La gestión de riesgos en los mercados de capitales es cada vez más compleja para los gestores de carteras de inversión. La necesidad de procesar grandes cantidades de datos—desde datos de mercado en tiempo real hasta datos no estructurados de las redes sociales—exige un nivel de flexibilidad y escalabilidad que los sistemas tradicionales tienen dificultades para mantener.
Los agentes de IA—un tipo de inteligencia artificial que puede operar de forma autónoma y tomar acción basadas en objetivos e interacciones del mundo real— están llamados a transformar la forma en que se gestionan las carteras de inversión. Según Gartner, el 33 % de las aplicaciones de software empresarial incluirán IA agéntica para 2028, frente a menos del 1 % en 2024. Al menos el 15 % de las decisiones laborales del día a día se toman de forma autónoma a través de agentes de IA.1 MongoDB permite a los agentes de IA transformar eficazmente el panorama de la gestión de carteras de inversión. Al aprovechar la combinación de grandes modelos de lenguaje (LLMs), la generación de recuperación aumentada (RAG) y MongoDB Atlas Vector Search, los agentes de IA están capacitados para analizar vastos datasets financieros, detectar patrones y adaptarse en tiempo real a las condiciones cambiantes de forma dinámica. Esta inteligencia avanzada eleva la toma de decisiones y capacita a los gestores de carteras para mejorar el rendimiento de la cartera, gestionar los riesgos de mercado de forma más eficaz y realizar análisis precisos del impacto en los activos.
Gestión inteligente de la cartera de inversiones
La gestión de carteras de inversión es el proceso de seleccionar, equilibrar y supervisar una combinación de activos financieros —como acciones, bonos, materias primas y derivados— para lograr un mayor retorno de la inversión (ROI) gestionando el riesgo de manera eficaz y proactiva. Implica una asignación de activos cuidadosa, diversificación para mitigar la volatilidad del mercado, supervisión continua de las condiciones del mercado y el rendimiento de los activos subyacentes para mantenerse alineados con los objetivos de inversión.
Para seguir siendo relevante hoy en día, la gestión de carteras de inversiones requiere la integración de diversos datos alternativos no estructurados, como noticias financieras, sentimiento de las redes sociales e indicadores macroeconómicos, junto con datos de mercado estructurados, como movimientos de precios, volúmenes de comercio, índice, diferenciales y registros históricos de ejecución. Esta compleja integración de datos presenta un nuevo nivel de sofisticación en el análisis de carteras, como se expone en la Figura 1. Requiere una plataforma de datos flexible, escalable y unificada que pueda almacenar, recuperar y gestionar de manera eficiente conjuntos de datasets tan diversos, y allanar el camino para crear soluciones de gestión de carteras de próxima generación.
La incorporación del esquema flexible de MongoDB acelera la ingesta de datos a través de diversas fuentes de datos, como fuentes de mercado en tiempo real, registros históricos de rendimiento y métricas de riesgo. Las nuevas soluciones de gestión de carteras activadas con datos alternativos apoyan una toma de decisiones más inteligente y una mitigación proactiva del riesgo de mercado. Este cambio de paradigma permite obtener conocimientos más profundos, mejora la generación de alfa y refina la reasignación de activos con mayor precisión, subrayando el papel crítico de los datos en la gestión inteligente de carteras.
Cómo MongoDB desbloquea la gestión de carteras impulsada por IA
La asignación de activos de cartera impulsada por la IA se ha convertido en una característica deseable de las estrategias de inversión modernas. Al aprovechar el análisis de carteras basado en IA, los administradores de carteras acceden a herramientas avanzadas que proporcionan perspectivas adaptadas a objetivos financieros específicos y tolerancias al riesgo. Este enfoque optimiza la construcción de carteras recomendando una combinación alternativa de activos —que va desde renta variable y bonos hasta ETFs y oportunidades emergentes— mientras evalúa continuamente las condiciones cambiantes del mercado.
La Figura 2 ilustra un flujo de trabajo propuesto para la gestión de carteras de inversión impulsada por IA que incorpora datos de mercado diversos, incluyendo el precio de las acciones, el índice de volatilidad (VIX) e indicadores macroeconómicos como el PIB, el tipo de interés y la tasa de desempleo, en una capa de análisis de IA para generar perspectivas útiles y más inteligentes.
El versátil modelo orientado a documentos de MongoDB abre un camino más intuitivo para el almacenamiento y la recuperación de datos estructurados, semiestructurados y no estructurados. Esto está alineado con la forma en que los desarrolladores estructuran los objetos dentro de las aplicaciones.
