Gerenciamento de portfólio de investimentos com AI agêntica

Visão Geral da Solução

Nos Mercados de Capitais de hoje, a gestão de riscos eficaz está desenvolvendo rapidamente à medida que os dados se tornam centrais para a tomada de decisões estratégias. Os gerentes de portfólio devem navegar por volumes massivos de dados diversos. Esses dados podem ser estruturados, como feeds financeiros, ou não estruturados, como publicações em redes sociais. Essa variedade de dados apresenta desafios para os sistemas tradicionais que não foram criados para lidar com ela. As soluções orientadas por IA estão redefinindo o gerenciamento de portfólio ao integrar a tomada de decisões adaptativa e sensível ao contexto.

Nosso portfólio de gastos inteligentes integra e analisa diversas fontes de dados. Ao combinar análise em tempo real com modelos de IA generativa , essa solução transforma a forma como os gerentes de portfólio exploram insights e ação.

Distribuída por modelos de linguagem grandes (LLMs), geração aumentada de recuperação (RAG) e MongoDB Atlas, incluindo Vector Search, coleções de séries temporais e Atlas Charts, essa solução habilita os agentes de IA a:

• Analise amplos conjuntos de dados financeiros de múltiplas fontes.

• Processe dados em análises significativas.

• Forneça informações dinâmicas e recomendações com base no desempenho do portfólio.

Isso aprimora a tomada de decisões, melhora o gerenciamento de riscos e permite uma análise mais precisa de desempenho e impacto , ajudam os gerentes de portfólio a tomar decisões mais inteligentes e rápidas com mais dados.

Arquiteturas de referência

Esta demonstração do gerente de portfólio de valores é composta por quatro tipos de agentes:

• Agentes de análise

• Agentes de notícias

• Agentes de mídia social

• Agentes assistentes

Esta demonstração inclui um desses agentes para ativos convencionais e um para ativos criptográficos, resultando em um total de oito agentes. Além disso, existem dois aplicativos de microsserviço. O primeiro, o Aplicativo de Ingestão de Dados, ingere, transforma e prepara dados financeiros, macroecométricos, de notícias e de mídia social de múltiplas fontes. O segundo, o Aplicativo de Insight, orquestra os fluxos de trabalho dos agente de IA para analisar esses dados, monitorar tendências, avaliar o confiança e gerar insights de valores direcionados. Como visto no diagrama abaixo:

Figura 1. Arquitetura de alto nível

Conforme mostrado no diagrama, o MongoDB armazena os dados coletados no processo de ingestão. Esses dados incluem os seguintes tipos:

• Dados de séries temporais, como dados de ativos convencionais e de criptomoedas.

• Dados estruturados, como indicadores macroecométricos e dados de valor de mercado de stablecoin.

• Dados não estruturados, como artigos de notícias financeiros e publicações em redes sociais.

Em seguida, a solução analisa a pontuação de confiança dos artigos de notícias e dos dados de mídia social, cria as incorporações correspondentes e as armazena em suas respectivas coleções no MongoDB Atlas.

Os agentes de análise, notícias e mídia social pegam os dados do MongoDB para analisar e gerar relatórios para ativos do mercado convencional e de criptografia.

Por fim, os agentes assistentes de mercado e criptografia, alimentam insights específicos do portfólio com base na alocação atual do portfólio e fornecem recomendações de gerenciamento de portfólio para ambos os tipos de ativos usando um agente LangGraph React , aproveitando o MongoDB Atlas para armazenamento de dados, pesquisa vetorial e gerenciamento do estado do agente .

Além disso, essa solução inclui um aplicação de demonstração que destaca os recursos avançados do servidor MongoDB Model Context Protocol (MCP) quando integrado a um React Agent movido a IA. Esse aplicação processa com eficiência queries complexas de dados financeiros armazenados no MongoDB Atlas, utilizando uma interface intuitiva para interações orientadas por IA.

Essa abordagem elimina a necessidade de queries manuais e envolvimento direto do banco de dados , fornecendo uma ilustraç

Construir a solução

A demonstração é composta por quatro microsserviços, cada um com seu próprio repositório do Github:

1. Serviço de carregadores

2. Serviço de Agentes

3. Serviço de agente ReAct assistente de mercado e serviço de agente ReAct assistente de criptografia

4. Servidor MCP e interação MongoDB

1. Serviço de carregadores

Figura 2. Arquitetura de serviço de carregadores

Primeiro, a solução armazena os dados no MongoDB Atlas. Isso é feito por meio do aplicação de ingestão de dados , um conjunto de trabalhos agendados que lida com a extração de dados das seguintes fontes:

• Yahoo Novidades: notícias financeiros sobre ativos convencionais e criptográficos.

