FinTrend AI

FinTrend es una plataforma basada en arquitectura de microservicios diseñada para la gestión de portafolios, análisis de mercado, historial de precios y orquestación de señales de inversión (trading insights) utilizando Inteligencia Artificial (LLMs). El proyecto utiliza un enfoque políglota, combinando diferentes lenguajes de programación y bases de datos especializadas para cada dominio.

Repositorios de Microservicios

Microservicio	Descripción	Repositorio
MS1 - Gestión de Portafolio	Gestión de perfiles y portafolios de inversión	MS1
MS2 - Historial de Precios	Datos históricos de precios de activos financieros	MS2
MS3 - Feed de Noticias	Consumo y almacenamiento de noticias del mercado	MS3
MS4 - Orquestador de Señales	Generación de señales e insights con IA (LLMs)	MS4
MS5 - Analítica de Mercado	Análisis de datos a gran escala con AWS Athena	MS5
Ingesta de Datos	Scripts y automatización para la ingesta de datos a S3	Ingesta
Frontend	Aplicación web interactiva y dashboards consolidando los servicios	Frontend

---

🎥 Demo

fintrendDemo.mp4

🏗 Arquitectura del Sistema

El proyecto está diseñado bajo una arquitectura de microservicios, donde cada servicio tiene una responsabilidad única, su propia base de datos (Database per Service) y se comunica con otros servicios mediante APIs REST.

Toda la infraestructura está containerizada con Docker y orquestada para despliegue tanto local (Docker Compose) como en la nube (AWS CloudFormation).

Diagrama de Alto Nivel

• Frontend: Aplicación SPA interactiva.
• Backend (Microservicios): 5 servicios independientes.
• Bases de Datos: MySQL, PostgreSQL, MongoDB, y servicios analíticos (AWS Athena).
• Integraciones Externas: APIs de noticias financieras, proveedores de LLMs (OpenAI, Groq).

Diagrama de Arquitectura de Solucion

🧩 Microservicios

1. Gestión de Portafolio (MS1)

• Directorio: Gestion-Portafolio/
• Tecnologías: Python, Flask, MySQL, SQLAlchemy.
• Descripción: Se encarga de gestionar los perfiles de los usuarios y sus portafolios de inversión. Mantiene el registro de los activos adquiridos y las transacciones realizadas por los usuarios.

2. Historial de Precios (MS2)

• Directorio: Historial-Precios/
• Tecnologías: Java, Spring Boot, PostgreSQL, JPA/Hibernate.
• Descripción: Responsable de almacenar y proveer datos históricos de precios de diferentes activos financieros. Expone endpoints para consultar la evolución de precios en el tiempo.

3. Feed de Noticias (MS3)

• Directorio: Feed-Noticias/
• Tecnologías: Node.js, Express, MongoDB, Mongoose.
• Descripción: Consume y almacena noticias del mercado financiero a través de APIs externas (como Finnhub o News API). Utiliza una base de datos NoSQL (MongoDB) debido a la naturaleza semi-estructurada de las noticias y artículos.

4. Orquestador de Señales (MS4)

• Directorio: Orquestador-Senales/
• Tecnologías: Python, Flask, Integración LLM (OpenAI / Groq / OpenRouter).
• Descripción: Es el motor de inteligencia del sistema. Actúa como un orquestador que recopila información del MS2 (precios) y MS3 (noticias), y utiliza Modelos de Lenguaje Grande (LLMs) para generar análisis de sentimiento, insights y señales de inversión para el usuario.

5. Analítica de Mercado (MS5)

• Directorio: Analitica-Mercado/
• Tecnologías: Python, Flask, Boto3 (AWS SDK), AWS Athena, AWS S3.
• Descripción: Microservicio enfocado en el análisis de datos a gran escala utilizando infraestructura de AWS (Athena y S3). Ejecuta consultas analíticas sobre grandes volúmenes de datos financieros exportados.

💻 Frontend

• Tecnologías: React 19, Vite, TypeScript, Tailwind CSS.
• Librerías Destacadas:
  • Recharts y d3 para visualización de datos financieros.
  • Framer Motion y Three.js para animaciones e interfaces 3D (ej. globo terráqueo interactivo, componentes dinámicos).
  • Componentes de UI modernos y modulares (Bento grids, efectos retro/terminal).
• Descripción: Una interfaz de usuario moderna, reactiva y altamente interactiva que consolida la información de todos los microservicios, presentando dashboards de portafolio, gráficos de precios, noticias de mercado y las señales generadas por IA.

☁️ Infraestructura y Despliegue (Cloud Computing)

Toda la infraestructura cloud está automatizada como código (IaC) mediante AWS CloudFormation (CloudFormation.yaml).

• Contenedores: Todos los servicios y bases de datos están definidos en archivos Dockerfile individuales.
• Ingesta de Datos: Scripts y configuraciones para migrar o inicializar datos en MySQL, PostgreSQL y MongoDB a un S3 Bucket para su posterior catalogación en AWS Glue y consultas analíticas en AWS Athena.
• Bases de Datos Aisladas: Cada microservicio cuenta con su propia base de datos (MySQL, PostgreSQL, MongoDB) desplegada en instancias protegidas dentro de una subred privada.
• Balanceo de Carga: Un Load Balancer interno (ILB) distribuye las peticiones del frontend hacia las instancias EC2 que ejecutan los contenedores Docker de los microservicios, asegurando resiliencia.
• Seguridad: Implementación de Security Groups estrictos que limitan el tráfico, exponiendo únicamente los puertos necesarios entre las capas de la VPC.