FundaPod representa un enfoque distinto en la aplicación de modelos de lenguaje de gran escala a las finanzas, centrándose en la producción de investigación verificable en lugar de la generación de señales de trading, según el documento de investigación.

La plataforma está diseñada para replicar el proceso estructurado que siguen los analistas en firmas institucionales: revisar documentos públicos, extraer indicadores clave de rendimiento, identificar factores de negocio y sintetizar la evidencia en memorandos de inversión, según los autores del estudio.

A diferencia de sistemas existentes que utilizan modelos de lenguaje para tareas financieras específicas o generación de señales de trading, FundaPod se enfoca en producir análisis razonados que pueden ser inspeccionados, cuestionados y reutilizados a lo largo del tiempo, según el artículo.

La arquitectura del sistema se basa en cinco principios de diseño fundamentales. El primero establece que la investigación fundamental es una tarea de apoyo a la decisión centrada en el humano, cualitativamente distinta de la generación de señales de trading, según los investigadores.

El segundo principio sostiene que el sistema debe preservar la independencia de los agentes con diferentes perfiles de inversión, permitiendo que razonen de forma aislada bajo un contrato común de procedencia, según el documento. Los desacuerdos entre agentes se presentan posteriormente al gestor de cartera humano para su adjudicación a través del sistema de memoria basado en grafos de conocimiento.

FundaPod incorpora cuatro mecanismos arquitectónicos principales, según la investigación. El primero es un proceso de destilación de perfiles que convierte materiales públicos de inversores en agentes desplegables con diferentes perspectivas analíticas, como inversores de valor o estrategas macroeconómicos.

El segundo mecanismo es un registro declarativo de habilidades que permite al planificador derivar grafos de tareas tipificadas, según los autores. Cada habilidad declara los datos que requiere y las salidas que produce, permitiendo que el sistema construya flujos de trabajo sin necesidad de reescribir código de orquestación cuando cambian los procesos de investigación.

El tercer componente es un modelo de evidencia fundamentada que vincula cada afirmación generada en los memorandos a fuentes verificables, según el documento. Esto permite que los gestores de cartera inspeccionen la procedencia de las conclusiones del análisis.

El cuarto mecanismo es un grafo de conocimiento que funciona como un "segundo cerebro" compartido, conectando símbolos bursátiles, memorandos, analistas, evidencia y temas en un registro consultable de la cobertura acumulativa del equipo, según la investigación.

La arquitectura separa habilidades determinísticas de habilidades basadas en agentes, según los autores. Las habilidades determinísticas manejan tareas programáticas como la ingesta de datos, extracción de indicadores y transformaciones estructuradas. Las habilidades de agente utilizan modelos de lenguaje para tareas que requieren juicio, como la redacción de memorandos, exploración temática y comparación de tesis.

El sistema está diseñado para ser agnóstico respecto a las fuentes de datos, según el documento. Documentos de la Comisión de Bolsa y Valores de Estados Unidos, interfaces de programación de aplicaciones de datos de mercado, feeds de noticias, proveedores de datos alternativos y bases de datos internas pueden conectarse a través de la misma interfaz extensible de habilidades.

Los investigadores argumentan que este diseño refleja evidencia de que gran parte del beneficio en debates multi-agente proviene de ensamblar salidas independientes, mientras que el debate repetido puede reforzar errores o crear pensamiento grupal, especialmente cuando los agentes son similares, según citan en el artículo.

El enfoque también se asemeja a la lógica organizacional de firmas multi-gestor como Millennium, Citadel y Point72, donde equipos independientes persiguen distintas fuentes de alfa bajo supervisión centralizada, según los autores.

En FundaPod, cada perfil forma su visión por separado, según el documento. La síntesis entre perfiles ocurre después de que las salidas individuales se escriben en el grafo de conocimiento. El agente maestro puede entonces comparar visiones, identificar desacuerdos y detectar brechas de cobertura sin permitir que un perfil influya prematuramente en otro.

Los investigadores presentan un estudio de caso completo y una comparación de memorandos basada en perfiles para demostrar la arquitectura, según el artículo. El documento incluye ejemplos de cómo un paquete de perfil creado externamente cambia la estructura de razonamiento impuesta sobre la misma evidencia inicial.

El sistema utiliza grafos de conocimiento como memoria compartida de investigación porque permiten representar explícitamente entidades y relaciones, según los autores. Esto resulta particularmente relevante en finanzas porque una afirmación de inversión a menudo depende de vínculos entre una empresa, un documento regulatorio, un indicador clave de rendimiento, un grupo de pares, un tema macroeconómico y una visión previa del analista.

La investigación se enmarca en el contexto de trabajo reciente sobre memoria basada en grafos para agentes de modelos de lenguaje, que ha demostrado que los agentes que utilizan modelos de mundo basados en grafos de conocimiento con memoria episódica pueden superar a agentes que dependen de memoria no estructurada, según citan los autores.

El documento también se relaciona con investigación sobre grafos de conocimiento financieros dinámicos construidos a partir de noticias financieras para detectar tendencias de mercado globales para inversión temática, según los investigadores. Sin embargo, FundaPod se diferencia al organizar las salidas de investigación de múltiples agentes y preservar la memoria de cobertura evolutiva de un equipo de inversión.

Los autores posicionan FundaPod como un sistema híbrido humano-IA diseñado para aumentar, en lugar de sustituir, el razonamiento del analista, según el artículo. El objetivo es producir planes de inversión que sean transparentes, reutilizables y verificables, mientras contribuyen al desarrollo acumulativo del conocimiento de inversión.

El código fuente de FundaPod está disponible públicamente en GitHub, según indican los investigadores en el documento publicado en arXiv.org.