7 repositorios gratuitos de GitHub que convierten a Claude en un trader cuantitativo de 500 000 $

Este episodio de Miles Deutscher Finance comienza con un experimento simple de las últimas semanas, escaneando el rincón financiero de GitHub en busca de repositorios que realmente marquen la diferencia en el trading con IA. El anfitrión filtró cuatro encabezados: finanzas, finanzas cuantitativas, mercado de valores y bots de trading de Bitcoin, y destiló siete destacados. La promesa es audaz: convertir a Claude en un lector de gráficos, un departamento de investigación y, finalmente, un agente de ejecución de operaciones, pero el video lo demuestra mostrando la configuración paso a paso. Enmarcar GitHub como el YouTube del software no es solo una metáfora, cualquiera puede publicar código, los "me gusta" se acumulan como estrellas, y los proyectos más destacados suben a la cima.

La columna vertebral del video es MCP. El Protocolo de Contexto del Modelo es un puente que conecta un modelo de lenguaje como Claude a un conjunto de datos o aplicación externa. Una vez que ese puente está en su lugar, el modelo deja de simplemente rastrear la web y puede obtener un precio, dibujar en un gráfico e incluso realizar un pedido a través de un motor de órdenes. Deutscher dice que puede pegar una única instrucción de configuración en Claude Code y dejar que conecte los siete repositorios por usted, o visitar cada página de GitHub y pedirle al modelo que los instale uno por uno para tener más control. No necesita codificar, porque el agente se encarga de la instalación y usted accede al conocimiento acumulado del desarrollador directamente desde la ventana de chat.

La primera parada es OpenBB. También conocida como OpenBB Platform, esta capa de datos abierta agrega docenas de proveedores de acciones, criptomonedas, opciones, datos macroeconómicos y económicos en una sola interfaz. El video la posiciona como la contraparte gratuita de un terminal Bloomberg que cuesta alrededor de 25.000 dólares al año. El repositorio ahora tiene más de 72.000 estrellas con 268 colaboradores, lo que lo convierte en uno de los proyectos financieros más activos en GitHub. La instrucción de demostración le pide a Claude, a través de OpenBB, la acción del precio de Bitcoin durante los últimos 30 días, el rendimiento del Tesoro de EE. UU. a 10 años a través del proveedor de la Reserva Federal y el índice del dólar a través de Yahoo Finance, para luego resumir el panorama macro para las criptomonedas esta semana. La respuesta se basa en datos reales: las tasas son un viento en contra, el dólar es neutral y el impulso de Bitcoin es más débil de lo que sugiere la impresión de 30 días. En comparación con conectores fundamentales más profundos como FMP o Quiver, OpenBB gana en amplitud en acciones, criptomonedas, opciones y tenencias de ETF, ejecución local y flexibilidad de código abierto, mientras que es más delgado en fundamentos de nicho como operaciones internas o divulgaciones completas de llamadas de ganancias.

Fontanería de datos: por qué Bloomberg puede ser gratis

El segundo puente MCP apunta a TradingView. Este repositorio conecta a Claude con la aplicación de escritorio TradingView y permite que el modelo dibuje en su nombre. La solicitud es concreta: abrir el gráfico de Bitcoin y marcar tres áreas clave de soporte y resistencia derivadas de reacciones repetidas de precios y puntos de giro notables. En la grabación, el modelo dibuja bandas claras de pivote, resistencia y soporte, luego agrega VWAP para que el punto de control, donde se ha impreso el mayor volumen, se alinee estrechamente con el soporte. Lo que Deutscher enfatiza es el flujo de trabajo diario: escanear una lista de seguimiento cada mañana para señalar cuándo el precio se acerca a una zona, crear indicadores personalizados o fusionar dos que ya usa, y ejecutar backtests de TradingView a través de una instrucción. Ejecutado en un modelo más rápido en segundo plano, se comporta como un socio comercial e incluso un mentor; puede preguntar qué significa una línea, si una configuración valida una posición larga o qué indicador ayudaría a confirmar una operación. Las siete instrucciones que compartió en el video anterior completan el manual práctico.

