README.md

metadata

title: Investment Assistant - ETF & Crypto
emoji: 📊
colorFrom: blue
colorTo: green
sdk: streamlit
sdk_version: 1.51.0
app_file: app.py
pinned: false
license: mit

📊 Investment Assistant - ETF & Crypto

Asistente de inversiones inteligente para ETF y Criptomonedas con estrategias Top/Bottom, usando servicios de Azure para análisis de noticias financieras y recomendaciones basadas en IA.

🚀 Deploy on Hugging Face Spaces

This app is configured for deployment on Hugging Face Spaces. To deploy:

1. Create a new Space on Hugging Face Spaces

   • Choose Streamlit as the SDK
   • Set the repository to public or private

2. Configure Secrets (Settings → Secrets):

   • AZURE_OPENAI_ENDPOINT - Your Azure OpenAI endpoint
   • AZURE_OPENAI_API_KEY - Your Azure OpenAI API key
   • AZURE_OPENAI_DEPLOYMENT - Your deployment name (default: gpt-4)
   • AZURE_TEXT_ANALYTICS_ENDPOINT - Azure Text Analytics endpoint (optional)
   • AZURE_TEXT_ANALYTICS_KEY - Azure Text Analytics API key (optional)
   • ALPHA_VANTAGE_API_KEY - Alpha Vantage API key for ETF data (optional)

3. Push your code to the Space repository

4. Access your app at https://huggingface.co/spaces/YOUR_USERNAME/YOUR_SPACE_NAME

📝 Features

• 💬 AI Chat Assistant - Get investment advice powered by Azure OpenAI
• 📈 Market Analysis - Real-time market data for ETFs and Cryptocurrencies
• 🎯 Strategy Analysis - TOP (momentum) and BOTTOM (value) investment strategies
• 📰 News Sentiment Analysis - Analyze financial news sentiment using Azure Text Analytics
• 💼 Portfolio Management - Track your investment positions

🔧 Local Development

For local development, see the full README below.

---

📋 Estructura del Proyecto Entregable

1. Planteamiento del Problema

Negocio

En el contexto actual de los mercados financieros, los inversores enfrentan múltiples desafíos:

• Sobrecarga de información: Existe una cantidad abrumadora de datos financieros, noticias y análisis que dificultan la toma de decisiones informadas.
• Análisis técnico complejo: La interpretación de indicadores técnicos y patrones de mercado requiere conocimiento especializado.
• Análisis de sentimiento: La influencia de noticias y sentimiento del mercado sobre los precios es significativa pero difícil de cuantificar.
• Estrategias de inversión: Existe confusión entre diferentes enfoques (momentum vs. value) y cuándo aplicar cada uno.
• Diversificación: Gestión de portafolios que incluyen tanto activos tradicionales (ETF) como emergentes (Criptomonedas).

El objetivo del negocio es proporcionar una herramienta que democratice el acceso a análisis financiero avanzado mediante inteligencia artificial, permitiendo a inversores de todos los niveles tomar decisiones más informadas sobre inversiones en ETF y Criptomonedas.

Objetivos

Objetivo Principal: Desarrollar un sistema de asistencia inteligente para inversiones que combine análisis técnico, análisis de sentimiento de noticias y recomendaciones basadas en IA para soportar decisiones de inversión en ETF y Criptomonedas.

Objetivos Específicos:

1. Análisis de Mercado en Tiempo Real

   • Obtener y procesar datos de mercado históricos y actuales para ETF y Criptomonedas
   • Calcular indicadores técnicos (RSI, medias móviles, volatilidad, posición de precio)
   • Visualizar tendencias y patrones de mercado

2. Implementación de Estrategias de Inversión

   • Estrategia TOP (Momentum): Identificar oportunidades de compra en máximos con tendencia alcista
   • Estrategia BOTTOM (Value): Identificar oportunidades de compra en mínimos con potencial de rebote
   • Generar scores y recomendaciones (BUY/HOLD) basadas en múltiples factores

3. Análisis de Sentimiento de Noticias

   • Analizar noticias financieras usando Azure Text Analytics
   • Correlacionar sentimiento con movimientos de precios
   • Agregar sentimiento por símbolo/activo

4. Asistente Conversacional con IA

   • Integrar Azure OpenAI (GPT-4) para consultas sobre inversiones
   • Proporcionar explicaciones educativas sobre estrategias y conceptos financieros
   • Generar análisis contextualizados basados en datos de mercado

5. Gestión de Portafolio

   • Permitir registro y seguimiento de posiciones
   • Visualizar portafolio completo con métricas agregadas

Hipótesis

1. Hipótesis Principal: La combinación de análisis técnico, análisis de sentimiento de noticias y recomendaciones de IA puede mejorar la calidad de las decisiones de inversión en ETF y Criptomonedas, proporcionando señales más precisas que cada método por separado.

