11 pasos desde el ticker hasta el veredicto. Con la matemática real. Usando NVDA como ejemplo porque es la acción sobre la que todos quieren que hable la IA.
Analicemos NVDA. Introduces el símbolo en el campo de análisis o llegas a /stocks/NVDA. ARIA Analyst clasifica el activo (NVDA → acción), enruta al pipeline StockScorer y dispara una ejecución paralela de agentes.
POST /api/v1/analyze
{ "ticker": "NVDA", "asset_type": "stock" }Primero, el agente data_collection extrae entradas frescas en paralelo:
Cinco agentes deterministas calculan sub-puntuaciones. Cada uno es una función matemática (regresión + reglas), no un LLM — mismos inputs, mismo output, siempre. Sus pesos para acciones son explícitos y públicos (ver config/agents_config.py):
Alrededor de los 5 agentes deterministas, otros componentes aportan profundidad. NO se cuentan en los '5 agentes' porque son ML (estocásticos por naturaleza) o LLM-driven (también estocásticos):
Dos agentes LLM argumentan lados opuestos de NVDA. Bull lista: dominio de infraestructura de IA, demanda de centros de datos, márgenes brutos ~75%. Bear lista: riesgo regulatorio en China, concentración de clientes, extensión de valoración. Un agente sintetizador puntúa ambos argumentos por margen + calidad del steel-manning y produce una inclinación bull/bear continua — nunca un voto binario. Este es el ÚNICO lugar donde los LLMs influyen en algo; no tocan el número de puntuación.
Simulación Monte Carlo: 10.000 trayectorias de precio en horizontes 1d/5d/20d usando GBM con colas gordas t-Student (df ~ 5). Outputs: retorno esperado, VaR(95%), CVaR(95%), max drawdown, probabilidad de retorno positivo. Son probabilísticos y se muestran como rangos, no como estimaciones puntuales.
price[t+1] = price[t] * exp((μ - σ²/2)*Δt + σ*√Δt*ε)
where ε ~ Student-t(df=5)El régimen de mercado actual (alcista/bajista/lateral) y el horizonte de previsión (1d/5d/20d) seleccionan 1 de 9 bundles de modelos entrenados. Cada bundle tiene LightGBM + XGBoost entrenados con PurgedKFold cross-validation (5 días de purge gap). Un meta-learner de regresión logística los combina, e isotonic regression calibra el output para que 70% de confianza corresponda realmente a ~70% de acierto (Brier-scored). Los modelos se reentrenan mensualmente vía cron.
Todas las sub-puntuaciones se combinan en una puntuación final 0-100 usando pesos de agente aprendidos mediante Information Coefficient (IC) ponderado por confianza con decaimiento temporal de 30 días. Los pesos están acotados a [5%, 45%] para que ningún agente domine ni desaparezca. Estos pesos se actualizan mensualmente según los resultados reales de predicción.
final_score = Σ (agent_score_i × weight_i × confidence_i)Antes de producir un veredicto, ARIA Analyst aplica gates de riesgo: veto por semana de resultados (1d antes = bloqueo; 2-3d = -75% tamaño), régimen de volatilidad, correlación con cartera existente. El tamaño de posición se calcula vía criterio Kelly clampado al 5%. El stop loss se calcula a 2x ATR; el take profit a 4x ATR.
La puntuación final se mapea a un veredicto: 80-100 = Strong Buy, 60-79 = Buy, 40-59 = Hold, 20-39 = Sell, 0-19 = Strong Sell. Un LLM (Ollama qwen2.5 localmente, o Claude Opus para Premium) redacta una tesis legible de 3 párrafos basada en las puntuaciones. La tesis es narrativa — no cambia el número.
Cada predicción se registra con timestamp, puntuación, confianza y horizonte. Tras 1d/5d/20d, se registra el resultado. Un job nocturno a las 21:00 UTC actualiza los outcomes; un job mensual reentrena los bundles ML y re-optimiza los pesos de agentes según el IC observado. Este es un sistema de bucle cerrado real — las predicciones retroalimentan las futuras predicciones.
El plan gratuito te da 3 análisis al día. Sin tarjeta de crédito. La forma más rápida de ver si esto tiene sentido.