AI stock screener

Candidate selection ও recommendation আলাদা করুন

Defined universe ছোট করতে explicit rule ব্যবহার করুন, তারপর pass করা company investigate করতে AI-কে বলুন। যেমন cash generation ও accounting earning-এর documented relationship-এর জন্য screen করুন, তারপর difference বুঝতে relevant filing পড়ুন। Screen চালানোর আগে metric, threshold ও missing-data rule define করুন। Result হলো further investigation-এর কারণসহ candidate list। Numeric selection থেকে qualitative follow-up আলাদা রাখুন, যাতে reviewer বুঝতে পারেন প্রতিটি company কেন এসেছে এবং কোন evidence এখনও দরকার।

Filter, semantic review ও experiment-এর মধ্যে বেছে নিন

আলাদা screening tool আলাদা problem solve করে। Field-এর definition clear হলে structured filter reproduce করা সহজ। Numeric field-এ না-থাকা business description ও disclosed risk semantic review ধরতে পারে। Learned signal-এর evaluation framework ও point-in-time dataset দরকার। Task চাইলে কেবল সেই ক্রমে combine করুন। Universe define বা unavailable financial field resolve করার বদলে LLM-generated rank ব্যবহার করবেন না।

Historical review টিকে থাকে এমন universe define করুন

Exchange coverage, security type, share class ও membership define হওয়ার date record করুন। Secondary listing, depositary receipt, suspended instrument ও delisted company কীভাবে handle করবেন ঠিক করুন। আজ surviving symbol দিয়ে তৈরি historical screen point-in-time screen-এর থেকে আলাদা question-এর উত্তর দেয়। International screen-এ currency ও fiscal calendar policy-ও দরকার। Excluded candidate reason code-সহ রাখুন, যাতে reviewer বুঝতে পারেন company rule fail করেছে, নাকি provider data না থাকায় absent।

Company তুলনা করার আগে field normalize করুন

প্রতিটি metric-কে source concept, period, currency ও unit-এর সঙ্গে map করুন। Earnings নামে থাকা প্রতিটি field interchangeable ধরে না নিয়ে like accounting measure তুলনা করুন। Value reported, adjusted না derived এবং later filing-এ restated কি না রাখুন। Ratio-র denominator policy দরকার; missing value, negative denominator ও noncomparable period explicit state তৈরি করবে। SEC XBRL documentation aggregated company fact ব্যাখ্যা করে, কিন্তু tag বা context আপনার প্রয়োজনীয় business meaning না ধরলে original filing এখনও দরকার।

Stable result state-সহ code-এ rule চালান

Example-টি ইচ্ছাকৃতভাবে ছোট screening primitive, complete investment strategy নয়। এটি supplied metric-কে supplied threshold-এর সঙ্গে তুলনা করে এবং missing বা nonfinite input reject করে। Rule owner-কে এখনও metric define ও appropriate comparator বেছে নিতে হবে। এই decision model-এর বাইরে রাখলে candidate set reproducible হয়। Result-এর পাশে rule version ও input reference store করুন, তারপর missing value fill করতে model-কে না বলে actual disclosure দিয়ে pass করা company review করুন।

from math import isfinite

def minimum_metric(value, threshold):
    if value is None or threshold is None:
        return {"state": "unavailable", "code": "MISSING_INPUT"}
    if not isfinite(value) or not isfinite(threshold):
        return {"state": "unavailable", "code": "NONFINITE_INPUT"}
    return {
        "state": "pass" if value >= threshold else "fail",
        "code": "MINIMUM_METRIC",
    }

Candidate evidence review করতে AI ব্যবহার করুন

প্রতিটি candidate-এর জন্য rule result, input definition ও source passage দিন। Accounting change, one-off event, contradictory disclosure এবং human investigation দরকার এমন question identify করতে model-কে বলুন। Qualitative prose numeric rule থেকে আলাদা রাখুন। Reviewer candidate status বদলালে decision ও evidence another layer হিসেবে record করুন। Useful output-এ original pass reason, সংক্ষিপ্ত explanation, supporting source locator ও unresolved question থাকবে। প্রতিটি candidate-কে unrestricted research task trigger না করিয়ে related question group করুন।

Exportable test packet দিয়ে software তুলনা করুন

Candidate tool-কে একই authorized universe, data cutoff ও rule definition দিন। Final rank ছাড়াও তারা input field, exclusion reason ও source link export করে কি না দেখুন। Hosted product হলে custom data, historical membership ও revision export করা যায় কি না জিজ্ঞেস করুন। Local stack হলে data mapping ও dependency maintain করার কাজ ধরুন। OpenBB data-platform reference এবং Qlib experiment reference; upper layer model call করতে পারে বলে কোনোটিকে complete tested APIsRouter screening product হিসেবে advertise করা উচিত নয়।

Review volume budget করুন এবং failed coverage record করুন

Long document model-এ পাঠানোর আগে inexpensive filter compute করুন, তারপর কত candidate detailed review পাবে cap করুন। Source revision অনুযায়ী extraction cache করুন এবং screen snapshot immutable রাখুন। Unchanged input-এ repeated run-কে new research event থেকে আলাদা বোঝা উচিত। Unavailable candidate model request, data charge ও review effort-এর সঙ্গে track করুন। একই universe ও cutoff-এ দুই screening method তুলনা করুন এবং কোন candidate কেন আলাদা তা inspect করুন। Coverage ও rule definition না দেখে final list length তুলনা করার চেয়ে এটি বেশি actionable।

Evidence ও scope

এই comparison official data ও framework source-এর ওপর ভিত্তি করে। Code illustrative filter primitive, current stock screen বা tested strategy নয়। Candidate result, return বা measured task cost দেওয়া হয়নি। নিজের screening case চালালে universe snapshot ও reviewed rule set সংরক্ষণ করুন।

সাধারণ প্রশ্ন