BCRA, ArgentinaDatos, dolarapi, scraping y curaduría manual. Cada tasa lleva fuente, fecha y nivel de confianza.
Caso técnico · oct – nov 2026
rindetuplata
¿Dónde rinde tu plata hoy? Comparador de rendimientos por retorno real
Ordena casi 400 opciones de ahorro argentinas (plazos fijos por banco, fondos money market, billeteras remuneradas y cripto) por los pesos que ganás con tu monto y tu plazo, y muestra cuánto de eso le gana a la inflación esperada. Backend en Java 21 y Spring Boot 4, con la fuente y la fecha de cada número.
Estado, noviembre 2026: MVP terminado en octubre y una segunda etapa cerrada el 1/11 (modelo financiero, performance, operación y contenido), con 1.704 tests. El preview privado está apagado y no tiene despliegue público.
El problema
Una tasa alta no dice si ganás plata.
Con inflación importa cuánto le ganás a los precios en tu plazo, con los topes y tramos de cada opción, y ninguna fuente guarda el historial por banco o billetera.
TNA a TEA, topes, tramos e inflación REM llevada a tu plazo, en Java puro y probada contra valores calculados a mano.
Un job por fecha: reprocesar un día no duplica datos y una fuente caída no frena a las demás.
Login sin contraseña con Spring Security y avisos por email vía outbox transaccional, consumidor idempotente y dead-letter queue.
Arquitectura
Cómo se mueve un dato, de punta a punta.
Diagrama en tres bloques. Bloque API Spring Boot, de izquierda a derecha: fuentes (BCRA, ArgentinaDatos, dolarapi, Ualá y curación manual), adaptadores por fuente, el job diario de Spring Batch, PostgreSQL con Flyway, dominio en Java puro con BigDecimal y la API REST con OpenAPI. Bloque GitHub Actions: captura diaria en crudo de las fuentes hacia una rama data, que el job de Spring Batch reproduce para fechas pasadas. Bloque salidas: el job escribe alertas en un outbox transaccional que llega a RabbitMQ y de ahí a un aviso por email, y dispara la reconstrucción del sitio estático de Astro, que lee la API REST.
API · Spring Boot
- FuentesBCRA, ArgentinaDatos, dolarapi, Ualámás curación manual en un panel admin
- AdaptadoresUno por fuentedetrás de un puerto por tipo de dato
- IngestaSpring BatchdailyIngestionJob, una instancia por fecha
- DatosPostgreSQLsnapshots diarios, migraciones Flyway
- DominioJava puroTNA a TEA, topes y tramos en BigDecimal
- APIREST + OpenAPIranking, historial y simulador
Lo que solo publica el valor de hoy se archiva a diario, y el mismo job lo reproduce para fechas pasadas (replay).
GitHub Actions · captura diaria
- CapturaBCRA, ArgentinaDatos y Ualá en crudotodos los días a las 12:00 (Argentina)
- ArchivoRama dataun JSON por día y un manifest con sha256 por fuente
Con cada ingesta, el job escribe las alertas en un outbox y avisa al sitio para que se reconstruya.
Salidas
- AlertasOutbox transaccional y RabbitMQpublisher confirms, consumidor idempotente, dead-letter queue
- AvisoEmailnotificador por email
- SitioAstro y React en un CDNpáginas estáticas que leen la API
Flujo de datos
De las fuentes oficiales al ranking.
Un adaptador por fuente detrás de un puerto por tipo de dato, probado con respuestas grabadas, nunca con HTTP en vivo.
Un paso por tipo de dato y una instancia por fecha; snapshots diarios en PostgreSQL con migraciones Flyway.
Cada opción se simula para tu monto y tu plazo; las que no aplican se listan con el motivo, nunca desaparecen.
Ranking, historial y simulador, con errores ProblemDetail. Toda la matemática vive en la API, ninguna en el navegador.
Páginas por instrumento con historial en SVG, SEO y JSON-LD, islas de React para el simulador y las cuentas; se reconstruye después de cada ingesta.
Después del MVP
Una auditoría, seis frentes y tres rondas de cierre.
Con el MVP andando, audité el proyecto entero y ordené lo que encontré en seis frentes: errores, modelo financiero, performance, deploy, cobertura y contenido. Cada frente se cerró con tests, y al final repetí la auditoría hasta que una ronda no encontró nada que corregir: hicieron falta tres.
El plazo fijo se renueva mes a mes en plazos largos en lugar de castigarlo con interés simple; fondos por rendimiento de 7 días y una fila por fondo; el dólar MEP como devaluación de equilibrio de cada opción.
Caché del ranking por versión de datos y ETag débil: con k6, el ranking pasó de 81 a 4.795 req/s y las revalidaciones responden 304 sin calcular nada. Es un mejor caso: el mix repite consultas, y el README lo aclara.
Backups con restauración probada, límites de memoria, backfill de historial (fondos, macro y dólar), health de frescura de la ingesta y un build que se niega a publicar datos viejos o vacíos.
Páginas por banco con la tasa de hoy y 90 días de historial,
informe mensual de quién le ganó a la inflación del INDEC, alertas
nuevas, API keys con cuota y un servidor MCP de solo lectura con
llms.txt.
Resultado
Qué está probado y qué falta.
Tests
1.704 tests: 905 de backend (JUnit 5 con Testcontainers: PostgreSQL y RabbitMQ reales) y 799 de frontend (Vitest), más un end-to-end con Playwright sobre el stack completo en Docker Compose; CI en GitHub Actions y prueba de carga con k6.
En funcionamiento
Preview privada en mi máquina detrás de Tailscale Funnel (sin indexar), con ingesta real, login por magic link y alertas por email probados desde el celular.
Límite honesto
Todavía no tiene despliegue público: la receta de VPS y CDN está escrita y probada en CI, pero el servidor, el dominio y el proveedor de email siguen pendientes. Es informativo, no es asesoramiento financiero, y no modela impuestos.
Cómo lo construí
Con IA como herramienta bajo un flujo propio: specs, decisiones y evidencia por tarea en el repositorio, test-first y revisión de cada cambio antes del commit.
Stack
Tecnologías usadas.
Backend
Java 21, Spring Boot 4.1, Spring Batch 6, Spring Security 7, servidor MCP
Datos y mensajería
PostgreSQL 18, Flyway, RabbitMQ
Frontend
Astro, React, Tailwind
Testing e infraestructura
JUnit 5, Testcontainers, Vitest, Playwright, k6, Docker Compose, Caddy, GitHub Actions