Simulación y seguimiento de carteras de inversión mediante modelos de lenguaje (LLM)
Year: 2026
Type: dissertation
Abstract: Este trabajo explora cómo los modelos de lenguaje de gran escala (Large Language Models, LLM) pueden integrarse en herramientas de gestión financiera personal para proporcionar asesoramiento contextualizado sobre carteras de fondos de inversión. El problema de partida es que el inversor particular carece de herramientas gratuitas que combinen seguimiento de operaciones, cálculo de métricas cuantitativas y asistencia en lenguaje natural en una sola interfaz. La solución desarrollada es AInvestor, una plataforma web que registra y simula el comportamiento de carteras de fondos de inversión, calcula un conjunto completo de indicadores financieros (CAGR, volatilidad anualizada, Sharpe Ratio, Alpha, Beta, máximo drawdown, Tracking Error e Information Ratio) para horizontes de uno a diez años, e integra un asistente conversacional basado en Gemini 1.5 Flash. El diseño no aplica ajuste fino al modelo ni almacena conversaciones. En cada consulta, el estado real de la cartera del usuario se inyecta directamente en el contexto del LLM, de modo que el modelo razona sobre información verificada en lugar de generarla. El trabajo demuestra que un LLM de propósito general puede actuar como asesor financiero personalizado cuando dispone del contexto adecuado, y que esta integración es técnicamente viable en el ámbito de un proyecto de fin de grado. This work explores how Large Language Models (LLMs) can be integrated into personal financial management tools to provide contextualised advisory on investment fund portfolios. The starting point is a concrete problem: individual investors lack affordable tools that combine transaction tracking, quantitative analysis and natural language assistance in a single interface. The solution developed is AInvestor, a web platform that records and simulates investment fund portfolio behaviour, computes a complete set of financial indicators (CAGR, annualised volatility, Sharpe Ratio, Alpha, Beta, maximum drawdown, Tracking Error and Information Ratio) for horizons of one to ten years, and integrates a conversational assistant based on Gemini 1.5 Flash. The core design decision is the dynamic injection of the user’s actual portfolio state into the LLM context on every query, enabling the model to respond with concrete data without finetuning. The work shows that a general‐purpose LLM can act as a personalised financial advisor when provided with the right context, and that this integration is technically feasible within the scope of a bachelor’s thesis.
Source: Hispana
Author: Sierra Ramiro, Víctor
Language: Spanish
Field: Decision Sciences
Domain: Social Sciences
Open Access status: green
OpenAlex ID: W7166259264