Sistema de soporte decisional basado en procesamiento de lenguaje natural (NLP) para la optimización de portafolios de inversión bajo demanda

Abstract

Este trabajo de grado entrega la creación de un Sistema de Soporte Decisional (DSS) diseñado para optimizar la toma de decisiones en portafolios de inversión mediante la integración de Procesamiento de Lenguaje Natural (NLP) y análisis técnico. Principalmente el problema se encuentra en la sobrecarga de información financiera no estructurada y la alta complejidad algorítmica de las herramientas de trading actuales; esto da una limitación para el uso de la tecnología y genera volatilidad emocional en inversores retail. Con el fin de darle solución, sepropuso una arquitectura de software desacoplada operando en la nube. De manera ordenada, se hizo un enfoque cuantitativo y descriptivo-correlacional estructurado en cuatro fases: ingesta de datos en tiempo real mediante la API de Yahoo Finance, vectorización de sentimiento utilizando el modelo pre-entrenado FinBERT, consolidación algorítmica de osciladores técnicos y despliegue de una interfaz asíncrona. La solución principal fue la generación optimizada de un Índice de Salud Sintética (ISS), una métrica unificada que correlaciona la polaridad semántica de las noticias del mercado con el histórico de precios. Se tomó en cuenta pasar el procesamiento matemático al backend y utilizar un bot de Telegram como interfaz ubicua de baja fricción para lograr democratizar el acceso a la inteligencia artificial financiera. Esta solución mitiga el ruido informativo y proporciona al usuario evidencia algorítmica objetiva sobre los puntos óptimos de entrada y salida del mercado, superando las limitaciones de los problemas propuestos en diferentes estudios.

This graduation work delivers the creation of a Decision Support System (DSS) designed to optimize decision-making in investment portfolios through the integration of Natural Language Processing (NLP) and technical analysis. Mainly, the problem is found in the overload of unstructured financial information and the high algorithmic complexity of current trading tools; this creates a limitation for the use of technology and generates emotional volatility in retail investors. In order to provide a solution, a decoupled software architecture operating in the cloud was proposed. In an orderly manner, a quantitative and descriptive-correlational approach was taken, structured in four phases: real-time data ingestion via the Yahoo Finance API, sentiment vectorization using the pre-trained FinBERT model, algorithmic consolidation of technical oscillators, and deployment of an asynchronous interface. The main solution was the optimized generation of a Synthetic Health Index (ISS), a unified metric that correlates the semantic polarity of market news with historical price data. It was taken into account to move the mathematical processing to the backend and use a Telegram bot as a ubiquitous, low-friction interface to achieve the democratization of access to financial artificial intelligence. This solution mitigates information noise and provides the user with objective algorithmic evidence regarding optimal market entry and exit points, overcoming the limitations of the problems proposed in different studies.