QuantForge AI — API

Concepto

MVP B2B SaaS que simula una firma de trading cuantitativo con **tres agentes de IA autónomos** (Analista, Gestor de Riesgos, Gestor de Cartera) que colaboran para ejecutar backtesting de estrategias de inversión sobre datos históricos en CSV. Dirigido a hedge funds y firmas de proprietary trading pequeñas/medianas que hoy coordinan estas decisiones manualmente, con riesgo de sesgo humano y oportunidades perdidas.

Arquitectura

controller/      AuthController, StrategyController, SimulationController
service/          UserService, StrategyService, SimulationService,
                  SimulationEngine (motor async, Virtual Threads),
                  CsvMarketDataParser, PerformanceCalculator, LlmGateway
service/agent/    Agent (interfaz), AnalystAgent, RiskManagerAgent,
                  PortfolioManagerAgent, AgentOrchestrator,
                  AgentContext / AgentDecision / PortfolioSnapshot (records)
client/           LlmClient (Feign) + records de request/response OpenAI-like
security/         JwtService, JwtAuthenticationFilter, CustomUserDetailsService,
                  SecurityConfig
model/            User, TradingStrategy, SimulationRun (entidades JPA) + enums
repository/       UserRepository, TradingStrategyRepository, SimulationRunRepository
dto/              Records inmutables (requests/responses)
config/           JacksonConfig (pre-existente), AsyncConfig, FeignConfig
exception/        ResourceNotFoundException, ForbiddenOperationException,
                  GlobalExceptionHandler

Flujo de simulación

1. %%INLINE0%% recibe CSV (%%INLINE1%%) + strategyId.
2. %%INLINE3%% convierte el CSV en %%INLINE4%%.
3. %%INLINE5%% persiste un %%INLINE6%% en estado PENDING y

delega en %%INLINE8%%, anotado %%INLINE9%%, ejecutado sobre un Executors.newVirtualThreadPerTaskExecutor() (Virtual Threads, Java 25) — no bloquea hilos de plataforma mientras se consulta al LLM.

1. Por cada fila histórica, AgentOrchestrator invoca en secuencia:

%%INLINE12%% (momentum + LLM) → %%INLINE13%% (valida contra %%INLINE14%% y concentración de posición) → %%INLINE15%% (confirma decisión final).

1. SimulationEngine aplica la decisión a una cartera en memoria (cash,

quantity, equity curve) y al final calcula P&L, Sharpe Ratio y Max Drawdown vía PerformanceCalculator, persistiendo el resultado.

1. El cliente hace polling de %%INLINE18%% hasta %%INLINE19%%.

Integración LLM

LlmClient (Feign) apunta a un endpoint OpenAI-compatible (%%INLINE21%%, por defecto %%INLINE22%%). LlmGateway encapsula la llamada; si falla (sin credenciales, timeout, proveedor caído), AnalystAgent recurre a su heurística de momentum local — la simulación nunca se bloquea por falta de LLM.

Endpoints

Método	Path	Descripción	Auth
POST	/api/auth/register	Registro de usuario (plan STARTER)	público
POST	/api/auth/login	Login, devuelve JWT	público
POST	/api/strategies	Crear estrategia	JWT
GET	/api/strategies	Listar estrategias del usuario	JWT
GET	/api/strategies/{id}	Detalle de estrategia	JWT
PUT	/api/strategies/{id}	Actualizar estrategia	JWT
DELETE	/api/strategies/{id}	Borrar estrategia	JWT
GET	/api/strategies/compare?ids=1,2	Comparar configuraciones	JWT
POST	/api/simulations/strategies/{strategyId}/run	Subir CSV y lanzar backtesting async	JWT
GET	/api/simulations/{id}	Estado + informe de rendimiento	JWT
GET	/api/simulations	Listar simulaciones del usuario	JWT

Formato CSV esperado (con cabecera):

date,symbol,open,high,low,close,volume
2026-01-02,ACME,100.0,102.5,99.0,101.2,150000

Análisis de Negocio

• Nicho: quants, gestores de cartera y analistas de riesgo en hedge funds

pequeños/medianos — dispuestos a pagar por reducir riesgo operativo y tiempo de decisión.

• Monetización: SaaS por niveles — Starter (individual), Pro (equipos),

Enterprise (on-premise, API dedicada, agentes personalizados).

• Barrera de entrada: orquestación multi-agente + integración LLM + motor

de simulación async no son triviales de replicar, lo que protege el margen.

• ROI del cliente: automatiza un proceso hoy manual y propenso a sesgos,

con trazabilidad completa de cada decisión de cada agente (rationale persistido en la lógica de negocio).

Cómo ejecutar

# Requiere PostgreSQL accesible (spring.datasource.* vía variables de entorno
# o application.yml local) y, opcionalmente, credenciales del LLM:
export LLM_API_KEY=sk-...
export LLM_API_URL=https://api.openai.com/v1

mvn spring-boot:run

1. POST /api/auth/register → obtener JWT.
2. %%INLINE37%% con el JWT (%%INLINE38%%) →

crear una estrategia.

1. POST /api/simulations/strategies/{id}/run con CSV adjunto → lanza

backtesting asíncrono.

1. %%INLINE40%% → poll hasta %%INLINE41%% y leer

%%INLINE42%%, %%INLINE43%%, maxDrawdown.

