Adopción real en el buy-side, casos institucionales verificados y la regla de oro: el LLM razona, la matemática decide, el humano veta.
// curso abierto
QUANT AGENTIC ORCHESTRATION
Agentes LLM gobernados para hedge funds, risk y portfolio management. Un curso abierto y gratuito que te lleva de los fundamentos de LangChain v1 al diseño de un hedge fund multi-agente gobernado, con código real y fuentes institucionales verificadas.
| Partes | 12 módulos + 3 apéndices |
|---|---|
| Fuentes | 421 verificadas |
| Stack | Python · LangChain v1 |
| Nivel | Intermedio-avanzado |
| Precio | Gratis, sin registro |
Índice
- 01El stack LLM en la gestión de activos en 2026
- 02LangChain v1 esencial para quants
El modelo mental Runnable, LCEL, salida estructurada con Pydantic y tool calling de bajo nivel.
- 03Agentes y LangGraph: orquestación para decisiones de inversión
create_agent, middleware, StateGraph, persistencia, human-in-the-loop real y patrones multi-agente.
- 04Datos de mercado y documentales para sistemas LLM
Fuentes 2026, SEC EDGAR programático, noticias y sentimiento, y pipelines point-in-time sin trampas.
- 05RAG financiero de grado institucional
Chunking consciente de estructura, hybrid search con reranking, la división texto/números y evaluación RAGAS.
- 06Prompt engineering y salida estructurada para finanzas
System prompts por rol, few-shot, chain-of-thought con criterio y grounding anti-alucinación numérica.
- 07Riesgo cuantitativo: del VaR al copiloto de riesgo
VaR y Expected Shortfall exactos, stress testing y el LLM como capa de explicación, nunca de cálculo.
- 08Construcción de carteras: de Markowitz a las vistas generadas por LLM
Frontera eficiente, Black-Litterman con vistas LLM y sensibilidad de la optimización.
- 09Señales LLM y backtesting riguroso
Del texto a la señal, backtests sin look-ahead, costes realistas y deflated Sharpe ratio.
- 10Gobernanza, compliance y regulación de la IA agéntica
AI Act, NIST AI RMF, model risk management y evidencia auditable para sistemas agénticos.
- 11Ingeniería de producción para sistemas LLM financieros
Observabilidad con LangSmith, evaluación continua, costes, latencia y despliegue gobernado.
- 12Proyecto capstone: un hedge fund multi-agente gobernado
Integración completa: research, riesgo, cartera y ejecución con firma humana en un sistema único.
- AApéndice A · Formulario de referencia rápida
Todas las fórmulas del curso, contrastadas con la literatura primaria, en una sola referencia.
- BApéndice B · Entorno de laboratorio
Setup completo del entorno: dependencias, APIs, paper trading y convenciones del laboratorio.
- CApéndice C · Glosario
Terminología del curso: de LCEL a point-in-time, definida con precisión.
- Referencias · 421 fuentes verificadas
Toda la evidencia del curso: papers, documentación oficial, blogs de ingeniería y fuentes primarias, verificadas a julio de 2026.
Qué es esto y para qué sirve
Los grandes fondos ya no preguntan si usar modelos de lenguaje, sino cómo gobernarlos. Kensho (S&P Global), Bloomberg, JPMorgan, BlackRock o Man Group operan hoy sistemas agénticos en producción. Este curso enseña exactamente eso: cómo se construyen, se evalúan y se gobiernan esos sistemas cuando el dinero de verdad está en juego.
Qué aprenderás
- Orquestar agentes LLM con LangChain v1 y LangGraph: tools, middleware, persistencia y control humano.
- Construir RAG de grado institucional sobre filings, earnings calls y textos regulatorios.
- Aplicar LLMs a riesgo (VaR/ES), carteras (Black-Litterman) y señales con backtesting riguroso.
- Gobernarlo todo: compliance, AI Act, observabilidad y producción.
Cómo se usa
- Sin registro ni cuentas. Lee en orden o salta al módulo que necesites; cada uno es autocontenido.
- Cada módulo termina con un check de comprensión interactivo y ejercicios de código y diseño.
- Todo el código es copiable y ejecutable en el entorno de laboratorio del Apéndice B.
- Ritmo libre: ~20–40 min de lectura por módulo, más práctica.
Para quién es
- Programadores quant que amplían hacia sistemas agénticos con LLM.
- Risk managers y PMs que necesitan entender qué pueden (y qué no) hacer estos sistemas.
- Cualquier persona con Python intermedio (pandas, numpy) y fundamentos de finanzas cuantitativas.
- Si vienes de cero en LLMs, el módulo 1 y los bloques «EXPANDE» te ponen en contexto sin tecnicismos innecesarios.
El principio que recorre las 15 partes
El LLM razona · la matemática decide · el humano veta
Ninguna orden sale sin firma humana. Ningún número lo inventa el modelo: lo calcula una herramienta determinista y el LLM lo explica. Cada módulo del curso aplica esta frontera — comprender, razonar, actuar — con la evidencia institucional que la respalda.
Material de trabajo, no apuntes de conferencia
Código real
Pipelines LCEL, agentes con middleware, tool calling auditado, debates bull/bear con LangGraph, dashboards de riesgo: código LangChain 1.x copiable, comentado y orientado a producción.
Evidencia, no humo
421 fuentes verificadas: despliegues documentados de Kensho, Bloomberg, JPMorgan, BlackRock, Man Group, Bridgewater, AQR, Balyasny y Point72 — y también las réplicas independientes que desmienten el hype.
Rigor cuantitativo
Fórmulas exactas contrastadas con la literatura primaria, datos point-in-time, costes realistas y deflated Sharpe ratio. Lo que no tiene evidencia, se dice que no la tiene.