1. Objetivo Principal: Crear un inteligencia para trading con inteligencia artificial enfocado en invertir en la bolsa de valores y generar utilidades financieras.

2. Componentes Clave:

a. Acceso a Información: Nuestro AI debe tener acceso a bases de datos de empresas públicas, incluyendo históricos de los últimos 36 meses. Esto incluye datos relacionados con el valor en la bolsa y cómo ha cambiado debido a variables políticas, financieras, y otros factores.

b. Análisis y Correlación: Utilizar algoritmos para estudiar y correlacionar los datos históricos de las empresas y proporcionar sugerencias de inversión basadas en este análisis.

c. Simulación de Inversiones: El bot debería ser capaz de simular una realidad virtual donde se prueban las sugerencias de inversión y se espera un período (como cuatro meses) para comparar esas sugerencias con los datos históricos reales.

Buscaremos nutrir la base de datos de nuestro LLM con varias perspectivas distintas que podrán ofrecer un panorama más completo, por ejemplo: Los aspectos económicos de todas las empresas del Nasdaq a partir de su información pública de los estados de resultados e información que comparten con el estado, por qué hay que comprender, que en este caso, el objetivo es comprender un panorama de inversión en bolsa de valores con la finalidad de construir sistemas de información que funcionan como algoritmos, con la inteligencia del lenguaje humano. Al construir bases de datos de toda la información pública sobre el tema en particula

En corto, buscamos definir un algoritmo que correlacione esta información con el valor de las acciones en la bolsa y cómo este valor ha cambiado debido a variables políticas, financieras y otras, a través del tiempo.

La AI actuará como un bot de trading, capaz de estudiar los datos históricos y tomar decisiones de inversión. La AI debería poder simular una estrategia de inversión, esperar un periodo determinado (como cuatro meses), y luego analizar cómo habrían funcionado esas sugerencias de inversión utilizando los datos históricos reales. La AI deberá entender las instrucciones en tiempo real y responder con análisis y sugerencias pertinentes.

a. Requisitos de Datos para el MVP: Para comprender a fondo, es fundamental saber qué buscar:

Precios de las Acciones: Precios diarios de apertura, cierre, máximo, mínimo y ajustado, registrando la hora exacta de captura.
Volúmenes de Negociación: Comprendiendo el total de acciones negociadas cada día, de nuevo con una precisión horaria.
Estados Financieros: Acceso a informes trimestrales o anuales.
Sentimiento de Noticias: Incluyendo la hora exacta de publicación para correlacionar con otras variables.
Acciones Corporativas y Datos Adicionales: Monitoreo de dividendos, divisiones de acciones, fusiones, etc., y alineándolos con el tiempo.

Limites para esta versión del sistema (para minimizar la complejidad y poder obtener un modelo de AI con la información impertinente para poder aconsejarnos y ofrecernos daily insights sobre nuestro nicho de enfoque al que elegimos.)

b. Periodo de Tiempo para el MVP: Se tomarán datos históricos que comiencen desde la fecha y hora inicial, enfocándonos en los últimos 36 meses. La frecuencia de actualización (por ejemplo, diaria, semanal) se determinará para proporcionar consistencia y uniformidad.

c. Enfoque de Nicho: Para este MVP, nos centraremos exclusivamente en empresas de tecnología relacionadas con la IA en México y EE.UU.

Componentes Clave: a. Acceso a la Información: Incluyendo cambios en el valor de las acciones debido a varios factores. b. Análisis y Correlación: Utilizando algoritmos para estudiar y proporcionar sugerencias de inversión. c. Simulación de Inversiones: Probando sugerencias en un entorno virtual. d. Interacción en Tiempo Real: Una interfaz de chat interactiva en tiempo real.
Desafíos Potenciales: a. Claridad en la Comunicación: Se debe asegurar la claridad de los objetivos e ideas. b. Tecnología Requerida: Se necesitará habilidad técnica significativa y conocimientos financieros.
Aplicaciones Potenciales: a. Herramienta de Inversión: Para individuos o empresas que buscan invertir. b. Educación Financiera: Como una herramienta educativa para enseñar inversiones.

Recopilación de Datos: Reuniéndolo Todo a. Fuentes de Datos: Saber dónde buscar es la mitad de la batalla:

APIs: Utilizando APIs accesibles como Alpha Vantage, IEX Cloud.
Web Scraping: Extrayendo datos de sitios web de noticias financieras.

b. Herramientas de Recopilación de Datos: Una combinación de recursos disponibles como pandas, BeautifulSoup para una extracción precisa de datos.

Almacenamiento de Datos: Organizando para Obtener Conocimientos a. Diseño de Bases de Datos: Estructurando la información de manera efectiva:

Notion, Google Spreadsheets, Airtable, Zapier: Herramientas para organizar los datos, incluso si solo se tiene un conocimiento modesto de Python y desarrollo web.
Diseño de Esquema: Creando tablas y relaciones para consultas eficientes.

b. Consideración de Almacenamiento: Considerando opciones como el almacenamiento en la nube y local basado en las necesidades de volumen y escalabilidad, con copias de seguridad apropiadas.

Conclusión: Hacia una Comprensión Simplificada Lo que se comparte arriba no es una hazaña de la maestría de una sola persona, sino una comprensión colectiva de las metodologías. Al hacer seguimiento de los detalles exactos del tiempo, utilizando diversos métodos de recopilación de datos, e implementando estrategias de almacenamiento de datos reflexivas, cualquiera puede sentar las bases para un proyecto sustancial.