Enseñamos los algoritmos que construimos y los modelos con que medimos el riesgo.

Recuperación, agentes, grafos y orquestación —y ahora finanzas cuantitativas, con el Modelador de ETFs apalancados—. Sin humo: el porqué, el cómo y las matemáticas.

Abrir el Modelador Leer los artículos

artículos de research: 18
algoritmos en producción: 2
datos diarios desde: 1928
futuros por simulación: 2.000

Nuestra misión

El conocimiento que no se comparte, no compone.

Construimos BiVelio operando empresas reales. Cada algoritmo que diseñamos nace de un problema concreto, no de un paper. Creemos que explicarlo en abierto es la forma más honesta de avanzar.

En abierto

Publicamos el razonamiento, no solo el resultado. La transparencia es un requisito, no un gesto de marketing.

Con rigor

Matemáticas, código y mediciones reales. Si afirmamos algo, mostramos cómo lo sabemos.

Que compone

Cada artículo se apoya en el anterior. El conocimiento que se acumula es el que crea ventaja a largo plazo.

Para compartir

Escribimos para enseñar. Si una idea ayuda a otro equipo a construir mejor, ha cumplido su función.

Línea 1 · En producción

Optimización antes del modelo, no dentro de él

No sustituimos a OpenAI, Anthropic, DeepSeek o Gemini. Nos colocamos delante: preparamos mejor lo que les envías para que gastes menos y expongas menos.

Todos los algoritmos

BV-SALA · En producción

BiVelio Savings Layer

Una capa que optimiza y reescribe tu prompt antes de enviarlo a la API, para reducir el coste por llamada.

Saber más

BV-PRGA · En producción

BiVelio Privacy Gateway

Una capa intermedia que retiene la información sensible antes de enviar tu prompt, documento o fichero a cualquier API de IA.

Saber más

Línea 2 · Finanzas cuantitativas

Qué ganan de verdad los ETFs apalancados, por qué, y cuánto es suerte

Estudiamos con datos diarios desde 1928 cómo se comportan los fondos 2x y 3x, qué reglas los mejoran y qué parte de lo que ganan no se distingue del azar. Cada artículo fija de antemano cómo se va a contestar y descuenta la búsqueda.

primer año de datos diarios: 1928
artículos en la serie: 5
trayectorias por simulación: 2.000

Abrir el Modelador Leer la serie

Una estación para simular mercados

Elija un mundo —la historia barajada, volatilidad que se agrupa, crisis más frecuentes o las crisis reales— y compare el 3x, la media de 200 sesiones o ½ Kelly en miles de futuros posibles.

Mediana de la riqueza por euro invertido · 1.000 trayectorias

Artículos recientes de la serie

Cargando artículos…

Línea 3 · La biblioteca

Artículos de research

Explora por tema. Cada pieza es autocontenida: contexto, intuición, formalización y resultados.

Toda la biblioteca

Destacado · Agentes

Por qué tu RAG falla y el grafo recupera el doble

Un agente sin contexto es solo un modelo. La recuperación vectorial clásica trata el conocimiento como una bolsa de fragmentos independientes — y por eso falla en las preguntas que más importan a una empresa. Repasamos los problemas reales que viven los desarrolladores de RAG (con datos), por qué la estructura de grafo gana donde el vector se queda corto, cómo se posiciona el panorama (Pinecone, LangChain, LlamaIndex, Neo4j, Microsoft GraphRAG) y cómo pensamos ser los mejores en el contexto que de verdad cuenta: la operación de una empresa.

Leer el artículo

Substack

Reciba cada artículo en su correo.

Los artículos del laboratorio se publican en Substack. Suscríbase para recibir cada uno cuando salga; puede darse de baja cuando quiera.

Suscribirse en Substack