2. Hipótesis Secundarias:

   • H1: Los indicadores técnicos (RSI, posición de precio, medias móviles) pueden identificar efectivamente momentos óptimos para aplicar estrategias TOP o BOTTOM.
   • H2: El sentimiento de noticias financieras correlaciona con movimientos de precios y puede ser utilizado como señal adicional para decisiones de inversión.
   • H3: Un asistente LLM puede explicar conceptos financieros complejos y generar recomendaciones contextualizadas que ayuden a inversores no expertos.
   • H4: La combinación de datos estructurados (precios) y no estructurados (noticias) proporciona una visión más completa del mercado que datos estructurados solos.

Acciones que se Realizarán con los Entregables

Los entregables del proyecto serán utilizados para:

1. Uso Educativo y de Aprendizaje

   • Estudiar la aplicación práctica de LLMs en análisis financiero
   • Entender la integración de servicios de Azure (OpenAI, Text Analytics) en aplicaciones reales
   • Aprender el desarrollo de sistemas de recomendación con múltiples fuentes de datos

2. Demostración de Capacidades

   • Mostrar el potencial de IA generativa en el dominio financiero
   • Demostrar arquitectura híbrida (FastAPI + Streamlit) para aplicaciones de IA
   • Ejemplificar análisis de datos estructurados y no estructurados combinados

3. Base para Extensión Futura

   • Plataforma base para agregar más estrategias de inversión
   • Base para integración con más fuentes de datos (redes sociales, reportes financieros)
   • Fundamentos para implementar backtesting y validación de estrategias

4. Aplicación Práctica (con limitaciones)

   • Herramienta de apoyo para análisis de inversiones (no reemplaza asesoramiento profesional)
   • Prototipo para futuras aplicaciones comerciales en fintech
   • Caso de estudio para integración de múltiples servicios cloud

---

2. Acceso a Datos

Tipo de Datos

El proyecto utiliza múltiples fuentes de datos para proporcionar un análisis completo del mercado:

Datos Estructurados

1. Datos de Mercado - Precios Históricos

• Fuente:
  • CoinGecko API (Criptomonedas) - Gratis, sin autenticación
  • Alpha Vantage API (ETF) - Requiere API key gratuita
• Formato: JSON estructurado con time series
• Campos:
  • Precio de cierre diario
  • Precio máximo y mínimo
  • Volumen de transacciones
  • Fechas/timestamps
• Período: Últimos 30 días (configurable)
• Ejemplo de estructura:

  {
    "current_price": 45000.50,
    "prices": [42000, 43000, ..., 45000.50],
    "dates": ["2024-01-01", "2024-01-02", ...],
    "high_30d": 46000,
    "low_30d": 41000,
    "change_30d": 7.14
  }
  

2. Indicadores Técnicos Calculados

• Fuente: Cálculos derivados de datos de precios
• Métricas:
  • RSI (Relative Strength Index)
  • Medias móviles (SMA 10, SMA 20)
  • Volatilidad (desviación estándar de retornos)
  • Posición de precio en rango (0-100%)
• Formato: Diccionario JSON estructurado

3. Datos de Portafolio

• Fuente: Almacenamiento local (investment_data.json)
• Campos:
  • Símbolo del activo
  • Tipo de activo (ETF/CRYPTO)
  • Cantidad
  • Precio de compra
  • Fecha de compra
• Formato: JSON estructurado persistente

Datos No Estructurados

1. Noticias Financieras

• Fuente: Entrada manual del usuario o integración futura con APIs de noticias
• Formato: Texto libre (artículos, headlines)
• Campos:
  • Título
  • Contenido del artículo
  • Fuente
  • Fecha de publicación
• Procesamiento:
  • Azure Text Analytics para análisis de sentimiento
  • Extracción de menciones de símbolos/activos
• Salida: Sentimiento (positive/negative/neutral) con scores de confianza

