Sistema de trading bursátil 100% autónomo que conecta 31 LLM en un esquema de validación cruzada

Hola. Soy un estudiante desarrollador que empezó esto como un proyecto personal para gestionar mi portafolio individual, y poco a poco terminó construyendo un sistema de 31 agentes LLM.

Al principio lo concebí como un servicio web B2C de recomendación de acciones para atraer usuarios. Pero me topé con el problema de los enormes costos de comunicación por API y con la dificultad de validar su utilidad. Así que abandoné la adquisición de usuarios (marketing), eliminé por completo la UI/UX y pivoteé a un pipeline conectado directamente a mi cuenta real (10 millones de wones), donde la IA toma todas las decisiones y ejecuta las operaciones por sí sola. Actualmente lo estoy operando de esa forma.

Quiero compartir con la comunidad de GeekNews la arquitectura que construí después de mucho ensayo y error, junto con las experiencias técnicas que tuve al implementarla.

---

🧠 Arquitectura del sistema: 6 etapas, validación cruzada entre 31 agentes

Este sistema (K-Agent Alpha) no funciona con un solo prompt, sino como un pipeline de relevo multiagente que replica una estrategia de inversión Top-Down completa. Se ejecuta secuencialmente durante cerca de una hora.

1. Análisis de portafolio y psicología (Phase 0~1):

   • Usa la API de KIS (Korea Investment & Securities) para traer el saldo real y analiza la tasa de acierto de las operaciones previas para alimentar el ciclo de retroalimentación.
   • Define la postura de mercado con base en 5 indicadores, como volatilidad (VIX), tipo de cambio y subidas o bajadas del KOSPI.

2. Equipo macroeconómico (Phase 2 - 7 agentes):

   • Agentes de tasas, tipo de cambio y derivados analizan la liquidez global mediante FRED, la API del Banco de Corea y otras fuentes.
   • Para evitar pensamiento unidireccional, lo diseñé para forzar la generación de 3 escenarios: Base/Bull/Bear.

3. Equipo de industria/sectores (Phase 3 - 10 agentes):

   • Es el pipeline más sofisticado del sistema. Hace screening de sectores prometedores con base en flujos en tiempo real de inversionistas extranjeros e institucionales, PER por industria y noticias de búsqueda.
   • Para atrapar las alucinaciones típicas de los LLM (recomendar acciones inexistentes), coloqué un agente Validator que filtra mecánicamente si hubo desliste o si la capitalización bursátil está por debajo del mínimo.

4. Equipo de análisis empresarial y riesgo (Phase 4 - 8 agentes):

   • Revisa estados financieros de DART, gráficos (indicadores técnicos) y noticias para proponer candidatos. El risk manager verifica presión de ventas en corto y MDD.

5. CIO con la decisión final (Phase 5 - 1 agente):

   • El modelo más capaz, gemini-3.1-pro-preview, consolida los resultados de los otros 30 (Gemini Flash).
   • Para evitar la falacia del costo hundido y otros sesgos, apliqué un prompt de "Bounded Autonomy" que obliga a especificar tanto el "escenario Bear Case si yo estuviera equivocado" como las "condiciones de invalidación de la inversión". El JSON generado aquí se envía a mi API de Korea Investment & Securities.

---

💡 Troubleshooting: sesgos cognitivos del LLM y explosión de tráfico

Mientras operaba el sistema, enfrenté y resolví dos problemas especialmente dolorosos.

1. Los LLM no saben cortar pérdidas (efecto disposición):
   • La IA reprodujo exactamente el sesgo cognitivo humano: querer vender muy pronto las posiciones ganadoras apenas suben un poco y dejar abandonadas las acciones en pérdida pensando que "algún día subirán". Para evitarlo, modifiqué la lógica para que, si la decisión de hoy contradice la de ayer, deba explicar por qué cambió su postura, y además evalúe por sí misma su tasa histórica de acierto para refutarse (Red-Teaming).
2. Límite de tráfico de API con 31 agentes (Rate Limit & Context Limits):
   • Al analizar a fondo entre 20 y 30 acciones, seguían ocurriendo problemas de overflow de tokens o bloqueos por límites de APIs externas. Al final reestructuré la arquitectura para que grandes volúmenes de datos, como financieros e indicadores de gráficos, se empaqueten desde el backend de una sola vez con algo como get_fundamental_batch_all y se inyecten mediante una arquitectura de procesamiento por lotes, estabilizando así el tiempo de ejecución por debajo de una hora.

