Repolode
BruceLanLan

BruceLanLan/augur

Sistema local de memoria para investigación de inversiones: 18 perfiles de inversores analizan una acción por separado y luego combinan sus resultados en un consenso ponderado con evidencia trazable.

Estrellas
682
Forks
115
Issues abiertos
3
Último commit
hace 9 días

Esta página presenta un proyecto de código abierto y no constituye asesoramiento de inversión. Operar e invertir puede generar pérdidas: evalúa el riesgo por tu cuenta y cumple las leyes de tu país antes de usarlo.

¿Qué es?

Augur es una herramienta local para investigar y analizar acciones. Dieciocho perfiles de inversores basados en reglas, inspirados en filosofías de inversión públicas como el value investing, el crecimiento, la macroeconomía y distintos enfoques del mercado chino, analizan cada ticker por separado. Después, un motor de consenso ponderado combina sus señales, puntuaciones, niveles de confianza y cálculos del tamaño de posición de Kelly, y muestra en qué coinciden y discrepan los perfiles.

Cada evidencia incluye su fuente y marcas de tiempo independientes para el momento de negocio, la disponibilidad y la recuperación. Los datos que faltan se señalan explícitamente, y los perfiles que dependen de ellos se abstienen e indican el motivo, en lugar de tratarlos silenciosamente como cero. Cada ejecución se guarda como un RunBundle inmutable que se puede exportar, comparar y revisar más adelante. De forma predeterminada, los datos se guardan en un directorio local y el proyecto no incluye telemetría.

El proyecto ofrece una CLI, un dashboard web local con páginas para valoración DCF, colas de resultados, seguimiento de tesis y evaluación de backtests, y un servidor MCP para conectar Claude u otros agentes. Obtiene datos de mercado mediante yfinance y documentos de SEC EDGAR, y deja claro que no ofrece asesoramiento de inversión.

Funciones clave

  • 01Dieciocho perfiles de inversores analizan el mismo ticker por separado y generan un consenso ponderado.
  • 02Los elementos de evidencia registran la fuente y marcas de tiempo independientes para el momento de negocio, la disponibilidad y la recuperación.
  • 03Los datos que faltan se señalan explícitamente, y los perfiles que dependen de ellos se abstienen e indican el motivo.
  • 04Cada ejecución se guarda en un RunBundle inmutable y exportable para revisarlo más adelante.
  • 05Incluye un dashboard local, una CLI y un servidor MCP para integrar agentes.
  • 06Obtiene datos fundamentales de documentos de SEC EDGAR, como comparaciones de factores de riesgo de formularios 10-K y diferencias en XBRL.

Casos de uso

  • Estructurar una revisión previa a la publicación de resultados de una lista de acciones bajo seguimiento.
  • Comparar cómo distintos enfoques de inversión en value y crecimiento valoran una misma empresa.
  • Mantener un historial auditable de ejecuciones anteriores de investigación de inversiones y sus supuestos.
  • Poner un flujo de investigación local a disposición de Claude u otros agentes mediante MCP.

Inicio rápido

  1. 1

    Clona el repositorio

    git clone https://github.com/BruceLanLan/augur.git && cd augur
  2. 2

    Crea y activa un entorno virtual

    python3 -m venv .venv && source .venv/bin/activate
  3. 3

    Instala el paquete principal con compatibilidad con datos de yfinance

    pip install -e ".[data]"
  4. 4

    Ejecuta el análisis de 18 personas en una acción

    augur analyze AAPL

Antes de usarlo

  • Se requiere Python 3.10 o posterior.
  • Las funciones de SEC EDGAR requieren configurar un correo electrónico de contacto real en AUGUR_EDGAR_CONTACT_EMAIL.
  • Las personas inversoras son simulaciones basadas en reglas de ideas de inversión públicas, no reflejan las opiniones de los inversores reales, y el README advierte que no constituyen asesoramiento financiero.

En colecciones

Temas

#investment-analysis#stock-analysis#multi-agent#ai-agents#local-first#sec-edgar#valuation#mcp#value-investing

Preguntas frecuentes

¿Qué es augur?
Sistema local de memoria para investigación de inversiones: 18 perfiles de inversores analizan una acción por separado y luego combinan sus resultados en un consenso ponderado con evidencia trazable. Augur es una herramienta local para investigar y analizar acciones. Dieciocho perfiles de inversores basados en reglas, inspirados en filosofías de inversión públicas como el value investing, el crecimiento, la macroeconomía y distintos enfoques del mercado chino, analizan cada ticker por separado. Después, un motor de consenso ponderado combina sus señales, puntuaciones, niveles de confianza y cálculos del tamaño de posición de Kelly, y muestra en qué coinciden y discrepan los perfiles.
¿augur es gratuito? ¿Qué licencia tiene?
augur es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿augur sigue mantenido?
Mantenimiento activo. El último commit de augur fue el 29 oct 2026.
¿Para qué puedo usar augur?
Estructurar una revisión previa a la publicación de resultados de una lista de acciones bajo seguimiento. Comparar cómo distintos enfoques de inversión en value y crecimiento valoran una misma empresa. Mantener un historial auditable de ejecuciones anteriores de investigación de inversiones y sus supuestos. Poner un flujo de investigación local a disposición de Claude u otros agentes mediante MCP.
¿Cómo se instala augur?
Clona el repositorio: git clone https://github.com/BruceLanLan/augur.git && cd augur Crea y activa un entorno virtual: python3 -m venv .venv && source .venv/bin/activate Instala el paquete principal con compatibilidad con datos de yfinance: pip install -e ".[data]" Ejecuta el análisis de 18 personas en una acción: augur analyze AAPL
¿Dónde consigo augur?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/BruceLanLan/augur

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados

Conjunto de skills para Claude Code y Codex que investigan empresas cotizadas con inversión en valor, aplicando los enfoques de Buffett, Munger, Duan Yongping y Li Lu mediante análisis multiagente.

IA y Machine Learning#investment-research#value-investing#claude-code
17 mil+49 esta semana2,5 milHTMLMITActualizado hace 4 días