Toluwalope AkinkunmiCargando…

Haciendo bocetos…

000
Saltar al contenido
← Todos los proyectos

12 / Lab

Stock Bot

Un agente programado que revisa cada día la bolsa de Nigeria, comprueba el historial reciente de precios, pide a un LLM que evalúe cada caída y me envía un breve informe por Telegram.

Empresa
Lab
Rol
Diseño e ingeniería
Periodo
feb 2026 – ActualidadEn desarrollo
Enlaces
Privado / interno
Tecnologías
PythonAWS LambdaEventBridgeDynamoDBGemini APITelegram Bot APIGitHub Actions
12

Stock Bot

Un analista con IA para la bolsa de Nigeria

PythonAWS LambdaEventBridgeDynamoDB

Capturas muy pronto

Lo que construí

  • 01Un extractor en paralelo de las mayores caídas diarias de la NGX
  • 02Cinco días de historial de precios en DynamoDB para confirmar una caída real
  • 03Un paso de análisis con LLM con un prompt estructurado por empresa
  • 04Informes diarios por Telegram con las mejores opciones
  • 05Despliegue continuo en AWS Lambda con GitHub Actions

El sistema

Una ejecución diaria, del horario al informe

Una ejecución diaria, del horario al informeProgramación diaria → Escáner; Escáner ↔ Datos de mercado; Escáner ↔ Historial de precios; Escáner ↔ Analista de IA; Escáner → Informe diarioProgramación diariaEventBridgeEscánerAWS LambdaDatos de mercadoNGXHistorial de preciosDynamoDBAnalista de IAGeminiInforme diarioTelegramdisparacaídas del díacontrol de 5 díasanalizamejores opciones

Decisiones clave

  1. 01

    Serverless programado

    La tarea dura un par de minutos al día. Una Lambda programada no cuesta casi nada y no hay servidor que mantener.

  2. 02

    Primero filtrar, luego pensar

    Código barato acorta la lista y el LLM solo ve las pocas acciones que merecen una mirada. Así bajan la latencia y el coste.

  3. 03

    Sin dependencias pesadas

    Sustituir pandas por un parser HTML ligero dejó el paquete de Lambda lo bastante pequeño para desplegarlo sin capas especiales.

01

El problema

Encontrar buenas caídas en la NGX significa revisar decenas de acciones cada día y leer la historia detrás de cada bajada. Quería automatizar la parte tediosa y resumir la parte de criterio.

02

El proceso

Una función Lambda se ejecuta a diario con EventBridge. Obtiene las mayores caídas del día, para revisar solo esas, las compara con cinco días de precios guardados en DynamoDB y envía las candidatas a Gemini para un breve análisis. Las mejores opciones llegan por Telegram, y GitHub Actions despliega en cada push.

03

El resultado

En curso. La extracción, el análisis y los informes de Telegram funcionan en local; el despliegue en Lambda se está terminando.

04

Lo que aprendí

Filtra antes de gastar tokens o peticiones. Empezar por las caídas del día en lugar de por todos los valores redujo el trabajo a una fracción.

Siguiente proyectoTrendHubUn hub de newsletters, pódcasts y blogs