💻 computer science

A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

Este artículo presenta un marco de IA generativa de cinco agentes que integra el análisis técnico, fundamental y de sentimiento con la detección de anomalías y el razonamiento basado en LLM para proporcionar predicciones del mercado de valores explicables y conscientes de la confianza para acciones indias, logrando una precisión direccional del 72% y un consenso entre agentes del 78%.

Autores originales: R Ashok Kumar, Prashanth Gowda G D

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: R Ashok Kumar, Prashanth Gowda G D

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de decidir si comprar una acción específica en el mercado indio. Normalmente, tendrías que actuar como un detective, un matemático, un psicólogo y un historiador, todo al mismo tiempo. Tendrías que observar gráficos de precios (técnico), leer balances generales (fundamental), escanear las noticias en busca de rumores (sentimiento) y comparar la empresa con sus vecinas (benchmarking del sector). Hacer todo esto solo es agotador y, a menudo, las pistas se contradicen entre sí.

Este documento presenta una solución: un equipo digital de cinco robots expertos (agentes) que trabajan juntos para darte una respuesta clara y honesta sobre una acción, completa con un "porqué" que realmente puedas entender.

Así es como funciona este "equipo", desglosado en partes sencillas:

1. Los cinco expertos (Los agentes)

En lugar de un cerebro informático gigante y confuso, el sistema utiliza cinco agentes especializados, cada uno con un trabajo específico. Todos trabajan al mismo tiempo (como una carrera de relevos donde todos empiezan a correr juntos) para ahorrar tiempo.

El lector de gráficos (Agente Técnico): Este agente observa el historial de precios de la acción. Comprueba si la acción está subiendo o bajando, si está "sobrecalentada" (demasiado cara demasiado rápido) o si es un buen momento para comprar basándose en el impulso. Es como un surfista observando las olas para saber cuándo lanzarse al agua.
El contador (Agente Fundamental): Este agente profundiza en la salud financiera de la empresa. Comprueba si la empresa está ganando dinero, si tiene demasiada deuda y si su precio es justo en comparación con sus ganancias. Es como un inspector de viviendas que revisa los cimientos y el tejado antes de que compres una casa.
El lector de ánimos (Agente de Sentimiento): Este agente lee miles de artículos de noticias y publicaciones en redes sociales sobre la empresa. Utiliza una IA especial (FinBERT) entrenada en lenguaje financiero para determinar si las noticias son buenas, malas o neutrales. Sabe que las noticias de ayer importan menos que las de hoy, por lo que pondera más fuertemente las historias recientes.
El vigilante de vecinos (Agente de Sector): Este agente compara la empresa objetivo con sus competidores. ¿Le está yendo mejor o peor que al resto de su industria? Es como comprobar si un estudiante es el primero de su clase o simplemente promedio.
El Juez (Agente de Síntesis): Este es el líder del equipo. Toma los informes de los otros cuatro, pondera cada uno según la confianza de cada experto y los combina en una puntuación final única.

2. El mecanismo de "autocuración"

¿Qué sucede si el Lector de Gráficos dice "Comprar" pero el Contador dice "Vender"? En muchos sistemas de IA, esto provoca un error o una respuesta confusa.

En este sistema, hay un Árbitro (Detector de Anomalías). Si los expertos discrepan demasiado, el Árbitro detiene el proceso y dice: "Un momento, algo va mal. Vamos a volver a comprobar los datos". El sistema vuelve a ejecutar automáticamente la comprobación con datos frescos. Intenta esto dos veces. Si los expertos siguen sin estar de acuerdo después de dos intentos, el sistema marca el resultado para que un humano lo revise, en lugar de adivinar. Esto hace que el sistema sea "autocurable" porque intenta corregir sus propios errores antes de darte una respuesta.

3. El "Traductor" (IA Explicable)

La mayoría de los sistemas de IA te dan un número (por ejemplo, "Comprar") pero no te dicen por qué. Son "cajas negras".

Este sistema utiliza una IA de Google Gemini no para tomar la decisión, sino para traducir la decisión a un inglés sencillo (o lenguaje claro). Piensa en los cinco agentes como la "evidencia" y en la IA de Gemini como un abogado presentando el caso en un tribunal. Escribe un párrafo corto diciendo: "Recomendamos comprar esta acción porque el precio está subiendo (Técnico), la empresa tiene poca deuda (Fundamental) y las noticias son positivas (Sentimiento)". Cita los números específicos que utilizó, para que puedas confiar en el razonamiento.

