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.

Nuestra cartera de inversión 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 cartera exploran información y toman medidas.

Impulsada por modelos de lenguaje grandes (LLM), generación aumentada por recuperación (RAG) y MongoDB Atlas, que incluye búsqueda vectorial, colecciones de series temporales y gráficos Atlas, esta solución permite a los agentes de IA:

• Analice grandes conjuntos de datos financieros de múltiples fuentes.

• Procesar datos para convertirlos en análisis significativos.

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

Esto mejora la toma de decisiones, mejora la gestión de riesgos y permite un análisis más preciso del rendimiento y del impacto, lo que ayuda a los gestores de cartera a tomar decisiones más inteligentes y rápidas con más datos.

Arquitecturas de Referencia

Esta demostración de gestor de cartera de inversiones se compone de cuatro tipos de agentes:

• Agentes de análisis

• Agentes de noticias

• Agentes de redes sociales

• Agentes asistentes

Esta demostración incluye un agente para activos convencionales y otro para criptoactivos, 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 sociales de múltiples fuentes. La segunda, la Aplicación Insight, organiza los flujos de trabajo de los agentes de IA para analizar estos datos, monitorear tendencias, evaluar el sentimiento y generar información de inversión específica. Como se muestra en el diagrama a continuación:

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 temporales, como datos de activos convencionales y de criptomonedas.

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

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

Luego, la solución analiza la puntuación de sentimiento de los artículos de noticias y los datos de las redes sociales, crea las integraciones correspondientes y las almacena en sus respectivas colecciones en MongoDB Atlas.

Los agentes de análisis, noticias y redes sociales toman los datos de MongoDB para analizarlos y generar informes para los activos del mercado convencional y criptográfico.

Por último, los agentes asistentes de mercado y criptografía brindan información específica de la cartera en función de la asignación actual de la cartera y brindan recomendaciones de gestión de cartera para ambos tipos de activos utilizando un agente LangGraph ReAct, aprovechando MongoDB Atlas para el almacenamiento de datos, la búsqueda de vectores y la gestión del estado del agente.

Además, esta solución incluye una aplicación de demostración que destaca las capacidades avanzadas del Servidor de Protocolo de Contexto de Modelo (MCP) de MongoDB al integrarse con un Agente ReAct basado en IA. Esta aplicación procesa eficientemente consultas complejas de datos financieros almacenados en MongoDB Atlas, utilizando una interfaz intuitiva para interacciones basadas en IA.

Este enfoque elimina la necesidad de realizar consultas manuales y de interactuar directamente con la base de datos, lo que proporciona una clara ilustración de cómo esta integración permite una exploración de datos sin esfuerzo y una gestión optimizada de la base de datos, lo que en última instancia contribuye a tomar decisiones de inversión más inteligentes, rápidas e informadas.

Construir la solución

La demostración se compone de cuatro microservicios, cada uno con su propio repositorio de GitHub:

1. Servicio de cargadores

2. Servicio de agentes

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

4. Interacción entre el servidor MCP y MongoDB

1. Servicio de cargadores

Figura 2. Arquitectura del servicio Loaders

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 criptográficos.

• 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.

Una vez almacenados los datos en las colecciones de MongoDB, los datos no estructurados de noticias y redes sociales se procesan para calcular su puntuación de sentimiento mediante FinBERT, un modelo LLM preentrenado. A continuación, se vectorizan los datos con el modelo de incrustación de Voyage AI. voyage-finance-2y almacenarlo en su colección MongoDB correspondiente junto con sus incrustaciones vectoriales.

Así es como MongoDB puede almacenar diferentes tipos de datos:

Ejemplo de datos de series temporales (criptoactivo 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 temporales (criptoactivo 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, consulte su repositorio de GitHub: Loaders Service

2. Servicio de agentes

Figura 3. Arquitectura del servicio de agentes

Aunque los datos se almacenan en MongoDB, aún necesitan procesarse. Los agentes descritos en las siguientes secciones procesan los datos para generar información específica de la cartera.

Agentes de análisis

Estos agentes buscan las colecciones relevantes de MongoDB relacionadas con datos de mercado y criptomonedas, y analizan las tendencias de los activos y los indicadores macroeconómicos de cada colección. Posteriormente, realizan una serie de cálculos para generar información 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 del VIX

• Análisis del PIB

• Análisis de tasas de interés

• Análisis de la tasa de desempleo

Cálculos de criptoactivos:

• Análisis de medias móviles

• Análisis de 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 forma similar a los agentes de noticias, los agentes de redes sociales recuperan publicaciones semánticamente relevantes mediante MongoDB Atlas Vector Search. Finalmente, agregan el análisis y resumen de sentimiento basado en LLM a la colección 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 del servicio del agente asistente de mercado/cripto

Una vez que los informes se generan y almacenan en las colecciones de MongoDB Atlas, el Agente Asistente de Mercado utiliza el patrón de razonamiento ReAct, implementado a través de LangGraph, para interpretar de forma autónoma las consultas de los usuarios, acceder a herramientas relevantes y generar información financiera procesable.

