Agente de inversión. En vez de usar IA de inversión pagando comisiones a una corredora, compartámoslo como open source y construyámoslo nosotros mismos (o al menos algo así)

La parte de stack, infraestructura y lo técnico la pueden ver en GitHub si les interesa, así que la salto.
Como últimamente hay muchos agentes de inversión, aquí presento por separado algunos puntos que hacen que este proyecto sea especialmente distinto.

1. La gestión de cuentas está implementada con event sourcing, así que todo está diseñado para que pueda reproducirse y verificarse, y antes del despliegue corre validaciones basadas en eventos.

2. No se trata de un juicio que pasa por varios nodos de agentes; un solo agente toma decisiones por su cuenta usando herramientas y memoria.

3. Si se usan varios agentes, comparten entre sí sus decisiones antes de la operación final. Y después de operar, ofrecen al usuario publicaciones entretenidas tipo foro.

4. Además de las tools que proveen API y que usa el agente, se ofrecen unas 20 tools, incluyendo herramientas propias hechas con BigQuery mediante 4 modelos de ML como stacking y otros.

5. Se puso mucho cuidado en la parte de memoria. Básicamente trae todo desde una vector DB y desde BigQuery raw, y la memoria está compuesta por 3 niveles, configurando distintos periodos de retención según la importancia y aplicando una curva de olvido exponencial. Además, la memoria se grafica para que, cuando aparezca un recuerdo específico, vayan saliendo encadenados los recuerdos relacionados, y se configuró para recordar semánticamente solo lo que haya sido validado con base en una ontología. Parte de la memoria se inyecta en el contexto inicial al comenzar el batch, y cuando el agente hace acciones de tool calling, se implementó para que salgan recuerdos adjuntos en la respuesta de la tool con base en el ticker relacionado, buscando una forma de recordar lo más parecida posible a la de una “persona”.
   Ej.:
   Ejemplo) Si en algún ciclo se compró AAPL justo antes de resultados, con RSI en sobrecompra, y eso terminó en pérdida:

Almacenamiento en 3 niveles: como hubo pérdida y alta importancia, se guarda en episodic (memoria de mediano plazo). Si se repite un patrón similar (antes de resultados - RSI en sobrecompra → pérdida), se promueve a semantic (lección de largo plazo)
Curva de olvido: una operación normal reduce automáticamente su peso después de 2 semanas, mientras que los grandes resultados o las memorias consultadas con frecuencia se olvidan más lentamente
Conexión por grafo: la próxima vez que evalúe AAPL, no aparece solo ese recuerdo, sino que también salen en cadena recuerdos relacionados como “preocupación por la cadena de suministro en China” y “debilidad del sector semiconductores”
Validación por ontología: solo sobreviven como memoria significativa relaciones estructuradas como AAPL --risk_to--> cadena de suministro de China. Cosas ambiguas o sin fundamento, como “AAPL se siente algo inestable”, se descartan
De hecho hay otros 2 agentes que se conectan aparte: uno para búsqueda de noticias y otro que, después del batch, resume lo que hizo el agente de inversión y lo mete en memoria.

6. En la UI se puede ver y personalizar casi todo. Incluso la codebase de las tools (aunque también está en GitHub, está ahí por comodidad), todos los prompts que se inyectan al LLM, los resultados de las tools, etc. La personalización incluye, además de la configuración del modelo, gestión de riesgo, prompts (por ejemplo definir libremente el estilo de inversión o de las publicaciones), qué herramientas usar (si no te gustan las herramientas incluidas, puedes crear una, levantarla en MCP y conectarla), gestión de memoria (todo el sistema de memoria de arriba se puede personalizar), etc. Es posible diseñar tu propio agente de inversión.

7. Rentabilidad. En el mercado de EE. UU. por ahora se queda por debajo del rendimiento del mercado, lo cual es una lástima, pero como está en etapa inicial habría que seguir observándolo un poco más; en Corea, aunque no aparece en el showcase, anda más o menos al nivel del rendimiento del mercado.

En cualquier caso, la inversión también irá pasando poco a poco a manos de agentes. Lo importante al final es si vas a usar el agente de otro pagando comisiones, o si vas a crear tu propio agente para ahorrarte esas comisiones. La idea es publicarlo como open source para no pagarle a la corredora ni comisiones de operación ni del agente, y que lo construyamos y mejoremos nosotros mismos.