias a los esquemas dinámicos.

• Almacena datos relacionados, como los perfiles de usuario y el historial de operaciones, juntos para realizar consultas más rápidas y eficientes.

• Maneje diversos tipos de datos, como matrices y documentos incrustados, en una estructura unificada.

Recopilación de series temporales para datos de mercado y criptomonedas

Las colecciones de series de tiempo ingieren y analizan de manera eficiente grandes volúmenes de datos de mercado. Las funcionalidades incluyen:

• Ingreso de alto rendimiento para acciones, bonos, criptomonedas y materias primas.

• Compresión automática, indexación y expiración de datos para controlar el rendimiento y los costos.

• Soporte nativo para análisis en ventanas, como promedios móviles y seguimiento de volatilidad.

Atlas Búsqueda Vectorial para la Comprensión Semántica

MongoDB Atlas Vector Search permite la comprensión semántica en los contenidos financieros mediante embeddings vectoriales. Esta solución aprovecha voyage-finance-2. Este modelo impulsa las siguientes funcionalidades:

• Recuperación contextual de noticias financieras y publicaciones en redes sociales mediante indicaciones interactivas y coincidencia basada en similitudes.

• Búsqueda de similitud semántica mejorada con filtrado de metadatos para obtener resultados más precisos.

MongoDB Checkpointer para memoria de agente

El patrón Checkpointer permite que los agentes de IA persistan su estado interno a lo largo de las interacciones, apoyando:

• Retención de contexto y razonamiento a largo plazo.

• Visibilidad total de decisiones de IA pasadas, lo que facilita las auditorías y el cumplimiento normativo.

Pipelines de agregación y Atlas Charts para la generación de perspectivas

El marco de agregación de MongoDB proporciona perspectivas en tiempo real, desde el análisis de tendencias hasta las correlaciones macroeconómicas. Combinado con Atlas Charts, los equipos pueden construir tableros dinámicos que muestran:

• Señales de portfolio impulsadas por IA

• Anomalías del mercado

• Indicadores de rendimiento en tiempo real

Servidor MCP de MongoDB

La integración MCP permite a los agentes de IA y herramientas interactuar directamente con los datos financieros en MongoDB utilizando lenguaje natural. El servidor MCP simplifica esta interacción, permitiendo una fácil exploración de datos, una gestión optimizada de bases de datos para carteras de inversión y la generación de código contextual para aplicaciones financieras. Esto acelera el uso de IA para tomar decisiones de inversión más inteligentes, rápidas y fundamentadas.

Juntas, estas capacidades hacen de MongoDB una capa de datos robusta para soluciones financieras impulsadas por IA que respaldan las demandas de las finanzas modernas.

Lecciones clave

• Las soluciones de cartera de inversión impulsadas por IA desbloquean un nivel de conocimiento sin precedentes: los gestores de cartera ahora están equipados con el poder de los agentes de IA que pueden analizar datos del mercado, noticias del mercado, eventos del mercado y proponer recomendaciones perspicaces y prácticas sobre los activos y riesgos de la cartera en tiempo real.

• MongoDB habilita soluciones de IA basadas en agentes para la gestión de portafolios de inversión: el modelo orientado a documentos flexible de MongoDB almacena de forma nativa datos de mercado no estructurados y dinámicos, incluidas noticias, eventos y datos de redes sociales. MongoDB búsqueda vectorial recupera similitudes y correlaciones contextuales del mercado, mientras se integra sin problemas con embeddings y modelos de IA generativa.

• La Agentic AI es un paradigma que evoluciona rápidamente para impulsar la toma de decisiones: los agentes de IA se adaptan continuamente, ajustando sus acciones y estrategias con base en las condiciones del mercado en tiempo real y las fluctuaciones del mercado. Los agentes de IA aprenden de experiencias pasadas, perfeccionando su rendimiento con el tiempo.

Autores

• Peyman Parsi

• Ainhoa Múgica

• Julián Boronat

• Andrea Alaman Calderon