El reto
Las fuentes de información cripto producen decenas de noticias por hora. Convertir ese flujo en señales accionables — sin caer en el costo prohibitivo de pagar inferencia por cada artículo individual — exigía un pipeline donde la economía de la inferencia importara tanto como su precisión.
ArgosTrader nació como un proyecto interno de I+D para explorar exactamente esto: un trader autónomo que combine clasificación con LLM, scoring algorítmico y validación predictiva en vivo, corriendo todo el día en hardware de bajo consumo.
La solución
ArgosTrader es un sistema autónomo que cada 30 minutos:
- Ingresa noticias de 7 feeds RSS + CryptoPanic + NewsAPI, deduplicando por URL.
- Clasifica en batch las noticias usando Claude Haiku con una sola llamada por ciclo en lugar de una por artículo.
- Calcula scores propios con decay temporal por horizonte (corto / medio / largo) y reglas afinadas por categoría × dirección.
- Correlaciona las señales contra retornos reales usando la API de precios spot de Binance.
- Publica todo en un dashboard con scores en tiempo real, gráficas de 7 días por moneda y overlays de trades ejecutados.
Decisiones técnicas que importan
- Clasificación batch con LLM — una sola llamada por ciclo en vez de una por artículo. Reducción ~95 % en tokens.
- Motor de scoring propio con decay temporal por horizonte (short / medium / long) y reglas expert-tuned por categoría × dirección.
- Validación predictiva en vivo — hit rate, correlación de Pearson y retornos medios por bucket de score, en horizontes de 1, 7 y 30 días. No es backtest: mide predicción real.
- Persistencia histórica en SQLite con snapshots cron-aligned cada 4 horas.
- Despliegue como servicio systemd en Raspberry Pi, con
install.sh/update.shpara actualizaciones sin downtime ni pérdida de datos.
Resultados
- Costo de inferencia reducido de ~$0.90/día a ~$0.05/día (≈ 94 % menos) gracias a batch + pre-filtrado.
- Pipeline corriendo 24/7 en hardware de bajo consumo (Raspberry Pi), 4 ciclos diarios totalmente desatendidos.
- Backbone instrumentado con métricas de validación predictiva real — no especulación de backtest.
Por qué importa
ArgosTrader es un ejemplo de cómo el costo de inferencia se diseña, no se sufre. Combinar batch processing, pre-filtrado heurístico y un motor de scoring propio convierte un flujo de noticias en señales accionables a un costo marginal — y demuestra el tipo de ingeniería disciplinada que llevamos a cada custom app que construimos.
