Raya

El trabajo de un consultor de inversiones se divide en frentes distintos: diagnosticar al cliente, diseñar planes de previsión, asignar activos y entregar informes. Parte de él vive en prototipos independientes y en hojas de cálculo, y los datos de mercado usados en la asignación vienen de una hoja actualizada a mano.

Raya junta esos frentes en una única aplicación web interna e incluye un pipeline de datos propio, construido para reemplazar esa hoja.

La plataforma cubre los frentes de trabajo del consultor, con la interfaz en portugués, inglés y español:

• diagnóstico individual, con cuestionarios de perfil emocional y de creencias financieras y devolución inmediata;
• diagnóstico colectivo, con campañas anónimas para empresas y entidades de previsión, enlace público de respuesta e informe corporativo en PDF;
• un estudio de 8 etapas para diseñar planes de previsión complementaria y calcular la rentabilidad objetivo necesaria para alcanzar la meta de reemplazo, con una calculadora pública simplificada al lado;
• un espacio de asignación de activos por cliente, con 9 pestañas, entre ellas carteras, escenario económico, backtest, proyección futura, riesgo e informe.

También forman parte de la plataforma un cuestionario de perfil de inversor y un motor de escenarios macro que proyecta 28 clases de activos en cinco escenarios.

Raya se diseñó como plataforma agéntica. Los módulos de cálculo y los datos de mercado están listos, y los agentes de IA están en desarrollo. Hoy, los asistentes de IA del equipo solo consultan los datos de mercado, por medio de un servidor MCP de lectura.

El backend es una API FastAPI asíncrona sobre PostgreSQL 15 y Redis. El frontend es una aplicación React en TypeScript. Todo el cálculo, desde la puntuación hasta el motor actuarial y las métricas de riesgo, corre en el backend de la propia plataforma, sin depender de servicios externos en tiempo de uso.

El acceso está restringido a los consultores. Las contraseñas usan Argon2id, la sesión dura 8 horas y desactivar a un consultor tiene efecto inmediato. El inicio de sesión limita los intentos fallidos.

Dos reglas las impone el propio sistema: el anonimato en las encuestas colectivas y el registro inmutable del perfil de inversor. El informe colectivo exige al menos 30 respuestas, y los segmentos con menos de 10 encuestados se suprimen. En el cuestionario de perfil de inversor, el PDF se graba en almacenamiento inmutable antes de que el registro exista: si la grabación falla, no se crea ningún perfil.

Los datos de mercado pasan por un repositorio en tres capas. La capa bronce guarda el dato bruto del proveedor, inmutable, en S3. La capa plata convierte ese dato en Parquet limpio y verificado. La capa oro reúne las tablas curadas, en un schema propio de Postgres, separado del schema del producto y con credenciales distintas.

El pipeline se orquesta con Airflow, con flujos programados mensual y diario y un flujo de carteras. Como la cuota de consultas del proveedor es finita, los reintentos están limitados, y el flujo de carteras verifica un tope de consultas antes de empezar a consultar. Las credenciales del pipeline están en una bóveda de secretos y se leen en tiempo de ejecución. Un servidor MCP de lectura, con 7 herramientas, da a los asistentes de IA del equipo acceso a los datos de las capas plata y oro. Exige token, limita filas y tiempo por consulta y usa un rol de base de datos sin acceso al schema de la aplicación.

La infraestructura sigue prácticas documentadas:

• Despliegue condicionado al certificado del CI. El script corre en la instancia y solo despliega un commit aprobado por el CI, salvo en emergencia, y esa excepción queda registrada. Reconstruye las imágenes con Docker Compose, aplica las migraciones de Alembic y solo registra el despliegue después de que pase una prueba de salud pública. El rollback es una reversión en main, seguida de un nuevo despliegue.
• Red segregada. Producción, homologación y desarrollo están en redes separadas. La aplicación está en una subred privada, sin IP pública, y el tráfico llega por un balanceador con TLS administrado. El acceso administrativo no usa SSH.
• Entornos bajo demanda. Homologación y desarrollo se encienden por comando y se apagan automáticamente al final del día. Producción nunca recibe esa automatización.
• Respaldo y alertas. La base de datos se copia todos los días a un bucket S3 privado y versionado. Las alarmas avisan sobre indisponibilidad, cambios de configuración de seguridad y costo superior al previsto.

Raya está en implementación y es de uso interno.

Sigil Labs construyó la aplicación, el pipeline de datos y la infraestructura en la nube en AWS. El proyecto combina software a medida e infraestructura: el repositorio reúne el producto, el pipeline de datos y los scripts de implementación.