Estos agentes funcionan como asesores financieros estructurados, basados ​​en LLM, capaces de razonar paso a paso, ejecutar acciones y retener información. Desarrollados con el framework de agentes ReAct de LangGraph, siguen este ciclo:

1. Motivo de la consulta

2. Actuar, como utilizar una herramienta

3. Observa el resultado

4. Continuar iterativamente hasta llegar a 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 herramientas y potenciados por LLM, orquestados mediante LangGraph. Cada uno sigue un proceso estructurado y determinista donde las herramientas se invocan en una secuencia fija, lo que garantiza una ejecución fiable 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_tool:Recupera datos de asignación de cartera de las colecciones de MongoDB.

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

assess_vix_tool:Recupera datos de volatilidad del mercado VIX de conjuntos de datos financieros.

fetch_market_news_tool:Realiza búsquedas vectoriales en artículos de noticias financieras utilizando incrustaciones.

fetch_social_media_submissions_tool:Realiza una búsqueda vectorial en los envíos de Reddit utilizando incrustaciones.

calculate_crypto_trends_tool:Agrega datos de precios de criptomonedas para calcular promedios móviles y tendencias.

calculate_asset_trends_tool:Agrega datos 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_tool:Agrega datos de sentimiento de noticias y genera resúmenes impulsados ​​por LLM.

generate_social_media_sentiment_summary_tool:Agrega datos de sentimiento de las redes sociales y genera resúmenes impulsados ​​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 criptográfica): agrega resultados de análisis criptográficos para un diagnóstico integral de la cartera.

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 servidores MCP y MongoDB, puede explorar sus datos a través del lenguaje natural, realizar tareas de administración de bases de datos y generar código sensible al 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 financieras:

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

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

• Colecciones: binanceCryptoData (criptomonedas), yfinanceMarketData (convencional)

En esta demostración, MongoDB MCP Server habilita herramientas para desarrolladores 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 bases de datos: enumerar colecciones en la base de datos.

• Últimos precios y tendencias de precios: obtenga los precios actuales de cualquier activo admitido o muestre promedios de precios diarios durante períodos de tiempo.

• Análisis de volumen: Calcule los volúmenes comerciales promedio.

• Comparacionesde precios: compare precios entre diferentes activos.

Para replicar este microservicio, consulte su repositorio de GitHub: Gestión de cartera de inversiones - Interacción MCP

Para obtener más información sobre el servidor MongoDB MCP, consulte Anuncio del servidor MongoDB MCP para comprender mejor el servidor MongoDB MCP.

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 gestor de cartera de inversiones con IA agentic requiere una plataforma de datos que admita 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 impulsar agentes financieros inteligentes, compatibles y autónomos.

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. Reemplaza las soluciones fragmentadas con un único sistema capaz de gestionar datos estructurados, de series temporales, no estructurados y vectorizados, lo que la hace ideal para impulsar aplicaciones inteligentes y adaptables en mercados de capitales, gestión patrimonial y más.

Flexibilidad del esquema y modelo de documento

El modelo BSON de MongoDB, similar a JSON, se alinea de forma natural con el estado del agente y el diseño orientado a objetos, simplificando el modelado de datos para cuentas, carteras, transacciones y metadatos de IA. Los desarrolladores pueden:

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

• Almacene datos relacionados, como perfiles de usuario e historial comercial, 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 temporales incorporan y analizan eficientemente grandes volúmenes de datos de mercado. Sus características 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.

Búsqueda vectorial en Atlas 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.

Canalizaciones de agregación y gráficos Atlas para la generación de información

El marco de agregación de MongoDB ofrece información en tiempo real, desde análisis de tendencias hasta correlaciones macroeconómicas. En combinación con Atlas Charts, los equipos pueden crear paneles dinámicos que muestran:

• Señales de cartera impulsadas por IA

• Anomalías del mercado

• Indicadores de rendimiento en tiempo real

Servidor MCP de MongoDB

La integración de MCP permite que los agentes y herramientas de IA interactúen directamente con los datos financieros en MongoDB mediante lenguaje natural. El servidor MCP simplifica esta interacción, facilitando la exploración de datos, la gestión optimizada de bases de datos para carteras de inversión y la generación de código contextual para aplicaciones financieras. Esto acelera el uso de la IA para tomar decisiones de inversión más inteligentes, rápidas e informadas.

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.

Aprendizajes 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