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
Stock Bot
Un analista con IA para la bolsa de Nigeria
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
Decisiones clave
- 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.
- 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.
- 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.