• YaphyllumFinance: Dados de ativos convencionais de séries temporais.

• API da FRED: Dados de indicadores macroeconômicos.

• Reddit: notícias de mídia social sobre ativos convencionais e criptográficos.

• Binance: dados do mercado de criptomoedas.

• CoinGecko: Dados de capitalização do mercado de stablecoin.

• Desempenho do portfólio: projetado para gerar dados simulados de desempenho do portfólio.

Depois que os dados são armazenados nas collections do MongoDB , os dados não estruturados de notícias e mídia social são processados para calcular sua pontuação de confiança usando o Finders, um modelo de LLM pré-treinado. Em seguida, você vetoriza os dados com o modelo de incorporação da Voyage AI, voyage-finance-2, e os armazena em sua coleção MongoDB correspondente junto com suas incorporações vetoriais.

Veja como o MongoDB pode armazenar diferentes tipos de dados:

Exemplo de dados de série temporal (Binance Crypto Asset):

{
   "_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,
      ...]
}

Exemplo de dados de série temporal (Binance Crypto Asset):

{
   "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
}

Exemplo de dados estruturados (indicadores macroecométricos):

{
   "_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 esse microsserviço, consulte seu repositório no GitHub: Serviço de carregadores

2. Serviço de Agentes

Figura 3. Arquitetura do serviço dos agentes

Enquanto os dados são armazenados no MongoDB, eles ainda precisam ser processados. Os agentes descritos nas seções a seguir processam os dados para gerar insights específicos do portfólio.

Agentes de análise

Esses agentes pesquisam as collections MongoDB relevantes relacionadas a dados de mercado e criptografia e analisam tendências de ativos e indicadores macroeconômicos em cada collection. Em seguida, eles realizam uma série de cálculos para gerar insights e recomendações do portfólio.

Esses cálculos formam a base analítica para a tomada de decisões baseada em dados. Eles avaliam indicadores econômicos e medidas de v olatibilidade para ativos tradicionais para capturar influencias macroeconômicas, enquanto acompanham as tendências de preços, atividade comercial e indicadores de momento para ativos cripto. Juntos, eles permitem que os agentes de IA monitorem continuamente os mercado, equilibrem o risco e otimizem o desempenho do portfólio em tempo real.

Cálculos de ativos de mercado:

• Análise de sensibilidade do VIX

• Análise do GDP

• Análise da taxa de interesse

• Análise da taxa de emprego

Cálculos de ativos criptográficos:

• Análise de média móvel

• Análise de volume

• Análise de RSI

• Análise VWAP

Em seguida, os cálculos são combinados com argumentos baseados em LLM, como Amazon Web Services Cama de Rock ou Ancestrais, para produzir recomendações de portfólio personalizadas.

Agentes de notícias

Esses agentes usam o MongoDB Atlas Vector Search para recuperar notícias financeiros semanticamente relevantes para ativos tradicionais e criptográficos. Em seguida, eles realizam análise e resumo de relacionamentos baseados em LLM para destacar os principais sinais.

Agentes de mídia social

Da mesma forma que os agentes de notícias, os agentes de mídia social recuperam publicações de mídia social semanticamente relevantes usando o MongoDB Atlas Vector Search. Finalmente, eles agregam a análise de sentido baseada em LLM e o resumo na collection reports correspondente.

Para replicar esse microsserviço, consulte seu repositório no GitHub: Scheduled Agents Service

3. Serviço de agente assistente de mercado e criptografia

figura 4. Arquitetura de serviço do agente assistente de mercado / criptografia

Depois que os relatórios são gerados e armazenados nas coleções do MongoDB Atlas , o agente assistente de mercado usa o padrão de argumento React, implementado por meio do LangGraph, para interpretar automicamente as queries dos usuários, acessar os FERRAMENTAS relevantes e gerar insights financeiros aplicáveis.

Esses agentes funcionam como orientadores financeiros estruturados com capacidade de LLM, capazes de realizar o Raciockey passo a passo, a execução de ação e a retenção de memória. Construídos com a estrutura de agente React da LangGraph, eles seguem este ciclo:

1. Motivo sobre a query

2. Agir, como usar uma ferramenta

3. Observe o resultado

4. Continue iterativamente até que uma resposta final seja encontrada

O comportamento do agente é definido por meio de um perfil personalizável do agente armazenado no MongoDB, enquanto a memória de longo prazo e a persistência do estado são gerenciadas usando o checkpointer do MongoDB, que rastreia as etapas de interação, armazenando-as nas coleções: checkpoints_aio e checkpoint_writes_aio.

