FoldAlpha – Valida estrategias de inversión con IA y recibe alertas automáticas, en lenguaje natural

Inversión con IA, ¿a quién no le interesa?

Si ves X o Threads, hay muchísimas publicaciones de gente compartiendo su experiencia invirtiendo con IA. Si se lo pides a un agente de código, hasta puede crearte una estrategia de inversión con un clic y también ejecutarla. Probablemente, al principio, la mayoría empiece por pedirle a la IA que elija acciones.

Pero este enfoque tiene una limitación estructural. La inversión basada en el juicio de la IA es difícil de validar científicamente. Como la IA ya fue entrenada con datos del pasado, pedirle algo como "elige acciones viendo las noticias de marzo de 2020" no tiene mucho sentido: ya conoce el resultado. Al final, no queda más que correrla en vivo y seguir la rentabilidad real, sin una forma de estimar de antemano si generará ganancias.

Cuando uno se da cuenta de esto, naturalmente empieza a interesarse por el enfoque quant — screening basado en factores, backtesting basado en datos. Creo que, si uno quiere sistematizar su inversión en serio, este es el camino correcto.

Pero los datos son más difíciles de lo que parecen

Para hacer inversión quant se necesitan datos. Para que un backtest tenga sentido, necesitas más de 10 años de datos del mercado coreano: velas diarias, estados financieros y flujo de capital. Claro, si se lo pides a un agente de código, también puede recolectarlos. Pero traerlos gratis y de forma puntual tiene más limitaciones de las que parece. Si consideras límites de llamadas a API, consistencia de datos y manejo de acciones deslistadas, termina requiriendo bastante trabajo.

Además, si quieres conectar un motor de backtesting, jobs programados para correr todos los días, alertas y, más adelante, trading automático, hay bastante por hacer.

Por eso preparé este entorno de antemano y lo convertí en algo que se pueda usar fácilmente en lenguaje natural: eso es FoldAlpha.

Estas son algunas de las cosas que puede hacer

• Backtesting en lenguaje natural: si defines una estrategia en lenguaje natural, como "rebalanceo trimestral con acciones de PBR menor o igual a 0.5 y margen operativo mayor o igual a 10%", el agente la convierte a SQL y ejecuta un backtest de 10 años. Calcula automáticamente CAGR, MDD, Sharpe Ratio y exceso de retorno frente al KOSPI.
• Jobs programados + alertas por Telegram: si registras una condición como "todos los días a las 9 de la mañana analiza acciones con potencial de fuerte alza", se ejecuta automáticamente cada día y envía los resultados por Telegram.
• Preguntas y respuestas sobre datos financieros: puedes consultar y analizar estados financieros, precios de acciones y datos de flujo de capital en lenguaje natural.

Yo también estoy invirtiendo de verdad con estos datos, seleccionando acciones y rebalanceando en los mercados de Corea y EE. UU. a nivel mensual y trimestral. No diría que los retornos son espectaculares, pero me parece el método más lógico y objetivo que una persona puede usar.

Por supuesto, también se puede invertir con recomendaciones de IA

Noticias, reportes de resultados, "acciones beneficiadas por la cadena de valor de HBM", "acciones favorecidas por los aranceles de Trump" — casi todo el mundo a mi alrededor invierte así.

Esto también se puede hacer, por supuesto. Si registras en un job programado algo como "analiza todos los días, con base en noticias, las acciones con potencial de subir fuerte hoy", el agente buscará y analizará noticias en tiempo real, hará recomendaciones diarias y luego podrá rastrear si realmente subieron al día siguiente. Ahora mismo estoy ejecutando este escenario en vivo y acumulando resultados.

Por ahora, después de observar un poco más los resultados de las recomendaciones en vivo, estoy pensando como siguiente paso en conectarlo incluso con trading automático. Según la API de Korea Investment & Securities, la configuración inicial es algo compleja, pero una vez registradas las keys, no parece difícil ejecutar órdenes en sí.

Si se quiere abordar científicamente la inversión en estrategias basadas en noticias, también hace falta construir un archivo de noticias, y recolectar noticias históricas de forma retroactiva probablemente sería una tarea difícil incluso para Bloomberg. Planeo resolverlo a largo plazo.

Cómo lo hice

Por supuesto, lo hice con vibe coding. Estoy usando de distintas formas Claude Code, Codex y Cursor. Aun así, construirlo todo con vibe coding no es simplemente de "un clic". En especial, la parte de crear el runtime del agente LLM — el harness — requirió entrar bastante a fondo.

Al principio, el agente creado con vibe coding era un pipeline complejo con un intent classifier y 9 herramientas, pero tenía mucha latencia y no escalaba. Analicé la arquitectura de agentes de código publicados recientemente, como Claude Code y Codex CLI, y lo rediseñé con una estructura ligera de single-loop en la que el LLM decide directamente en cada paso; con eso, la latencia se redujo a menos de la mitad. Documenté este proceso en un reporte técnico y también publiqué el código del runtime como open source.

Stack tecnológico:

• Frontend: Next.js (Vercel)
• Backend: Fastify (Node.js)
• Runtime del agente LLM: Python, implementación propia — patrón de agente single-loop
• DB de datos bursátiles: Oracle Autonomous DB (10 años de velas diarias, financieros y flujo de capital del mercado coreano)
• Datos de usuario: Supabase (PostgreSQL)
• Búsqueda de noticias: Brave Search API
• LLM: Gemini / GPT / Claude (BYOK — el usuario usa su propia API key)

Infraestructura: todo en free tier

• Vercel: hosting del frontend
• Supabase: DB de usuarios + autenticación
• Oracle ADB: DB de datos bursátiles (Always Free)
• Oracle Cloud: 1 instancia VM — ahí corro tanto el servidor de producción como el de desarrollo
• Cloudflare: dominio + CDN

El único costo es la compra del dominio. Producción y desarrollo corren en una sola instancia, separados solo por puertos.

Enlaces

• Servicio: https://app.foldalpha.com/about
• Runtime del agente (open source): https://github.com/sbyoun/finllm-agent
• Reporte técnico del runtime del agente: https://github.com/sbyoun/finllm-agent/…

Se agradece el feedback.