El tercero es Fincept Terminal. Un terminal de escritorio nativo C++20 para investigación financiera, se siente como un completo escritorio de investigación para análisis de acciones, gestión de carteras y noticias. La instalación es tan corta como descargar el DMG para Mac Apple Silicon y arrastrarlo a Aplicaciones. Dentro encontrará un screener, cobertura para ETFs, índices y forex, una lista de seguimiento, entrada de cartera y una curva de capital junto con noticias. Lo más destacado es el panel de chat: pídale que resuma las principales noticias financieras de hoy y los eventos clave a observar durante las próximas tres semanas como trader de acciones y le responderá en una sola interfaz. El laboratorio cuantitativo, desbloqueado en el nivel de pago, le permite descubrir y optimizar estrategias algorítmicas seleccionadas, con código que puede inspeccionar. La ventaja distintiva de Fincept es la geopolítica y la inteligencia global, el seguimiento marítimo, el análisis geopolítico y el mapeo de relaciones, además de agentes analíticos que pueden llamar a un motor DCF real, optimización de cartera y precios de derivados a través de una suite QuantLib y un editor de nodos visual que se comunica con las herramientas MCP. Lanzado a mediados de 2024, el proyecto ahora tiene más de 30.000 estrellas y ha explotado en el último año. Deutscher señala que él mismo está construyendo una versión modificada, pero aún recomienda probar la versión estándar porque tener todo en un solo lugar es el valor fundamental.

Terminales y paneles: investigación en un solo escritorio

El cuarto repositorio es el que el mercado inglés a menudo pasa por alto porque está escrito en chino, daily_stock_analysis de ZhuLinsen. Presentado como un sistema de análisis de acciones multimercado, cubre acciones A, Hong Kong, EE. UU., Japón, Corea y Taiwán. Su superpoder son las notificaciones automatizadas: para cada ticker en su lista de seguimiento o cartera, extrae cotizaciones, datos técnicos, noticias, anuncios y fundamentos, los procesa a través de un modelo de lenguaje y produce un panel de decisión con un veredicto de compra, observación o venta, una puntuación de 100 y niveles de entrada y salida. Los informes se pueden enviar a Telegram, Discord, Slack, correo electrónico o aplicaciones de chat empresariales. El panel predeterminado agrega todo, con extras como la extracción de tickers de capturas de pantalla, importación CSV y backtesting de precisión histórica. Se ejecuta con un costo de servidor cero a través de GitHub Actions y tiene más de 62.000 estrellas con más de cien colaboradores. La tarjeta de Telegram que se muestra en el video señala, en una sola vista, lo que marca una venta, lo que es una compra potencial y qué catalizador destaca. Como alguien que puede codificar un panel de control él mismo, Deutscher argumenta que el camino ya hecho simplemente ahorra tiempo y se beneficia de una amplia base de colaboradores que solucionan los problemas más rápido que una construcción individual.

El quinto es TradingAgents, un marco de trading financiero LLM multiagente. Su objetivo es reflejar la dinámica de una firma de trading real dentro del modelo. Los agentes especializados se dividen por rol: un analista fundamental analiza los datos financieros, un analista de sentimiento lee el tono de las noticias, un analista técnico interpreta el impulso, mientras que un equipo de investigación debate las perspectivas y los riesgos. Un agente trader fusiona esas notas para decidir el momento y el tamaño, y una capa de gestión de riesgos y gestor de cartera evalúa la volatilidad y la liquidez para aprobar o rechazar la propuesta. Una propuesta aprobada se envía a un intercambio para su ejecución, simulada en la demostración pero conectable a un lugar en vivo en el paso final. El marco puede enrutar a diferentes modelos, utilizando un planificador fuerte para el razonamiento y agentes más ligeros para el trabajo pesado. La demostración de Bitcoin muestra al analista de mercado entregando la lectura técnica, con el sentimiento y los fundamentos interviniendo, culminando en una síntesis final, veredicto: mantener con convicción media. La razón es clara: la media móvil simple de 50 días se encuentra por encima de la media móvil de 200 días en ascenso sin cruce de la muerte, sin embargo, el histograma MACD y el RSI están cayendo, un repunte de seis semanas se está deshaciendo y dos semanas consecutivas de salidas de ETF de un solo día de alrededor de 591 millones de dólares añaden presión. Un cierre diario por debajo de 72.000 dólares cambiaría la llamada a vender o infraponderar. El video señala que ejecutar este bucle en un horario en un libro completo es donde brilla, y para acciones individuales con entradas cualitativas más ricas, como los flujos de efectivo, el debate de los agentes agrega aún más valor.

