Guía práctica para crear un asesor financiero personal con Python e IA que automatiza datos, análisis y reportes interactivos usando Gemini, yfinance, pandas y Plotly, todo pensado para una cartera real y procesos reproducibles.
Autor: Claudio Bottini
Planteo del problema y arquitectura del proyecto
El texto parte del desborde informativo en finanzas personales y propone un asistente propio que analiza la cartera todos los días sin sesgos emocionales. La solución combina tres pilares: datos de mercado, Python y modelos de lenguaje de Google Gemini para producir diagnósticos claros de cada activo.
Se recomienda iniciar con un entorno virtual para aislar dependencias, registrar versiones en requirements.txt y estructurar el código en módulos mantenibles: configuración de API y tickers, obtención de datos con yfinance, motor de análisis técnico y simulación, cliente Gemini y generador de reportes.
Esta modularidad evita scripts monolíticos frágiles y habilita la evolución del sistema sin romper piezas existentes. El Informe destaca buenas prácticas de seguridad, como almacenar la clave de Gemini en variables de entorno y no incrustarla en el código.
Con esta base, se define un flujo principal que orquesta todo: carga de la cartera, descarga de históricos, cálculo de indicadores, llamada a la IA para interpretación y armado de un informe HTML interactivo que unifica gráficos y texto.
En proyectos iniciales con Python suele recomendarse el uso de entornos gráfi cos como Jupyter con Anaconda. Sin embargo, como este asistente funciona de forma automatizada y no requiere interacción directa con el código, optamos por trabajar desde la terminal, sin instalar entornos adicionales.
Datos, indicadores y prompt para análisis con IA
Para los precios históricos se usa yf.download por su simpleza y salida directa a DataFrames, mientras que el atributo .info aporta métricas fundamentales como capitalización, P/E, beta, dividendos y rango 52 semanas, filtradas a un subconjunto útil y estable para el análisis.
Con pandas-ta se agregan señales técnicas clásicas sin complejidad extra: medias móviles simples de 20 y 50 días y RSI de 14 períodos, con limpieza de NaN y renombres para claridad.
El texto repasa las lecturas típicas: cruce dorado y cruce de la muerte como señales de tendencia, y zonas de RSI sobre 70 o bajo 30 como alertas de sobrecompra o sobreventa.
La interpretación recae en Gemini a través de un prompt deliberado que fija rol, audiencia e insumos concretos. La plantilla del prompt instruye al modelo a sintetizar un diagnóstico inicial, señalar puntos fuertes y riesgos, y cerrar con una perspectiva sin recomendar compras o ventas, garantizando consistencia entre activos y sustentando la narrativa en datos verificables por el lector en los gráficos.
Esta capa de lenguaje reduce tiempos y aporta una lectura profesional a partir de números objetivos.
Vamos a programar algo parecido a una plantilla de prompt, que servirá para comunicarle nuestras necesidades la IA, especificando el contexto, los datos y la tarea requerida.
Proyecciones y reporte HTML interactivo
Para mirar a futuro se implementa una simulación de Monte Carlo que genera trayectorias posibles del valor de la cartera según rendimientos y volatilidad históricos. La salida masiva se resume en percentiles y promedios para visualizar un “cono de incertidumbre” y dimensionar escenarios con mayor probabilidad, sin prometer un valor único.
Plotly se elige para graficar por su capacidad de exportar figuras interactivas como HTML autónomo: para cada activo se renderiza precio, SMA20, SMA50 y RSI en paneles sincronizados, y para la cartera se dibujan múltiples trayectorias simuladas junto con bandas de percentiles y la media.
El generador de reportes compone una página con Tailwind, incrusta los divs de Plotly y el análisis de Gemini ya limpio, creando un documento portable que abre en cualquier navegador y facilita compartir el resultado.
Como líneas futuras, el Informe sugiere sumar noticias mediante APIs para incorporar sentimiento del mercado a la evaluación, y explorar recomendaciones de asignación de activos u oportunidades fuera de la cartera actual, manteniendo la automatización y la trazabilidad de los insumos.
En conjunto, la propuesta democratiza herramientas avanzadas de análisis bursátil y convierte procesos dispersos en un flujo reproducible, auditable y apto para sostener decisiones mejor informadas por parte de inversores individuales.
La combinación de estos dos tipos de datos (la serie temporal de precios y el perfil fundamental estático) crea una visión completa de cada activo. Un análisis verdaderamente potente no surge de observar cada uno de forma aislada, sino de su interacción.
Encuentra la versión completa de la publicación en la que se basa este resumen, con todos los detalles técnicos en RedUSERS PREMIUM
También te puede interesar:
PYTHON PARA IA PROYECTOS PRACTICOS 2
Este e-book guía paso a paso la creación de un asistente de correo electrónico impulsado por Python y agentes de IA, desde la conexión IMAP hasta la generación automática de newsletters, integrando CrewAI y modelos LLM locales u online para clasificar, resumir y responder mensajes con eficiencia.
Lee todo lo que quieras, donde vayas, contenidos exclusivos por una mínima cuota mensual. Solo en RedUSERS PREMIUM: SUSCRIBETE!