Referencias

• TradingAgents Framework: https://ultralab.tw/en/blog/ai-finance-github-projects-2026

---

FinOps Analysis para QuantForge AI

Visión General de Costos

QuantForge AI, en su fase inicial como micro-startup, presenta un modelo de negocio con costos operativos notablemente bajos en relación con su potencial de ingresos, lo que resulta en un margen de beneficio excepcionalmente alto. Los principales impulsores de costos son el uso del modelo de lenguaje grande (LLM) y la infraestructura básica de la nube.

Desglose de Costos Mensuales Estimados

• Tokens LLM: Se estima un uso mensual de aproximadamente 7 millones de tokens. Esto se basa en un escenario de 6 clientes activos, cada uno ejecutando un promedio de 4 simulaciones por semana. Cada simulación se modela con múltiples llamadas a agentes de IA, cada uno utilizando un promedio de ~30,000 tokens (sumando prompts y completions de los tres agentes a lo largo de 250 pasos de tiempo simulados).
• Costos de API LLM: Utilizando un modelo eficiente como OpenAI gpt-4o-mini, el costo de 7M de tokens se estima en $15/mes (considerando un costo promedio de $0.30 por millón de tokens y un pequeño buffer).
• Infraestructura Cloud: Para una arquitectura Spring Boot, una configuración inicial en AWS Lightsail es altamente eficiente en costos:

* Máquina Virtual (Compute): Una instancia de Lightsail (2GB RAM, 1vCPU) para el backend de Spring Boot: $10/mes. * Base de Datos (PostgreSQL): Una base de datos gestionada de Lightsail (1GB RAM, 40GB SSD) para persistencia: $15/mes. * Total Infraestructura Cloud: $25/mes.

• Total Costos Operativos Mensuales: $40 (LLM: $15 + Cloud: $25).

Proyección de Ingresos Mensuales

Basado en el modelo de monetización B2B SaaS por niveles y el público objetivo de alto valor (hedge funds, firmas de trading), se proyecta un ingreso inicial conservador:

• Estimación: $1,500/mes.
• Detalle: Esto podría lograrse con una base de 6 clientes, promediando $250/mes por cliente (ej. 4 planes 'Starter' a $150/mes y 2 planes 'Pro' a $450/mes).

Margen de Beneficio

Con los costos operativos estimados y la proyección de ingresos, el margen de beneficio es excepcionalmente alto:

• Ingresos: $1,500
• Costos Operativos: $40
• Beneficio Bruto: $1,460

Margen de Beneficio: (($1,500 - $40) / $1,500) 100 = 97%.

Este alto margen subraya la eficiencia del modelo SaaS basado en IA para startups, donde los costos variables de la IA son bajos en relación con el valor que se puede capturar en el nicho B2B.

Estrategias de Optimización FinOps

Para mantener este margen y escalar de manera eficiente, se recomiendan las siguientes estrategias FinOps:

1. Optimización del Uso de LLM:

* Caché de Respuestas: Implementar una capa de caché para las respuestas del LLM, especialmente para consultas que tienden a repetirse o para datos históricos que no cambian. Esto reducirá el número de llamadas a la API del LLM. * Prompt Engineering Avanzado: Refinar continuamente los prompts para ser más concisos y directos, reduciendo el conteo de tokens de entrada. También optimizar el formato de salida para minimizar los tokens de respuesta. * Modelos Híbridos: Evaluar la posibilidad de usar modelos más pequeños y económicos (o incluso modelos open-source auto-alojados para tareas específicas) para agentes o pasos de simulación donde la alta complejidad de un modelo premium no es estrictamente necesaria. * Resumen de Contexto: Antes de enviar grandes volúmenes de datos históricos o de mercado al LLM, implementar lógica para resumir o extraer solo la información más relevante, reduciendo el tamaño del contexto.

1. Gestión de Infraestructura Cloud:

* Monitoreo Continuo: Utilizar herramientas de monitoreo (ej. CloudWatch, Grafana) para vigilar el uso de recursos de la VM y la DB. Esto permitirá identificar cuellos de botella o recursos infrautilizados. * Escalabilidad por Demanda: A medida que la startup crezca, considerar la migración de Lightsail a servicios de AWS más granulares (EC2, RDS, ECS/Fargate) que permitan una escalabilidad más fina y optimizaciones de costos como el uso de instancias Spot o el autoescalado. * Optimización de Base de Datos: Asegurar que las consultas SQL estén optimizadas y que los índices sean apropiados para reducir la carga en la base de datos, lo que podría permitir mantener instancias de DB más pequeñas por más tiempo.

1. Mecanismos de Control y Alerta:

* Presupuestos y Alertas de Costos: Configurar presupuestos en la plataforma cloud (ej. AWS Budgets) y alertas para el uso de APIs externas (ej. OpenAI) para ser notificado inmediatamente si los costos superan los umbrales esperados. * Rate Limiting: Implementar rate limiting en las llamadas a la API del LLM para evitar picos de uso accidentales o maliciosos que podrían disparar los costos.

Conclusión

QuantForge AI está en una posición financiera inicial muy sólida debido a su modelo de negocio de alto valor y bajos costos operativos. La clave para mantener esta rentabilidad mientras se escala será una gestión proactiva de los costos de LLM mediante optimización de prompts y caching, y una vigilancia constante de la infraestructura cloud para asegurar que los recursos se alineen con la demanda real.