2. Consultas de Usuario (Chat)

• Fuente: Entrada del usuario en interfaz de chat
• Formato: Texto natural en lenguaje libre
• Procesamiento: Azure OpenAI (GPT-4) para generar respuestas contextualizadas
• Contexto adicional: Datos de mercado, estrategias, historial de análisis

3. Análisis y Recomendaciones Generadas por IA

• Fuente: Generación por Azure OpenAI basada en contexto
• Formato: Texto explicativo estructurado
• Contenido:
  • Recomendaciones de inversión
  • Explicaciones de estrategias
  • Análisis de riesgo
  • Razones para decisiones

---

3. Tipo de Solución a Elaborar

Arquitectura de la Solución

La solución implementa una arquitectura de microservicios híbrida con los siguientes componentes:

1. Backend API (FastAPI)

• Lenguaje: Python 3.11+
• Framework: FastAPI
• Funcionalidades:
  • Endpoints RESTful para todas las operaciones
  • Integración con servicios de Azure (OpenAI, Text Analytics)
  • Lógica de negocio para estrategias TOP/BOTTOM
  • Cálculo de indicadores técnicos
  • Gestión de datos (portafolio, análisis, noticias)
• Puerto: 8000
• Documentación: Auto-generada en /docs (Swagger UI)

2. Frontend Web (Streamlit)

• Framework: Streamlit
• Funcionalidades:
  • Interfaz de usuario interactiva
  • Chat con asistente IA
  • Visualización de datos de mercado (Plotly)
  • Análisis de estrategias con métricas
  • Análisis de sentimiento de noticias
  • Gestión de portafolio
• Puerto: 8501

3. Servicios de Azure

• Azure OpenAI Service
  • Modelo: GPT-4 (configurable)
  • Uso: Generación de recomendaciones y explicaciones
• Azure Text Analytics
  • Uso: Análisis de sentimiento de noticias financieras
  • Fallback: Análisis basado en palabras clave si no está disponible

4. APIs Externas

• CoinGecko API: Datos de criptomonedas
• Alpha Vantage API: Datos de ETF (opcional)

5. Almacenamiento

• Local: Archivo JSON (investment_data.json)
• Almacena: Portafolio, historial de análisis, noticias procesadas

Características Principales de la Solución

1. Análisis de Mercado en Tiempo Real

   • Obtención automática de datos de mercado
   • Cálculo de indicadores técnicos
   • Visualización interactiva de gráficos

2. Sistema de Estrategias Inteligente

   • Evaluación automática de condiciones para estrategia TOP
   • Evaluación automática de condiciones para estrategia BOTTOM
   • Scoring basado en múltiples factores
   • Recomendaciones con niveles de confianza

3. Análisis de Sentimiento

   • Procesamiento de noticias financieras
   • Agregación de sentimiento por símbolo
   • Correlación con datos de mercado

4. Asistente Conversacional

   • Interfaz de chat natural
   • Respuestas contextualizadas basadas en datos actuales
   • Explicaciones educativas sobre conceptos financieros

5. Gestión de Portafolio

   • Registro de posiciones
   • Visualización de portafolio completo
   • Métricas agregadas

Tecnologías Utilizadas

• Backend: Python, FastAPI, Uvicorn
• Frontend: Streamlit, Plotly
• IA/ML: Azure OpenAI (GPT-4), Azure Text Analytics
• Datos: Pandas, NumPy
• APIs: httpx, requests
• Visualización: Plotly, Plotly Express
• Configuración: python-dotenv
• Validación: Pydantic

---

4. Cronograma de Trabajo

Fase 1: Análisis y Diseño (Semana 1-2)

• Planteamiento del problema y definición de objetivos
• Investigación de APIs disponibles (CoinGecko, Alpha Vantage)
• Diseño de arquitectura de la solución
• Definición de estrategias TOP/BOTTOM
• Configuración de servicios de Azure

Fase 2: Desarrollo Backend (Semana 3-4)

• Configuración de proyecto FastAPI
• Implementación de endpoints para datos de mercado
• Desarrollo de cálculo de indicadores técnicos
• Implementación de lógica de estrategias TOP/BOTTOM
• Integración con Azure OpenAI
• Integración con Azure Text Analytics
• Endpoints de portafolio y noticias

Fase 3: Desarrollo Frontend (Semana 5-6)