El sexto es el AI Hedge Fund de virattt, uno de los repositorios cuantitativos más destacados con más de 63.000 estrellas. La idea es convertir a 14 inversores famosos en agentes precodificados: Warren Buffett, Charlie Munger, Bill Ackman, Cathie Wood, Stanley Druckenmiller y otros, cada uno con la filosofía de ese inversor codificada como instrucciones. Para cada ticker, cada agente devuelve una señal, una puntuación de confianza y un párrafo de razonamiento. El repositorio en sí no envía datos, por lo que Deutscher lo alimenta con un conjunto de datos externo como FMP o un proveedor similar y comparte enlaces de acceso con descuento. La versión de demostración es ambiciosa: cinco nombres, Nvidia, Coinbase, MicroStrategy, Palantir y Tesla, con 100.000 dólares de capital nocional y todas las estrategias de inversores habilitadas. El modelo convierte JSON en una tabla y enumera las tres divergencias más marcadas donde un tenedor es fuertemente alcista mientras que otro es profundamente bajista sobre el mismo nombre. Palantir es sorprendente: Druckenmiller es alcista en 80 sobre la expansión de ingresos y márgenes, mientras que Graham es bajista en 85, argumentando que no hay margen de seguridad a este precio. En Nvidia, Lynch es alcista en 88, Graham bajista en 72, diciendo que los flujos de efectivo futuros no justifican el balance a esta valoración. La llamada final ponderada resulta en compra para Nvidia y venta para los otros cuatro. Ir más allá de 10 años de historia hacia 30 años requiere un nivel de datos de pago. Deutscher también lo enmarca como un experimento mental: describa su propio estilo de inversión a Claude y vea qué personalidad de inversor se adapta mejor a usted.

Del departamento de investigación al escritorio de trading

La séptima y última pieza es el servidor Alpaca MCP. Alpaca es un bróker que soporta acciones, opciones, criptomonedas y datos de mercado en tiempo real, y ofrece cuentas de demostración y cuentas reales. El servidor MCP oficial traduce comandos en inglés simple a su API de trading. La demostración comienza con una cuenta de demostración de 100.000 dólares que se puede cambiar a real con un solo interruptor. Después de obtener una clave API y conectarla a Claude, una sola frase es suficiente: comprar 1.000 dólares en Nvidia a través de Alpaca MCP. El modelo confirma el acceso a la cuenta y envía la orden, poniéndola en cola para la próxima apertura si el mercado está cerrado. La parte más convincente son las instrucciones condicionales, por ejemplo, si Nvidia cae un 10 por ciento por debajo de mi precio de ejecución, vender el 30 por ciento de la posición, todo escribible en lenguaje natural. Para que esto funcione las 24 horas del día, el cerebro, Claude, necesita una forma de llamar a la API 24/7, lo que implica un servidor virtual. Deutscher señala que se pueden conectar otros brókers como Interactive Brokers de manera similar, pero describe a Alpaca como el más fácil de usar y recomienda el trading en papel primero antes de arriesgar capital real. La señal forjada en el departamento de investigación ahora se convierte en una ejecución de una sola frase en el escritorio.