Para replicar esse microsserviço, consulte seus repositórios no GitHub: Assistente de mercado ReAct Agent chatbot Service e/ou Crypto Operator ReAct Agent chatbot Service

Conforme mostrado nos diagramas anteriores, os agentes são fluxos de trabalho aumentados por ferramentas e acionados por LLM, orquestrados usando o LangGraph. Cada um segue um processo estruturado e determinístico em que os FERRAMENTAS são invocados em uma sequência fixa, garantindo uma execução confiável e explicável.

Ferramentas do Agente

As FERRAMENTAS oferecem aos agentes a capacidade de recuperar dados, chamar APIs, executar código, consultar bancos de dados ou acionar lógica de negócios, transformando-os de respondentes passivos em resolvedores ativos de problemas. Nesta solução, são classificados no seguinte:

Data Retrieval

Vector Search

Agregações

check_portfolio_allocation_tool: recupera dados de alocação de portfólio de coleções MongoDB .

assess_macro_indicators_tool: recupera indicadores macroecométricos dos dados da API Fred.

assess_vix_tool: recupera dados de volume de mercado VIX de conjuntos de dados financeiros.

fetch_market_news_tool: Executa pesquisa vetorial em artigos de notícias financeiros usando incorporações.

fetch_social_media_submissions_tool: Executa pesquisa vetorial em envios do Reddit usando incorporações.

calculate_crypto_trends_tool: agrega dados de preços de criptomoedas para calcular médias móveis e tendências.

calculate_asset_trends_tool: agrega dados de preços de ativos tradicionais para análise de tendências.

calculate_crypto_momentum_indicators_tool: agrega dados de criptografia para calcular RSI, padrões de volume e VWAP.

calculate_news_sentiment_tool: agrega pontuações de disparates de artigos de notícias por ativo.

calculate_social_media_sentiment_tool: agrega pontuações de comentário de envios de mídia social por ativo.

generate_news_sentiment_summary_tool: agrega dados de feedback sobre notícias e gera resumos com base em LLM.

generate_social_media_sentiment_summary_tool: agrega dados de feedback de mídia social e gera resumos com base em LLM.

generate_overall_diagnosis_tool: agrega todos os resultados da análise com perfis de risco para o diagnóstico final do portfólio.

generate_overall_diagnosis_tool (versão criptografia): agrega resultados da análise de criptografia para um diagnóstico abrangente do portfólio.

4. Servidor MCP e interação MongoDB

O recurso final dessa solução combina o Servidor MongoDB MCP e um React Agent com IA que permite queries de linguagem natural em tempo real sobre dados financeiros armazenados no MongoDB Atlas.

Ao combinar servidores MCP e MongoDB você pode explorar seus dados por meio da linguagem natural, executar tarefas de administração do banco de dados e gerar código sensível ao contexto.

figura 5. Arquitetura de interação do servidor MongoDB MCP

Conforme mostrado no diagrama, esta solução se conecta aos dados de série temporal financeira:

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

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

• Coleções: binanceCryptoData (crypto), yfinanciaMarcketData (convencional)

Nesta demonstração, o Servidor MongoDB MCP habilita o desenvolvedor FERRAMENTAS com um aplicativo Next.js que permite a interação entre o cliente e as collections MongoDB Atlas para executar as seguintes tarefas:

• Exploração do banco de dados: Liste collections no banco de dados.

• Últimos preços e tendências de preços: obtenha os preços atuais de qualquer ativo suportado ou mostre médias diárias de preços ao longo de períodos de tempo.

• Análise de volume: calcule os volumes médios de negociação.

• Comparações de preços: compare preços entre diferentes ativos.

Para replicar esse microsserviço, consulte seu repositório no GitHub: Gerenciamento de portfólio de ativos - Interação com o MCP

Para saber mais sobre o servidor MongoDB MCP, consulte Anunciando o servidor MongoDB MCP para ter uma compreensão mais profunda do servidor MongoDB MCP.

Observação

Esta demonstração opera no modo somente leitura por motivos de segurança. Embora o MCP ofereça suporte a operações create, update e delete, restringimos intencionalmente o acesso apenas a operações list, find e aggregate. Isso evita alterações não intencionais em nosso banco de dados e garante um ambiente de demonstração seguro.

Por que usar o MongoDB?

Um gerente de portfólio de ativos de agente de IA requer uma plataforma de dados que ofereça suporte a decisões em tempo real, argumentos adaptáveis e memória persistente. As seções a seguir mostram como o MongoDB fornece a arquitetura unificada e as integrações de IA nativa necessárias para alimentar agentes financeiros inteligentes, compatíveis e autônomos.

