Fincept Terminal: Alternativa de código abierto a Bloomberg Terminal construida en C++ y IA
Análisis en profundidad de Fincept Terminal v4 - una aplicación de escritorio nativa construida en C++20 y Qt6 con 37 agentes de IA, QuantLib y más de 100 conectores de datos para trading profesional.
La mayoría de las plataformas financieras se dividen en dos bandos: sistemas heredados lentos de los años 90 o envoltorios de Electron que devoran la RAM. Fincept Terminal propone una tercera vía: un escritorio nativo en C++20 con analítica en Python y 37 agentes de IA integrados.
Fincept Terminal (AGPL-3.0) es un proyecto de código abierto que ofrece funcionalidad de nivel institucional en tu escritorio. Repasemos la arquitectura de v4 y, sobre todo, el catálogo completo de agentes y sus habilidades.
Arquitectura
- Núcleo: C++20. Sin Node.js, sin motores de navegador, sin paquetes de JavaScript.
- UI y renderizado: Qt 6.8.3. Gráficos acelerados por hardware, respuesta instantánea, multiplataforma.
- Motor de análisis: Python 3.11 embebido para ciencia de datos (Pandas, NumPy, SciPy) sin microservicios separados.
La interfaz y el procesamiento de datos en streaming se ejecutan a velocidad de C++, mientras que la lógica de IA se ejecuta en un entorno Python aislado.
Agentes de IA: catálogo completo
La parte más interesante de Fincept es su sistema de agentes. El código base revela cuatro niveles:
1. Agentes inversores (TraderInvestorsAgent) — 11 agentes
Cada agente implementa una filosofía de inversión específica: su propio system prompt, umbrales, conjunto de herramientas y formato de señal de salida (InvestmentSignal).
| Agente | Filosofía | Habilidades clave | Herramientas |
|---|---|---|---|
| Warren Buffett | Valor + fosos económicos | moat_analysis, owner_earnings, capital_allocation_review | yfinance, financial_datasets, duckduckgo, tavily |
| Benjamin Graham | Deep value, filtros cuantitativos estrictos | deep_value_screening, margin_of_safety, defensive_investor | yfinance, financial_datasets |
| Peter Lynch | Crecimiento a precio razonable (GARP), PEG | peg_analysis, lynch_classification, insider_signal_check | yfinance, financial_datasets, duckduckgo, tavily |
| Charlie Munger | Modelos mentales, inversión, sesgos cognitivos | mental_models_check, inversion_analysis, bias_detection, incentive_audit | yfinance, financial_datasets, duckduckgo, tavily |
| Seth Klarman | Valor centrado en el riesgo, activos en dificultades | downside_first_analysis, special_situations, capital_preservation | yfinance, financial_datasets |
| Howard Marks | Ciclos, pensamiento de segundo nivel | cycle_positioning, second_level_thinking, credit_cycle_read | yfinance, financial_datasets, duckduckgo, tavily |
| Joel Greenblatt | Fórmula mágica (ROC + rentabilidad por beneficios) | magic_formula_ranking, roc_analysis, special_situations | yfinance, financial_datasets |
| David Einhorn | Valor impulsado por catalizadores, ventas en corto | catalyst_identification, accounting_quality_check, long_short_analysis | yfinance, financial_datasets, duckduckgo, tavily |
| Bill Miller | Contrarian, FCF en tecnología | contrarian_value, platform_economics, free_cash_flow_focus | yfinance, financial_datasets, duckduckgo, tavily |
| Jean-Marie Eveillard | Valor global, preservación de capital | global_value, bubble_avoidance, currency_and_sovereign_risk | yfinance, financial_datasets |
| Marty Whitman | Deuda en dificultades, análisis crediticio | distressed_debt_analysis, capital_structure_review, private_market_value | yfinance, financial_datasets |
Cada agente genera una señal estructurada: bullish | neutral | bearish con una confianza numérica (0–1), puntuaciones según sus propias métricas y un razonamiento textual. Por ejemplo, el agente Buffett verifica un ROE ≥ 15% durante 7 de los últimos 10 años, D/E < 0.5, y calcula las ganancias del propietario con un descuento del 10%.
2. Agentes económicos (EconomicAgents) — 6 agentes
Seis escuelas económicas, cada una con su propio marco analítico. Diseñados para el análisis macroeconómico, la evaluación de políticas y la previsión.
| Agente | Escuela | Habilidades clave |
|---|---|---|
| Capitalism Analyst | Libre mercado, economía de la oferta | supply_side_analysis, market_mechanism_framing |
| Keynesian Analyst | Demanda agregada, estabilización fiscal | aggregate_demand_analysis, fiscal_policy_framing |
| Neoliberal Analyst | Desregulación, liberalización comercial | deregulation_analysis, trade_liberalization_framing |
| Socialist Analyst | Desigualdad, redistribución | inequality_analysis, redistribution_framing |
| Mixed Economy Analyst | Equilibrio pragmático mercado-estado | market_failure_analysis, pragmatic_policy_framing |
| Mercantilist Analyst | Industrias estratégicas, balanzas comerciales | trade_balance_analysis, strategic_industry_framing |
Todos usan OpenBB para datos macro y herramientas de búsqueda (DuckDuckGo, Tavily). Cada agente debe especificar una condición de falsación — el resultado concreto bajo el cual revisaría su pronóstico.
