KI-Aktienscreener

Trennen Sie Kandidatenauswahl von einer Empfehlung

Verwenden Sie explizite Regeln, um ein definiertes Universum zu reduzieren, und bitten Sie dann KI, die Unternehmen zu untersuchen, die bestehen. Filtern Sie beispielsweise nach einer dokumentierten Beziehung zwischen Cashflow-Erzeugung und bilanziellen Gewinnen und lesen Sie anschließend die relevanten Einreichungen, um den Unterschied zu verstehen. Definieren Sie Kennzahl, Schwellenwert und Regel für fehlende Daten vor dem Screening. Das Ergebnis ist eine Kandidatenliste mit Gründen für weitere Untersuchung. Halten Sie qualitative Nachprüfung getrennt von numerischer Auswahl, damit ein Prüfer erkennen kann, warum jedes Unternehmen erschienen ist und welche Belege noch benötigt werden.

Wählen Sie zwischen Filtern, semantischer Prüfung und Experimenten

Unterschiedliche Screening-Tools lösen unterschiedliche Probleme. Strukturierte Filter sind am leichtesten zu reproduzieren, wenn die Felder klare Definitionen haben. Eine semantische Prüfung kann Unternehmensbeschreibungen und offengelegte Risiken erkennen, die ein numerisches Feld nicht erfasst. Erlernte Signale benötigen ein Evaluierungsframework und einen zeitpunktbezogenen Datensatz. Kombinieren Sie diese Reihenfolge nur, wenn die Aufgabe es erfordert. Verwenden Sie ein von einem LLM erzeugtes Ranking nicht als Ersatz für die Definition des Universums oder die Klärung nicht verfügbarer Finanzfelder.

Definieren Sie ein Universum, das einer historischen Prüfung standhält

Erfassen Sie Börsenabdeckung, Wertpapierarten, Aktienklassen und das Datum, an dem die Zugehörigkeit definiert wird. Entscheiden Sie, wie Sie Zweitnotierungen, Depositary Receipts, ausgesetzte Instrumente und delistete Unternehmen behandeln. Ein historischer Screen, der aus den heute überlebenden Symbolen erstellt wurde, beantwortet eine andere Frage als ein zeitpunktbezogener Screen. Internationales Screening benötigt außerdem eine Regel für Währungen und Geschäftskalender. Bewahren Sie ausgeschlossene Kandidaten mit Begründungscodes auf, damit Prüfer erkennen können, ob ein Unternehmen eine Regel verfehlt hat oder wegen fehlender Anbieterdaten nicht vorhanden war.

Normalisieren Sie Felder, bevor Sie Unternehmen vergleichen

Ordnen Sie jede Kennzahl ihrem Quellkonzept, Zeitraum, ihrer Währung und Einheit zu. Vergleichen Sie gleichartige Bilanzierungskennzahlen, statt jedes Feld mit der Bezeichnung earnings als austauschbar zu behandeln. Bewahren Sie auf, ob ein Wert ausgewiesen, angepasst oder abgeleitet ist und ob eine spätere Einreichung ihn neu darstellt. Quoten benötigen eine Nennerregel; fehlende Werte, negative Nenner und nicht vergleichbare Zeiträume sollten explizite Zustände erzeugen. Die XBRL-Dokumentation der SEC erklärt aggregierte Unternehmensfakten, aber die Originaleinreichung bleibt erforderlich, wenn Tag oder Kontext die benötigte Geschäftsbedeutung nicht erfassen.

Führen Sie Regeln mit stabilen Ergebniszuständen im Code aus

Das Beispiel ist ein bewusst kleiner Screening-Baustein und keine vollständige Investmentstrategie. Es vergleicht eine bereitgestellte Kennzahl mit einem bereitgestellten Schwellenwert und lehnt fehlende oder nicht endliche Eingaben ab. Der Regelverantwortliche muss die Kennzahl weiterhin definieren und einen passenden Vergleichsoperator wählen. Wenn diese Entscheidung außerhalb des Modells bleibt, wird der Kandidatensatz reproduzierbar. Speichern Sie Regelversion und Eingabereferenzen neben dem Ergebnis und prüfen Sie anschließend die bestandenen Unternehmen anhand tatsächlicher Offenlegungen, statt das Modell fehlende Werte auffüllen zu lassen.

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",
    }

Verwenden Sie KI zur Prüfung der Kandidatenbelege

Geben Sie für jeden Kandidaten Regelergebnis, Eingabedefinitionen und Quellenpassagen weiter. Bitten Sie das Modell, Bilanzierungsänderungen, einmalige Ereignisse, widersprüchliche Offenlegungen und Fragen für menschliche Untersuchung zu identifizieren. Halten Sie qualitative Prosa getrennt von der numerischen Regel. Wenn ein Prüfer den Kandidatenstatus ändert, erfassen Sie Entscheidung und Belege als weitere Schicht. Eine nützliche Ausgabe enthält den ursprünglichen Grund für das Bestehen, eine kurze Erklärung, stützende Quellenangaben und offene Fragen. Gruppieren Sie zusammengehörige Fragen zur Nachverfolgung, statt jeden Kandidaten eine uneingeschränkte Research-Aufgabe auslösen zu lassen.

Vergleichen Sie Software mit einem exportierbaren Testpaket

Geben Sie Kandidatentools dasselbe autorisierte Universum, denselben Datenstichtag und dieselben Regeldefinitionen. Prüfen Sie, ob sie Eingabefelder, Ausschlussgründe und Quellenlinks und nicht nur ein finales Ranking exportieren. Fragen Sie bei einem gehosteten Produkt, ob benutzerdefinierte Daten, historische Zugehörigkeit und Revisionen exportiert werden können. Berücksichtigen Sie bei einem lokalen Stack die Pflege von Datenzuordnungen und Abhängigkeiten. OpenBB ist eine Referenz für Datenplattformen und Qlib eine Referenz für Experimente; keines sollte als vollständiges getestetes APIsRouter-Screeningprodukt beworben werden, nur weil eine obere Schicht ein Modell aufrufen kann.

Budgetieren Sie Prüfvolumen und erfassen Sie fehlende Abdeckung

Berechnen Sie kostengünstige Filter, bevor Sie lange Dokumente an ein Modell senden, und begrenzen Sie anschließend die Zahl der Kandidaten für eine detaillierte Prüfung. Cachen Sie die Extraktion nach Quellenrevision und halten Sie den Screen-Snapshot unveränderlich. Ein erneuter Lauf mit unveränderten Eingaben sollte von einem neuen Research-Ereignis unterscheidbar sein. Verfolgen Sie nicht verfügbare Kandidaten zusammen mit Modellanfragen, Datengebühren und Prüfaufwand. Vergleichen Sie zwei Screeningmethoden anhand desselben Universums und Stichtags und prüfen Sie, welche Kandidaten abweichen und warum. Das ist aussagekräftiger, als endgültige Listenlängen zu vergleichen, ohne Abdeckung und Regeldefinitionen zu untersuchen.

Belege und Umfang

Der Vergleich basiert auf offiziellen Daten- und Framework-Quellen. Der Code ist ein beispielhafter Filterbaustein und kein aktueller Aktienscreen oder eine getestete Strategie. Es werden keine Kandidatenergebnisse, Renditen oder gemessenen Aufgabenkosten geliefert. Bewahren Sie bei Ihrem eigenen Screening-Fall einen Universum-Snapshot und ein geprüftes Regelwerk auf.

Häufige Fragen