En los mercados de capitales, las series de tiempo se usan a menudo para almacenar datos de comercio y datos de mercado basados en el tiempo. Las colecciones de series de tiempo de MongoDB son óptimas para analizar datos a lo largo del tiempo; están diseñadas para ingerir de manera eficiente grandes volúmenes de datos de mercado con alto rendimiento y escalabilidad dinámica. Descubrir perspectivas y patrones a partir de las colecciones de series de tiempo de MongoDB es más fácil y eficaz gracias a los mecanismos subyacentes de ingestión y recuperación más rápidos.
Aprovechando el tablero de business intelligence de MongoDB Atlas Charts y evaluando las perspectivas avanzadas de inversión generadas por IA, los administradores de cartera obtienen acceso a capacidades sofisticadas que integran perspectivas de alta dimensión derivadas de diversos datasets, revelando nuevos patrones que pueden mejorar la toma de decisiones para la generación de alfa y un mayor rendimiento de la cartera.
MongoDB Atlas Vector Search desempeña un rol fundamental en el análisis del sentimiento de las noticias de mercado al permitir la recuperación context-aware de artículos de noticias relacionados. Las búsquedas tradicionales basadas en palabras clave a menudo no logran captar relaciones semánticas entre noticias, mientras que la búsqueda vectorial, impulsada por incrustaciones, permite una comprensión más contextual de cómo diferentes artículos se relacionan con un sentimiento bursátil.
Almacenar noticias como vectores: Cuando se ingieren noticias relacionadas con acciones, cada artículo de noticias se vectoriza como una representación numérica de alta dimensión utilizando un embedding model. Estas incrustaciones encapsulan el significado y el contexto del text, en lugar de solo palabras individuales. Los artículos de noticias en bruto están incrustados y almacenados en MongoDB como vectores.
Búsqueda de noticias relacionadas: La búsqueda vectorial se utiliza para encontrar artículos de noticias basados en algoritmos de similitud, incluso si no contienen exactamente la misma información de acciones. Esto ayuda a identificar patrones y tendencias en múltiples artículos de noticias en función de la similitud contextual.
Mejora en el cálculo del sentimiento: en lugar de basarse en un único sentimiento de las noticias, se obtiene una puntuación final de sentimiento agregando múltiples fuentes de noticias relacionadas con contenido similar y relevante. Esto evita que una sola noticia atípica influya en el resultado y proporciona una visión más completa del sentimiento del mercado respecto a las noticias.
Fundación de IA agentiva
La IA agentica incorpora una capa orquestadora que gestiona la ejecución de tareas en los flujos de trabajo. Los agentes de IA pueden operar de forma totalmente autónoma o semiautónoma con la intervención humana (HITL, por sus siglas en inglés). Los agentes de IA están equipados con herramientas avanzadas, modelos, memoria y almacenamiento de datos. La memoria aprovecha los datos contextuales tanto a largo como a corto plazo para la toma de decisiones informadas y la continuidad de las interacciones. Las herramientas y los modelos permiten a los agentes de IA descomponer las tareas en pasos y ejecutarlas de forma coherente. El almacenamiento y la recuperación de datos son fundamentales para la eficacia de los agentes de IA y pueden mejorarse mediante incrustaciones y capacidades de búsqueda vectorial.
Características clave de los agentes de IA:
Autonomía: la capacidad de tomar decisiones basadas en la situación de forma dinámica y de ejecutar tareas con una mínima intervención humana.
Cadena de pensamientos: La capacidad de realizar razonamientos paso a paso y dividir los problemas complejos en pasos lógicos más pequeños para un mejor juicio y toma de decisiones.
Context aware: los agentes de IA adaptan continuamente sus acciones en función de las condiciones cambiantes del entorno.
Aprendizaje: los agentes de IA mejoran su rendimiento con el tiempo, adaptándose y mejorando.
Gestión inteligente de carteras de inversión con agentes de IA
Los agentes de IA están preparados para revolucionar la gestión de carteras al pasar de una toma de decisiones basada en reglas a otra adaptativa, context-aware e impulsada por la IA. Las aplicaciones de gestión de carteras habilitadas por IA aprenden, adaptan y optimizan continuamente las estrategias de inversión de forma más proactiva y eficaz. El futuro no consiste en que la IA sustituya a los gestores de carteras, sino que humanos e IA trabajen juntos para crear carteras más inteligentes, adaptativas y conscientes del riesgo. Los gestores de carteras que aprovechan la IA obtienen una ventaja competitiva y perspectivas más profundas para mejorar significativamente el rendimiento de la cartera.