Uma fundação de dados moderna para aplicativos financeiros com tecnologia de AI

O MongoDB é uma plataforma de dados unificada e de alto desempenho criada para a complexidade dos serviços financeiros. Ele substitui soluções ponto a ponto fragmentadas por um único sistema capaz de manipular dados estruturados, de série temporal, não estruturados e vetorizados, o que o torna ideal para impulsionar aplicativos inteligentes e adaptáveis em mercados de capitais, gestão de patrimônio e muito mais.

Flexibilidade de esquema e document model

O modelo BSON semelhante ao JSON do MongoDB se alinha naturalmente ao estado do agente e ao design orientado a objetos, simplificando a modelagem de dados para contas, portfólios, transações e metadados de AI. Os desenvolvedores podem:

• Desenvolva ainda mais os modelos de dados sem migrações disruptivas graças a esquemas dinâmicos.

• Armazene dados relacionados, como perfis de usuário e histórico comercial, juntos para consultas mais rápidas e eficientes.

• Manipule diversos tipos de dados, como arrays e documentos incorporados, em uma estrutura unificada.

Coleções de séries temporais para dados de mercado e criptomoedas

As coleções de séries temporais ingerem e analisam com eficiência grandes volumes de dados de mercado. As funcionalidades incluem:

• Ingestão de alta taxa de transferência de ações, títulos, criptomoedas e produtos primários.

• Compactação automática, indexação e expiração de dados para controle de desempenho e custo.

• Suporte nativo para análises em janelas, como médias móveis e monitoramento da volatilidade.

Atlas Vector Search para compreensão semântica

O MongoDB Atlas Vector Search permite a compreensão semântica do conteúdo financeiro usando incorporações vetoriais. Esta solução aproveita voyage-finance-2. Este modelo alimenta as seguintes funcionalidades:

• Recuperação sensível ao contexto de notícias financeiras e publicações em redes sociais usando prompts interativos e correspondência baseada em similaridade.

• Pesquisa de similaridade semântica aprimorada com filtro de metadados para gerar resultados mais precisos.

Checkpointer do MongoDB para memória do agente

O padrão Checkpointer permite que agentes de AI mantenham seu estado interno nas das interações, oferecendo suporte para:

• Retenção de contexto e raciocínio a longo prazo.

• Visibilidade total das decisões anteriores de AI, dando suporte a auditorias fáceis e compliance regulatória.

Pipelines de agregação e Atlas Charts para geração de insights

O framework de agregação do MongoDB oferece informações em tempo real, desde a análise de tendências até as correlações macroeconômicas. Combinado com o Atlas Charts, as equipes podem criar painéis dinâmicos que exibem:

• Sinais de portfólio orientados por AI

• Anomalias de mercado

• Indicadores de desempenho em tempo real

Servidor MCP do MongoDB

A integração do MCP permite que os agentes de IA e o FERRAMENTAS interajam diretamente com os dados financeiros no MongoDB usando linguagem natural. O servidor MCP simplifica essa interação, permitindo fácil pesquisa de dados, gerenciamento simplificado de banco de dados para portfólios de valores e geração de código sensível ao contexto para aplicativos financeiros. Isso acelera o uso da IA para tomadas de decisões de capital mais inteligentes, rápidas e informadas.

Juntos, esses recursos fazem do MongoDB uma camada de dados robusta para soluções financeiras orientadas por IA para dar suporte às exige

Principais Aprendizados

• As soluções de portfólio de negócios alimentadas por IA liberam um nível sem precedentes de insights: os gerentes de portfólio agora estão preparados com o poder dos agentes de IA que podem analisar dados de mercado, notícias de mercado, eventos de mercado e propuser recomendações perspicazes e aplicáveis sobre ativos e riscos de portfólio em tempo real.

• O MongoDB habilita soluções Agentic AI para gerenciamento de portfólio de valores: o modelo de documento flexível do MongoDB armazena nativamente dados de mercado não estruturados e dinâmicos, incluindo notícias, eventos e dados de mídia social. O MongoDB Vector Search recupera similaridades e correlações contextuais do mercado, enquanto se integra perfeitamente a incorporações e modelos de IA generativa .

• A Agentic AI é um paradigma em rápida evolução para orientar a tomada de decisões: os agentes de IA se adaptam continuamente, ajustando suas ações e estratégias com base nas condições e flutuações do mercado em tempo real. Os agentes de IA aprender com experiências passadas, refinando seu desempenho ao longo do tempo.

Autores

• Peyman Parsi

• Ainhoa Múgica

• Julian Boronat

• Andrea Alaman Calderon