---

📊 Ejemplo de logs que realmente produce la IA

Cuando termina el proceso anterior, la IA genera un reporte estratégico (log) bastante profundo como el siguiente.

(Extracto parcial de un log real de diagnóstico macroeconómico que la IA escribió ayer)
"Mientras el rebote del PPI (índice de precios al productor) (2.43%) supera al CPI (2.0%), se está materializando un margin squeeze en las empresas...
El mercado de futuros está registrando un profundo estado de backwardation de -1112.61.
Se hace visible la entrada a una fase de 'Sudden Stop' con el petróleo por encima de los 100 dólares y el tipo de cambio superando los 1,520 wones.
→ Aumentar de forma agresiva la proporción de efectivo hasta alrededor de 34%. Incorporar equipamiento naval, que destaca por su atractivo de valuación ampliamente infravalorada."

---

💻 Ver resultados de ejecución y observar los logs

Todavía no he podido publicar todo el código fuente de forma que se pueda ejecutar directamente con git clone, porque está muy entrelazado con mis claves de seguridad y la lógica de mi cuenta real (más adelante planeo ordenar los prompts clave y el pipeline para subirlos a GitHub).

En su lugar, integré un canal dedicado de Telegram para que puedan evaluar qué tipo de logs de toma de decisiones (resultados) produce realmente este pipeline de 31 prompts al debatir durante una hora al día.

• No tiene ningún objetivo de landing page, recolección de correos ni marketing.
• Todos los días a las 3:05 p. m. se publica por streaming un reporte de inversión de nivel institucional generado 100% automáticamente por LLM, sin intervención humana, junto con el historial de operaciones en tiempo real derivado de ello (conectado a cuenta real).

👉 Canal de logs de decisiones de IA en tiempo real (reportes): t.me/K_Agent_Alpha

Si a alguien le interesan los sistemas multiagente o el prompt engineering, de verdad agradecería mucho comentarios duros o feedback técnico sobre la arquitectura o sobre cómo corregir errores de juicio de la IA.

[github88]

Ay, Dios...

[dydwls140]

Ay, no...

[woonsa]

Los LLM tienen tiempo de inferencia, así que responden lento para trading en tiempo real o de alta frecuencia como HFT. Como mínimo, solo es viable usarlos con velas de 5 minutos. Además, aunque se conecten varios modelos LLM, eso no hace que sus capacidades sean necesariamente superiores. Más bien, conviene usar unos 5 LLM para encargarse del análisis emocional del mercado o de la comunidad —por ejemplo, detectar euforia o miedo— que ni la lógica propia ni modelos como LSTM pueden captar, y luego integrarlos en un ensamble con métodos de trading basados en la lógica de análisis de cada usuario junto con deep learning como advanced PPO, CNN y LSTM (análisis de datos históricos de gráficos). Para el trading de muy corto plazo, los modelos de deep learning como LSTM y CNN son los adecuados.

[cjb9452]

Estamos considerando suficientemente esa parte. Por eso intentamos evitar el trading de alta frecuencia apostando al precio de cierre al final de la jornada.

[woonsa]

Para darles un tip más: la idea es convertir modelos LLM pequeños en algo especializado para un dominio específico mediante ajuste SFT (NTR), y esos ejecutarlos localmente; para la API, usar solo un modelo de lenguaje grande. Si especializan modelos de alrededor de 7B o 3B para análisis concretos, se obtienen mejores resultados. ¡Ah! Cuando hagan SFT (NTR), si aprovechan activamente AI Hub, es más fácil crear el dataset. (Yo también he llegado a hacer algo parecido ^^;)

[woonsa]

Ah, y sí o sí hace falta hacer backtesting durante uno o dos meses. Si no, también podrías ver cómo el LLM hace cosas raras y termina volando tus activos. (compra en el mínimo y vende en el máximo)

[galaxy11111]

Han creado un montón de alucinaciones sumamente sofisticado... El mercado no se puede predecir. Si con lo que hicieron sus activos llegan a duplicarse o más, admitiré que yo estaba equivocado.

[cjb9452]

Podría ser una alucinación. Por eso yo también lo voy a seguir de cerca. Como he puesto mi propio dinero, voy a tener que seguir actualizando esto. Es una especie de experimento.