• Configuración de aplicación Streamlit
• Implementación de interfaz de chat
• Desarrollo de visualizaciones de mercado
• Página de análisis de estrategias
• Página de análisis de noticias
• Interfaz de gestión de portafolio
• Integración con backend API

Fase 4: Integración y Pruebas (Semana 7)

• Integración completa backend-frontend
• Pruebas de funcionalidad end-to-end
• Validación de estrategias con datos reales
• Pruebas de manejo de errores
• Optimización de rendimiento

Fase 5: Documentación y Entrega (Semana 8)

• Documentación técnica (README, QUICKSTART)
• Documentación de API
• Guías de instalación y configuración
• Ejemplos de uso
• Estructura del proyecto entregable (este documento)

Timeline Visual

Semana 1-2:  [Análisis y Diseño          ]
Semana 3-4:  [        Desarrollo Backend        ]
Semana 5-6:  [        Desarrollo Frontend       ]
Semana 7:    [  Integración y Pruebas  ]
Semana 8:    [  Documentación y Entrega  ]

Duración Total: 8 semanas

---

✨ Características

• 🤖 Chat con Agente LLM: Consulta con Azure OpenAI sobre inversiones
• 📈 Análisis de Mercado: Datos en tiempo real para ETF y Crypto
• 🎯 Estrategias Top/Bottom:
  • TOP: Estrategia de momentum (comprar en máximos)
  • BOTTOM: Estrategia de valor (comprar en mínimos)
• 📰 Análisis de Noticias: Sentiment analysis con Azure Text Analytics
• 💼 Gestión de Portafolio: Seguimiento de posiciones
• 📊 Visualizaciones Interactivas: Gráficos y métricas en tiempo real

🏗️ Arquitectura

• Backend: FastAPI con integración Azure OpenAI y Text Analytics
• Frontend: Streamlit con interfaz interactiva
• Datos de Mercado:
  • ETFs: Alpha Vantage API (opcional) o CoinGecko
  • Crypto: CoinGecko API (gratis)
• IA: Azure OpenAI (GPT-4) para recomendaciones
• NLP: Azure Text Analytics para análisis de sentimiento

🚀 Instalación Rápida

Prerrequisitos

• Python 3.11+
• Cuenta de Azure con acceso a:
  • Azure OpenAI Service
  • Azure Text Analytics (opcional)
• (Opcional) Alpha Vantage API key para datos de ETF

Paso 1: Clonar/Descargar

cd "LLM Finance"

Paso 2: Instalar Dependencias

pip install -r requirements.txt

Paso 3: Configurar Variables de Entorno

Copia env.example.txt a .env y configura tus credenciales de Azure:

copy env.example.txt .env

Edita .env con tus credenciales:

AZURE_OPENAI_ENDPOINT=https://your-resource.openai.azure.com/
AZURE_OPENAI_API_KEY=your-api-key
AZURE_OPENAI_DEPLOYMENT=gpt-4

AZURE_TEXT_ANALYTICS_ENDPOINT=https://your-resource.cognitiveservices.azure.com/
AZURE_TEXT_ANALYTICS_KEY=your-key

ALPHA_VANTAGE_API_KEY=your-key  # Opcional

Paso 4: Ejecutar la Aplicación

Opción A: Usar script de inicio (Windows)

.\start.bat

Opción B: Manual

# Terminal 1: Backend
python main.py

# Terminal 2: Frontend
streamlit run streamlit_app.py

Paso 5: Acceder a la Aplicación

• Frontend (Streamlit): http://localhost:8501
• Backend API Docs: http://localhost:8000/docs

📖 Uso

Chat con IA

1. Ve a la página "💬 Chat with AI"
2. Haz preguntas como:
   • "¿Debería invertir en Bitcoin ahora?"
   • "Explícame la estrategia TOP vs BOTTOM"
   • "¿Qué ETFs recomiendas para diversificación?"