3. Agentes geopolíticos (GeopoliticsAgents) — 20 agentes
El módulo más grande. Los agentes se dividen en tres series, cada una basada en un libro específico:
📖 Prisoners of Geography (Tim Marshall) — 10 agentes:
Determinismo geográfico. Cada agente se especializa en una región concreta: Rusia (zonas de amortiguación, puertos de aguas cálidas), China (Estrecho de Malaca, cadenas de islas), EE. UU. (barreras oceánicas, Mississippi), Europa (terreno fragmentado), Oriente Medio (Estrecho de Ormuz, escasez de agua), África (fronteras coloniales, ríos no navegables), India-Pakistán (Indo, Himalaya), Japón-Corea (aislamiento insular frente a vulnerabilidad peninsular), América Latina (Andes, Amazonas), Ártico (deshielo, nuevas rutas).
📖 World Order (Kissinger) — 5 agentes:
Concepciones enfrentadas del orden mundial: americano (internacionalismo liberal), chino (tianxia, armonía jerárquica), europeo (soberanía westfaliana), islámico (umma, sharía), multipolar (BRICS, OCS, declive de la unipolaridad).
📖 The Grand Chessboard (Brzezinski) — 5 agentes:
Geoestrategia euroasiática: Balcanes euroasiáticos (Asia Central), Pivotes geopolíticos (Ucrania, Turquía, Irán), Jugadores geoestratégicos activos (revisionistas frente a status quo), Primacía americana (OTAN, AUKUS, QUAD), Núcleo euroasiático (teoría de Mackinder + Franja y Ruta).
4. Agentes operativos (Deep Agents) — 8 subagentes
Sistema multiagente con un orquestador. Tipos de tareas operativas: research, trading_strategy, portfolio_management, risk_assessment, general. Para cada tipo de tarea se ensambla automáticamente un equipo de subagentes:
| Subagente | Rol |
|---|---|
| Research | Recopilación y síntesis de información desde múltiples ángulos |
| Data Analyst | Análisis cuantitativo, ratios financieros, estadística |
| Trading | Estrategias de trading, configuraciones técnicas, entradas/salidas |
| Risk Analyzer | VaR (histórico, paramétrico, Monte Carlo), pruebas de estrés |
| Portfolio Optimizer | Optimización de Markowitz, sesgos de factores, rebalanceo |
| Backtester | Simulación histórica, walk-forward, protección contra el sobreajuste |
| Reporter | Síntesis de resultados en un informe estructurado |
| Macro Economist | Macroeconomía, bancos centrales, curva de rendimientos, spreads de crédito |
5. Agentes de trading (Agno Trading) — 5 agentes
Un marco para trading en vivo con cinco agentes especializados:
- MarketAnalystAgent — análisis fundamental y técnico.
- TradingStrategyAgent — generación de estrategias y configuraciones de trading.
- RiskManagerAgent — cálculo de VaR y límites de drawdown.
- PortfolioManagerAgent — rebalanceo y optimización de ponderaciones.
- SentimentAnalystAgent — análisis de noticias y redes sociales.
Herramientas: API de Kraken, yfinance, indicadores técnicos, sentimiento de noticias.
6. Agente de hedge fund (Renaissance Technologies)
Un módulo dedicado que replica la estructura organizativa de Renaissance Technologies: comité de inversión, equipo de investigación, Medallion Fund. Jerarquía completa de personas y roles.
Proveedores de LLM
Soporte para LLMs locales (Ollama) junto con proveedores en la nube: OpenAI, Anthropic, DeepSeek, OpenRouter. Puedes analizar datos propietarios sin enviarlos a servidores de terceros.
Editor visual de lógica (Node Editor)
Un editor de nodos para ensamblar pipelines analíticos sin código: obtención de datos → filtrado → análisis de IA → generación de órdenes. El código base incluye presets de nodos listos para usar: agent_type = "economic", agent_type = "investor", agent_type = "hedge_fund".
Conectores de datos (más de 100)
| Categoría | Fuentes |
|---|---|
| Mercados tradicionales | Yahoo Finance, FRED, IMF, World Bank, DBnomics, BEA, Databento |
| Cripto | WebSocket a Kraken, HyperLiquid |
| Datos alternativos | Seguimiento marítimo, datos satelitales, Adanos Market Sentiment |
| Mercados asiáticos | AkShare (Shanghái, Shenzhen, Hong Kong) |
| Mercados de predicción | Polymarket |
| Geopolítica | Integración con los agentes geopolíticos |
Trading y QuantLib
Trading en vivo a través de 16 brokers (Interactive Brokers, Alpaca, Zerodha, etc.). QuantLib Suite integrado — 18 herramientas: valoración de derivados, VaR, ratio de Sharpe, optimización de carteras de Markowitz.
Comparación con alternativas
| Característica | Fincept Terminal | Bloomberg Terminal | TradingView |
|---|---|---|---|
| Precio | Gratis (AGPL-3.0) | ~25.000 $/año | 0 a 60 $/mes |
| Agentes de IA | 37+ integrados | Ninguno | Ninguno |
| Código nativo | C++20 | C++ | Web (JS) |
| LLMs locales | ✅ (Ollama) | ❌ | ❌ |
| Node Editor | ✅ | ❌ | Pine Script |
| Código abierto | ✅ | ❌ | ❌ |
Enlaces
- 💻 GitHub: Fincept-Corporation/FinceptTerminal
- 🌐 Sitio web: fincept.in
- 📄 Licencia: AGPL-3.0 (uso personal/académico), licencia comercial para uso empresarial
Conclusión
Fincept Terminal es un caso poco frecuente donde un proyecto de código abierto ofrece no solo gráficos e indicadores, sino una infraestructura multiagente completa. Los 37 agentes no son una cifra de marketing: cada uno tiene un system prompt detallado, umbrales de activación específicos y un conjunto de herramientas de API. Si buscas una plataforma de escritorio nativa que combine analítica cuantitativa con agentes de IA, esta es una de las mejores opciones de código abierto disponibles.