4. ¿Qué tan rápido y preciso es?

Los investigadores probaron este sistema en 10 acciones indias diferentes de 5 industrias distintas (como TI, Banca y Energía) durante un periodo de 15 meses.

Velocidad: Es muy rápido. Le toma unos 26 a 32 segundos analizar una acción y entregarte un informe. Es lo suficientemente rápido como para usarlo mientras esperas tu café.
Precisión: Cuando el sistema predijo que la acción subiría o bajaría, acertó el 72% de las veces durante los siguientes cinco días. Esto es mejor que simplemente adivinar o utilizar solo un tipo de análisis.
Acuerdo: Los cinco expertos estuvieron de acuerdo entre sí el 78% de las veces. Cuando coincidían, el sistema tenía incluso más confianza en su respuesta.

La conclusión

Este documento presenta un marco que convierte el mundo caótico y confuso del análisis de acciones en un proceso estructurado y basado en equipos. No solo te da una señal de "Comprar" o "Vender"; te ofrece un argumento razonado respaldado por datos desde múltiples ángulos. Está diseñado específicamente para el mercado indio, manejando las noticias locales y las particularidades del mercado, e incluye controles de seguridad para evitar que la IA tome decisiones erráticas cuando los datos son desordenados.

En resumen, es como tener un comité de inversión personal de cinco expertos que revisan su trabajo, discuten sus puntos de vista y luego te escriben un informe claro y fácil de leer en menos de 30 segundos.

Resumen Técnico: Un Marco de IA Generativa Multi-Agente para el Análisis Explicable del Mercado de Valores en los Mercados de Capitales Indios

Planteamiento del Problema
Los inversores minoristas de renta variable y los investigadores financieros en el mercado indio enfrentan un desafío crítico: la fragmentación analítica. Las señales técnicas, fundamentales y de sentimiento se procesan tradicionalmente de forma aislada, lo que impide un análisis unificado y consciente de la confianza. Además, las herramientas actuales de predicción de acciones impulsadas por IA suelen priorizar la precisión sobre la interpretabilidad, dependiendo de modelos de aprendizaje profundo de "caja negra" (por ejemplo, LSTM, GRU) que proporcionan predicciones puntuales sin cadenas de razonamiento transparentes. Esta falta de explicabilidad obstaculiza el cumplimiento regulatorio y la confianza del inversor, ya que los responsables de la toma de decisiones no pueden verificar la lógica detrás de las recomendaciones algorítmicas.

Metodología
Los autores proponen un marco heterogéneo de cinco agentes diseñado específicamente para las acciones indias (NSE y BSE). El sistema opera sobre un pipeline modular con gestión de estado utilizando asyncio de Python para la ejecución paralela y LangGraph para la orquestación.

Ingestión de Datos: El sistema recupera datos OHLCV y métricas fundamentales a través de yfinance y realiza web scraping de noticias financieras de Moneycontrol y Economic Times utilizando BeautifulSoup4. Los datos de texto se embeben mediante sentence-transformers y se indexan en almacenes de vectores duales (FAISS y ChromaDB) para la generación aumentada por recuperación.
Agentes Especialistas (Ejecución Paralela):
- Agente de Análisis Técnico: Calcula RSI, MACD, EMAs de periodos múltiples (9, 21, 50, 200) y niveles de soporte/resistencia. Genera una puntuación ponderada y confianza basada en la alineación de indicadores.
- Agente de Análisis Fundamental: Evalúa el valor intrínseco utilizando valoración (P/E, P/B, PEG), rentabilidad (ROE, ROA), salud financiera (Deuda/Capital, Ratio Corriente) y métricas de crecimiento. Emplea la normalización Z-score contra las medianas del sector.
- Agente de Análisis de Sentimiento: Utiliza ProsusAI FinBERT para la clasificación de sentimiento de tres clases, mejorada con una función de ponderación de decaimiento temporal exponencial ( $\lambda=0.9$ ) para priorizar las noticias más recientes. Un fallback basado en reglas (léxico de Loughran-McDonald) se activa si el LLM falla.
- Agente de Benchmarking Sectorial: Compara la acción objetivo contra 2 a 5 valores pares dentro de 10 sectores indios predefinidos, calculando rangos percentiles para P/E, retornos y crecimiento.
Orquestación y Detección de Anomalías: Un orquestador gestiona el estado compartido (AnalysisState). Un Detector de Anomalías monitorea conflictos (por ejemplo, señales opuestas de alta confianza, divergencia precio-noticia o salidas de baja confianza). Tras la detección, activa un bucle de reverificación acotado (máximo dos ciclos) con ventanas de datos extendidas o fuentes de respaldo. Si las anomalías persisten, el sistema marca el resultado para inspección humana y aplica una penalización de confianza.
Síntesis y Razonamiento:
- Agente de Síntesis: Agrega las salidas de los agentes utilizando una fórmula ponderada por confianza. Aplica un mecanismo de impulso de consenso: si 3 de los 4 agentes coinciden en una dirección con >60% de confianza, la señal se mejora (por ejemplo, BUY $\to$ STRONG BUY).
- Razonamiento Generativo: El sistema invoca Google Gemini 2.0 Flash no como un motor de análisis, sino como un renderizador estructurado. Recibe las puntuaciones agregadas, las listas de evidencia y las banderas de anomalía para generar un razonamiento de inversión en lenguaje natural con citas de evidencia explícitas.
Interfaces: El sistema expone un backend REST FastAPI para acceso programático y un dashboard de Streamlit con visualizaciones de Plotly para el cribado interactivo.