La solución, ilustrada en la Figura 4 a continuación, incluye una aplicación de ingesta de datos, tres agentes de IA y una aplicación de análisis de mercado que trabajan en armonía para crear un enfoque más inteligente y basado en perspectivas en la gestión de carteras.
Aplicación de ingestión de datos
La aplicación de ingesta de datos se ejecutar de forma continua, captura diversos datos de mercado y los almacenar en serie de tiempo o como colección estándar en MongoDB.
Datos de mercado: recopila y procesa datos de mercado en tiempo real, incluidos los precios, los volúmenes, la actividad comercial y el índice de volatilidad.
Noticias de mercado: captura y extrae noticias del mercado y relacionadas con acciones. Los datos de noticias se vectorizan y almacenan en MongoDB.
Indicadores de mercado: recupera indicadores macroeconómicos y financieros clave, como el PIB, la tasa de interés y la tasa de desempleo.
Agentes de IA
En esta solución, hay 3 agentes de IA. El agente de análisis de mercado y el agente de noticias de mercado tienen flujos de trabajo analíticos con IA. Se ejecutan según un cronograma diario de forma totalmente automatizada, produciendo la salida esperada y almacenándola en MongoDB.
El agente asistente de mercado tiene un flujo de trabajo más dinámico y está diseñado para desempeñar el rol de asistente de un gestor de cartera. Su funcionamiento se basa en la rápida toma de decisiones de ingeniería y agencia. El agente asistente de mercado es capaz de responder a preguntas sobre la reasignación de activos y los riesgos de mercado basados en las condiciones actuales del mercado, y de aportar las nuevas perspectivas impulsadas por IA a los gestores de cartera.
Agente de análisis de mercados: Analiza las tendencias, la volatilidad y los patrones del mercado para generar perspectivas relacionadas con el riesgo de los activos de la cartera.
Agente de noticias de mercado: Evalúa el sentimiento de las noticias para cada uno de los activos analizando las noticias que directa e indirectamente pueden afectar el rendimiento de la cartera. Este agente está potenciado por MongoDB Vector Search.
Agente asistente de mercado: on-demand y mediante un mensaje, responde a las preguntas del administrador de carteras sobre las tendencias del mercado, la exposición al riesgo y la asignación de carteras utilizando fuentes de datos y perspectivas que generan otros agentes.
Aplicación de perspectiva de mercado
La aplicación Market Insight es una capa de visualización que ofrece gráficas, tableros e informes para administradores de cartera, junto con una serie de perspectivas procesables de inversión generados por agentes de IA. Esta información se genera automáticamente a partir de un cronograma diario predeterminado y se presenta a los gestores de cartera.
Los agentes de IA permiten a los gestores de carteras tener un enfoque inteligente y basado en el riesgo, analizando el impacto de las condiciones del mercado en la cartera y sus objetivos de inversión. Los agentes de IA aprovechan las potentes capacidades de MongoDB, como el marco de agregación y la búsqueda vectorial, combinadas con modelos de IA de incrustación y IA generativa para realizar análisis inteligentes y ofrecer recomendaciones de cartera perspicaces.
Próximos pasos
Según Deloitte, para 2027, las herramientas de inversión impulsadas por IA se convertirán en la principal fuente de consejo para los inversores minoristas, y se proyecta que las soluciones de gestión de inversiones impulsadas por IA crezcan hasta alrededor del 80% para 2028.2
Aprovechando agentes de IA y MongoDB, las instituciones financieras pueden desbloquear todo el potencial de la gestión de carteras impulsada por IA para obtener perspectivas avanzadas que les permitan adelantarse a los cambios del mercado, optimizar estrategias de inversión y gestionar el riesgo con mayor confianza. MongoDB sienta una base sólida para el camino de la IA Agentic y la implementación de soluciones de gestión de carteras de inversión de próxima generación.
Para aprender más sobre cómo MongoDB puede impulsar la innovación en IA, consulta estos recursos adicionales:
1 Sun, D., "Aprovechar la oportunidad que ofrece el agente de IA", Gartner, 27 de febrero de 2025.
2 IA, gestión de patrimonios y confianza: ¿Podrían las máquinas reemplazar a los asesores humanos?, Foro Económico Mundial, 17 de marzo de 2025.