Juntas, las siete piezas forman una pila en capas. OpenBB recopila los datos, TradingView interpreta el gráfico, Fincept unifica la investigación en un solo escritorio, el sistema diario de origen chino envía un panel de decisiones a su bolsillo cada mañana, TradingAgents debate como un departamento de investigación para producir una única señal de retención, AI Hedge Fund mira el mismo nombre a través de los ojos de 14 maestros y saca a la luz los desacuerdos, y Alpaca presiona el botón. La sugerencia de Deutscher de instalarlos con una sola instrucción fomenta pensar en la cadena como un sistema en lugar de partes. GitHub funciona aquí como una tienda de aplicaciones gratuita, cada repositorio es una aplicación y las estrellas son calificaciones de usuarios. Si no le gusta uno, lo elimina y prueba otro mientras el modelo orquesta todas las aplicaciones en su nombre.

En el lado práctico, la lista de verificación es clara. Necesita Claude Code o un shell de agente comparable, Python 3.10 o superior, uv con uvx, la aplicación de escritorio TradingView y las claves API de Alpaca. La mayoría de los repositorios de código abierto son gratuitos y se ejecutan localmente, incluso con modelos abiertos. La única barrera de pago es el historial profundo para el AI Hedge Fund; 10 años son accesibles con un plan más ligero, mientras que 30 años requieren una suscripción. En la comunidad escolar, Deutscher comparte una única instrucción que conecta todo e incluye la guía de conexión de cada repositorio. La ruta alternativa es visitar cada página de GitHub y pedirle a Claude que los instale uno por uno, lo que es más práctico pero también ofrece más control. El video señala repetidamente la gestión de claves API y cuotas para repositorios con muchos datos.

Configuración, costo y hoja de ruta práctica

Ninguna demostración en el video ofrece pruebas de rentabilidad en vivo, lo cual es un límite crucial. El ejemplo de TradingAgents permanece en un intercambio simulado, la salida del AI Hedge Fund es una lectura sintética de filosofías históricas, y aunque el laboratorio cuantitativo de Fincept muestra estrategias curadas, sus backtests no especifican los costos de transacción, el deslizamiento o las suposiciones de liquidez. Números como la salida de ETF de 591 millones de dólares y el umbral de 72.000 dólares están ligados a un momento en el tiempo del mercado y envejecen rápidamente. El riesgo de alucinación persiste, especialmente para elementos verificables como datos financieros u operaciones internas, y necesita una verificación cruzada independiente. Por eso, el consejo repetido de comenzar con el trading en papel y la advertencia sobre la necesidad de un servidor virtual no son frases desechables, marcan la distancia entre el atractivo de la automatización y la fricción real del mercado.

Las señales del ecosistema son fuertes, no obstante. OpenBB con más de 72.000 estrellas, TradingAgents cerca de 101.000 estrellas con más de 19.000 bifurcaciones, AI Hedge Fund con 63.000 estrellas bajo MIT, Fincept con más de 30.000 estrellas con fuertes contribuciones en C++, daily_stock_analysis con 62.000 estrellas bajo MIT, cada uno ha sido pulido por una amplia comunidad de colaboradores. Las estrellas no son una garantía de alfa, pero sí señalan una depuración más rápida y una documentación más rica que un esfuerzo en solitario. Las licencias permisivas facilitan la bifurcación y la adaptación a sus propias necesidades, y la variante modificada de Fincept de Deutscher es un buen ejemplo. Combinados con proveedores de datos externos, estos repositorios permiten a un inversor minorista llevar en su bolsillo lo que antes requería una nómina de cientos de miles de dólares para un departamento de investigación.

Deutscher concluye con entusiasmo sobre dónde estará la tecnología en seis meses, un año y dos años, prediciendo que eventualmente todos operarán con IA. Para los primeros seguidores del canal, esa es una ventana de ventaja. La conclusión es concreta: únase a la comunidad para acceder a los repositorios y resúmenes en un solo lugar, pruebe cada uno en una cuenta de demostración primero y luego profundice en los favoritos con videos dedicados. Los siete repositorios no prometen rendimientos mágicos por sí solos, pero juntos acortan el camino de los datos a la decisión, automatizan el trabajo repetitivo y evitan que el inversor opere sin un mentor. Construir su propia ventaja sobre ese esqueleto está ahora tan cerca como una carpeta de GitHub.