Contribuciones Clave

Arquitectura Multi-Agente Heterogénea: Integración de análisis técnico, fundamental, de sentimiento y sectorial en un pipeline unificado y gestionado por estados, yendo más allá de los métodos de ensamble homogéneos.
Síntesis Ponderada por Confianza: Un mecanismo que cuantifica el acuerdo multidimensional e impulsa la fuerza de la señal cuando la concordancia de los agentes supera el umbral del 75%.
Detección de Anomalías de Autocuración: Un módulo que clasifica tipos específicos de conflicto (por ejemplo, Divergencia Técnica-Fundamental) y ejecuta bucles de reverificación acotados para resolver problemas de calidad de datos de forma autónoma.
Ajuste de Sentimiento Específico del Dominio: Implementación de FinBERT con ponderación de decaimiento temporal exponencial, adaptado al ciclo de noticias rápido de los mercados indios.
Explicabilidad Arquitectónica: Un diseño donde el Modelo de Lenguaje Grande (LLM) actúa como un renderizador para señales pre-verificadas en lugar de un predictor, asegurando que todo el razonamiento generado esté fundamentado en evidencia específica y trazable.

Resultados Experimentales
El marco fue evaluado en 10 acciones listadas en la NSE a través de cinco sectores durante un periodo de 15 meses (enero 2024 – marzo 2025).

Consenso: El sistema logró consenso entre agentes en el 78% de los casos de prueba.
Precisión Direccional: El modelo alcanzó una precisión direccional del 72% frente a los movimientos de mercado de 5 días, superando una estrategia de comprar y mantener (58%) y el análisis técnico puro (64%).
Latencia: La inferencia de extremo a extremo promedió 32.4 segundos vía CLI y 26.1 segundos vía API REST, cumpliendo con los objetivos de sub-30 segundos para interacción en tiempo real.
Gestión de Anomalías: Las anomalías se detectaron en el 30% de los análisis; el protocolo de reverificación resolvió el 67% de estos casos.
Correlación de Confianza: Se observó una correlación de Pearson de 0.61 entre los niveles de confianza y la precisión direccional. Las recomendaciones de alta confianza (>70%) alcanzaron un 82% de precisión, comparado con el 58% de las de baja confianza.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como una arquitectura reproducible e interpretable que aborda la limitación de la "caja negra" de la IA financiera actual. Al integrar perspectivas analíticas heterogéneas con un mecanismo de autocuración y citación de evidencia impulsada por LLM, el marco ofrece una herramienta de soporte de decisiones transparente para mercados emergentes como la India. Los autores afirman que este enfoque democratiza la analítica avanzada, permitiendo a los inversores minoristas acceder a conocimientos conscientes de la confianza y explicables sin depender de modelos de aprendizaje profundo opacos. El sistema se presenta como una prueba de concepto que puede construirse utilizando herramientas de código abierto y datos públicos, con vías específicas identificadas para mejoras futuras, tales como la optimización dinámica de pesos mediante aprendizaje por refuerzo y el desarrollo de un modelo "Indic-FinBERT" para un mejor manejo de la jerga financiera india.