Análisis de Mercado

1. Ve a "📈 Market Analysis"
2. Ingresa símbolos (ETF: SPY, QQQ o Crypto: bitcoin, ethereum)
3. Selecciona el tipo de activo
4. Visualiza gráficos y métricas

Estrategias Top/Bottom

1. Ve a "🎯 Strategy Analysis"
2. Ingresa un símbolo (ej: SPY, bitcoin)
3. Selecciona tipo de activo y estrategia
4. Revisa:
   • Score de la estrategia
   • Recomendación (BUY/HOLD)
   • Razones basadas en indicadores técnicos
   • Análisis de IA

Estrategia TOP (Momentum):

• Comprar cuando el precio está cerca de máximos
• Seguir la tendencia alcista
• Indicadores: RSI > 50, precio alto en rango, sentimiento positivo

Estrategia BOTTOM (Value):

• Comprar cuando el precio está cerca de mínimos
• Enfoque contrarian
• Indicadores: RSI < 30, precio bajo en rango, oportunidad de rebote

Análisis de Noticias

1. Ve a "📰 News Analysis"
2. Analizar Noticias: Pega el contenido de una noticia financiera
3. Sentimiento por Símbolo: Obtén el sentimiento agregado para un símbolo

Portafolio

1. Ve a "💼 Portfolio"
2. Agrega posiciones (símbolo, cantidad, precio de compra)
3. Visualiza tu portafolio completo

🔧 Configuración de Azure

Azure OpenAI Service

1. Crea un recurso de Azure OpenAI en el portal de Azure
2. Despliega un modelo (GPT-4 o GPT-3.5-turbo)
3. Obtén el endpoint y API key
4. Configúralos en .env

Azure Text Analytics (Opcional)

1. Crea un recurso de Text Analytics en Azure
2. Obtén el endpoint y API key
3. Si no se configura, la app usará análisis de sentimiento basado en palabras clave

📡 APIs Externas

CoinGecko (Crypto)

• Gratis, sin API key necesaria
• Usado para datos de criptomonedas

Alpha Vantage (ETF)

• API key gratuita disponible
• Usado para datos históricos de ETFs
• Sin API key, algunas funciones pueden estar limitadas

🐳 Docker (Opcional)

docker-compose up --build

📊 Estructura del Proyecto

LLM Finance/
├── main.py                 # Backend FastAPI
├── streamlit_app.py        # Frontend Streamlit
├── requirements.txt        # Dependencias Python
├── env.example.txt         # Ejemplo de variables de entorno
├── .env                   # Variables de entorno (crear)
├── Dockerfile             # Configuración Docker
├── docker-compose.yml     # Orquestación Docker
├── start.bat              # Script de inicio Windows
├── start.sh               # Script de inicio Linux/Mac
├── README.md              # Este archivo
├── QUICKSTART.md          # Guía rápida
└── investment_data.json   # Datos locales (auto-generado)

🔌 Endpoints API

Chat

• POST /chat - Chat con el agente LLM

Market Data

• POST /market-data - Obtener datos de mercado

Strategy

• POST /strategy - Análisis de estrategia Top/Bottom

News

• POST /news/analyze - Analizar sentimiento de noticias
• GET /news/sentiment/{symbol} - Sentimiento por símbolo

Portfolio

• POST /portfolio - Agregar posición
• GET /portfolio - Ver portafolio

Health

• GET /health - Estado del API y servicios Azure

Ver documentación completa en: http://localhost:8000/docs

🎯 Estrategias de Inversión

TOP Strategy (Momentum)

Cuándo usar:

• Precio cerca del 70% superior del rango de 30 días
• RSI entre 50-70 (momentum sin sobrecompra)
• Sentimiento positivo de noticias
• Tendencia alcista (MA10 > MA20)

Riesgos:

• Puede entrar tarde en la tendencia
• Mayor riesgo de reversión

BOTTOM Strategy (Value)

Cuándo usar:

• Precio cerca del 30% inferior del rango de 30 días
• RSI < 30 (sobreventa)
• Sentimiento negativo (oportunidad contrarian)
• Potencial de rebote

Riesgos:

• Puede caer más antes de recuperar
• Requiere paciencia

⚠️ Disclaimer

Este software es solo para fines educativos. No constituye asesoramiento financiero. Siempre consulta con un profesional financiero antes de tomar decisiones de inversión.

🤝 Contribuciones

Las contribuciones son bienvenidas. Por favor:

1. Fork el proyecto
2. Crea una rama para tu feature
3. Commit tus cambios
4. Push a la rama
5. Abre un Pull Request

📝 Licencia

Este proyecto es de código abierto y está disponible bajo la licencia MIT.

🆘 Soporte

Si tienes problemas:

1. Verifica que los servicios de Azure estén configurados
2. Revisa los logs del backend
3. Verifica que los puertos 8000 y 8501 estén disponibles
4. Consulta la documentación de la API en /docs

---

Desarrollado con ❤️ usando Azure OpenAI y Cognitive Services