Cómo construir un bot de negociación de divisas con Hermes y FXMacroData

Autor: el Equipo de FXMacroData
El nombre de la publicación: 21 de mayo de 2026

Los modelos Hermes son muy adecuados para asistentes de trading prácticos porque son rápidos, fáciles de ejecutar localmente y predecibles en flujos de trabajo de llamada de herramientas.

La estrategia de ejemplo se centra en El valor de las pérdidas y utiliza Inflación en los Estados Unidos¿ Qué ? Tasa de política de la Reserva Federal, y Tipo de interés de la política del Banco de Japón Contexto, más momento de cambio al contado.

Los requisitos previos

• Un entorno local de Python 3.10+.
• Una clave de la API de FXMacroData de Gestión de las API- ¿ Qué ?
• Un punto final de modelo de Hermes (local u alojado), como Hermes vía Ollama.
• Familiaridad básica con las API REST y los scripts Python.

Instalar dependencias:

pip install requests python-dotenv

Paso 1: Defina el objetivo del bot y las reglas de riesgo

Antes de codificar, bloquea el alcance de la decisión.

• Comerciar sólo un par (USD/JPY).
• Reaccionar sólo a los cambios macro de alto impacto.
• Nunca ponga una orden en vivo automáticamente en V1.
• Salida: dirección, confianza, nivel de invalidación y sugerencia de tamaño de posición.

Esto mantiene al primer bot útil sin convertirlo en una caja negra.

Paso 2: extraer datos macro y de divisas de FXMacroData

Utilice la API con la verificación de parámetros de consulta.

curl "https://fxmacrodata.com/api/v1/announcements/usd/inflation?api_key=YOUR_API_KEY"
curl "https://fxmacrodata.com/api/v1/announcements/jpy/policy_rate?api_key=YOUR_API_KEY"
curl "https://fxmacrodata.com/api/v1/forex?base=USD&quote=JPY&api_key=YOUR_API_KEY"

También puede consultar el calendario de liberación ¿ Qué ? Posicionamiento de la COT para añadir riesgo de evento y sesgo de posicionamiento en su contexto inmediato.

Paso 3: Construir un bucle de señal compatible con Hermes en Python

El script de abajo recupera datos recientes, crea una carga útil de contexto compacta y le pide a Hermes una decisión estructurada. Mantenga la decisión determinista al requerir una salida JSON estricta.

import os
import json
import requests
from datetime import datetime, timezone

API_BASE = "https://fxmacrodata.com/api/v1"
API_KEY = os.environ["FXMD_API_KEY"]
HERMES_URL = os.environ["HERMES_URL"]  # Example: http://localhost:11434/api/generate
HERMES_MODEL = os.environ.get("HERMES_MODEL", "hermes3")


def fxmd_get(path, **params):
    r = requests.get(
        f"{API_BASE}{path}",
        params={"api_key": API_KEY, **params},
        timeout=25,
    )
    r.raise_for_status()
    return r.json()


def last_value(payload):
    rows = payload.get("data", [])
    return rows[-1] if rows else {}


usd_infl = last_value(fxmd_get("/announcements/usd/inflation"))
jpy_rate = last_value(fxmd_get("/announcements/jpy/policy_rate"))
usd_rate = last_value(fxmd_get("/announcements/usd/policy_rate"))
spot = fxmd_get("/forex", base="USD", quote="JPY").get("data", [])

spot_last = spot[-1] if spot else {}
spot_prev = spot[-2] if len(spot) > 1 else spot_last

context = {
    "timestamp_utc": datetime.now(timezone.utc).isoformat(),
    "pair": "USD/JPY",
    "macro": {
        "usd_inflation_latest": usd_infl.get("value"),
        "usd_policy_rate_latest": usd_rate.get("value"),
        "jpy_policy_rate_latest": jpy_rate.get("value"),
    },
    "price": {
        "last": spot_last.get("value"),
        "previous": spot_prev.get("value"),
    },
    "rules": {
        "allowed_actions": ["long", "short", "flat"],
        "max_risk_per_trade_pct": 0.5,
        "require_invalidation_level": True,
    },
}

prompt = f"""
You are an FX strategy assistant.
Use this JSON context: {json.dumps(context)}

Return JSON only with keys:
action, confidence, thesis, invalidation, size_pct, next_data_to_watch

Rules:
- No prose outside JSON.
- Confidence between 0 and 1.
- size_pct must be <= 0.5.
"""

hermes_req = {
    "model": HERMES_MODEL,
    "prompt": prompt,
    "stream": False,
}

resp = requests.post(HERMES_URL, json=hermes_req, timeout=45)
resp.raise_for_status()
raw = resp.json().get("response", "{}")

decision = json.loads(raw)
print(json.dumps(decision, indent=2))

Por qué funciona este patrón:

• FXMacroData proporciona entradas estructuradas, por lo que Hermes razona sobre campos limpios en lugar de texto raspado ruidoso.
• El prompt hace cumplir un esquema limitado, reduciendo la deriva de salida.
• Las restricciones de riesgo se inyectan en el contexto, no se dejan implícitas.

Paso 4: Añadir filtros de información de eventos

La mayoría de las malas decisiones de los bots ocurren alrededor de ventanas de alta volatilidad.

• Proximidad del calendario: si se debe liberar el nivel superior en 30 minutos, rebajar el tamaño o la fuerza flat- ¿ Qué ?
• No estoy de acuerdo con el régimen: Si el sesgo macro y el impulso de los precios no coinciden drásticamente, reducir la confianza automáticamente.

Utilice los enlaces de los puntos finales en sus propios documentos para una referencia rápida: Pago de los trabajadores no agrícolas de los Estados Unidos¿ Qué ? PCE de base de los Estados Unidos, y Japón inflación- ¿ Qué ?

Paso 5: Convierta las decisiones en alertas, no en ejecuciones automáticas

En la producción, las decisiones se dirigen primero a Slack/Telegram. La confirmación humana debe seguir siendo obligatoria hasta que tenga suficientes muestras probadas.

[FX BOT] USD/JPY
Action: LONG
Confidence: 0.72
Thesis: US inflation + sticky core, policy divergence still USD-supportive.
Invalidation: Daily close below 154.20
Suggested Size: 0.35%
Watch Next: US Core PCE (Friday 12:30 UTC)

Esto mantiene la rendición de cuentas y la auditabilidad claras, mientras que aún ahorra tiempo de investigación.

Errores comunes a evitar

• Dejar que el modelo elija los límites de riesgo dinámicamente.
• Usando demasiados pares antes de validar un par profundamente.
• Ignorando los controles de datos obsoletos en su tubería.
• Tratar la confianza del modelo como una probabilidad de ganancia.

Lo que construiste

Ahora tiene una arquitectura completa v1 para un bot de divisas impulsado por Hermes: macro estructurado + ingestión de divis as, salida de modelo determinista y generación de señal limitada por riesgo.

Si quieres profundizar en la configuración, añade un trabajo de resumen diario que clasifica las principales sorpresas macro y las asigna al probable impacto de divisas antes de la apertura de Londres.