غربالگرهای سهام با AI

انتخاب نامزد را از توصیه جدا کنید

از قواعد روشن برای کاهش یک جهان تعریف‌شده استفاده کنید، سپس از AI بخواهید شرکت‌های عبورکرده را بررسی کند. برای نمونه، رابطه مستندی بین تولید نقد و سود حسابداری را غربال کنید و بعد گزارش‌های مرتبط را بخوانید تا تفاوت را بفهمید. معیار، آستانه و قاعده داده مفقود را پیش از اجرای غربال تعریف کنید. نتیجه فهرستی از نامزدها با دلیل بررسی بیشتر است. پیگیری کیفی را از انتخاب عددی جدا نگه دارید تا بازبین بداند هر شرکت چرا ظاهر شده و هنوز به چه شواهدی نیاز است.

بین فیلتر، بازبینی معنایی و آزمایش انتخاب کنید

ابزارهای غربالگری متفاوت مسائل متفاوتی را حل می‌کنند. وقتی فیلدها تعریف روشن دارند، فیلترهای ساختاریافته آسان‌تر بازتولید می‌شوند. بازبینی معنایی می‌تواند توضیح کسب‌وکار و ریسک‌های افشاشده‌ای را پیدا کند که فیلد عددی از دست می‌دهد. سیگنال‌های یادگرفته‌شده به چارچوب ارزیابی و داده نقطه‌زمانی نیاز دارند. فقط وقتی کار لازم دارد، این‌ها را با همین ترتیب ترکیب کنید. رتبه‌بندی تولیدشده توسط LLM را جایگزین تعریف جهان یا حل فیلد مالی در دسترس‌نبودنی نکنید.

جهانی تعریف کنید که از بازبینی تاریخی جان سالم ببرد

پوشش بورس، انواع اوراق، کلاس‌های سهم و تاریخی را که عضویت در آن تعریف می‌شود ثبت کنید. درباره فهرست‌های ثانویه، رسیدهای سپرده‌گذاری، ابزارهای تعلیق‌شده و شرکت‌های حذف‌شده از فهرست تصمیم بگیرید. غربال تاریخی ساخته‌شده از نمادهای باقی‌مانده امروز به پرسشی متفاوت از غربال نقطه‌زمانی پاسخ می‌دهد. غربالگری بین‌المللی همچنین به سیاست ارز و تقویم‌های مالی نیاز دارد. نامزدهای حذف‌شده را با کد دلیل نگه دارید تا بازبین بفهمد شرکت قاعده را شکست داده یا به‌خاطر نداشتن داده ارائه‌دهنده غایب بوده است.

پیش از مقایسه شرکت‌ها فیلدها را نرمال کنید

هر معیار را به مفهوم منبع، دوره، ارز و واحدش نگاشت کنید. معیارهای حسابداری هم‌معنا را مقایسه کنید و هر فیلدی با نام earnings را قابل‌جایگزینی ندانید. گزارش‌شده، تعدیل‌شده یا مشتق‌شده‌بودن مقدار و تجدید ارائه‌شدن آن در گزارش بعدی را حفظ کنید. نسبت‌ها به سیاست مخرج نیاز دارند؛ مقدار مفقود، مخرج منفی و دوره غیرقابل‌مقایسه باید وضعیت صریح بسازند. مستندات XBRL شرکت تجمیع‌شده SEC را توضیح می‌دهد، اما وقتی tag یا context معنای کسب‌وکار لازم را ثبت نمی‌کند، اصل گزارش همچنان ضروری است.

قواعد را با وضعیت‌های پایدار نتیجه در کد اجرا کنید

نمونه یک primitive غربالگری عمداً کوچک است، نه راهبرد کامل سرمایه‌گذاری. معیار داده‌شده را با آستانه داده‌شده مقایسه می‌کند و ورودی مفقود یا غیرمتناهی را رد می‌کند. مالک قاعده همچنان باید معیار و مقایسه‌گر مناسب را تعریف کند. بیرون نگه‌داشتن این تصمیم از مدل، مجموعه نامزد را بازتولیدپذیر می‌کند. نسخه قاعده و ارجاع‌های ورودی را کنار نتیجه ذخیره کنید، سپس شرکت‌های عبورکرده را با افشاهای واقعی بازبینی کنید و از مدل نخواهید مقدار مفقود را پر کند.

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",
    }

از AI برای بازبینی شواهد نامزد استفاده کنید

برای هر نامزد، نتیجه قاعده، تعریف ورودی و قطعات منبع را ارائه کنید. از مدل بخواهید تغییرات حسابداری، رویدادهای یک‌باره، افشاهای متناقض و پرسش‌های نیازمند بررسی انسانی را شناسایی کند. نثر کیفی را از قاعده عددی جدا نگه دارید. اگر بازبین وضعیت نامزد را تغییر داد، تصمیم و شواهد آن را به‌عنوان لایه‌ای دیگر ثبت کنید. خروجی مفید شامل دلیل عبور اولیه، توضیحی کوتاه، مکان‌یاب‌های منبع پشتیبان و پرسش‌های حل‌نشده است. پرسش‌های مرتبط را برای پیگیری گروه کنید و اجازه ندهید هر نامزد یک کار پژوهشی نامحدود ایجاد کند.

نرم‌افزار را با بسته آزمون قابل‌خروجی‌گیری مقایسه کنید

به ابزارهای نامزد همان جهان مجاز، زمان قطع داده و تعریف قواعد را بدهید. بررسی کنید آیا فیلدهای ورودی، دلیل حذف و پیوندهای منبع را خروجی می‌دهند یا فقط رتبه نهایی را. برای محصول میزبانی‌شده بپرسید داده سفارشی، عضویت تاریخی و نسخه‌ها قابل‌خروجی‌گیری هستند یا نه. برای stack محلی، نگهداری نگاشت‌های داده و وابستگی‌ها را حساب کنید. OpenBB مرجع پلتفرم داده و Qlib مرجع آزمایش است؛ صرف اینکه لایه بالاتر بتواند مدل را فراخوانی کند، نباید هیچ‌کدام را محصول غربالگری کامل و آزموده‌شده APIsRouter معرفی کند.

حجم بازبینی و پوشش ناموفق را ثبت کنید

پیش از فرستادن اسناد طولانی به مدل، فیلترهای ارزان را محاسبه کنید و تعداد نامزدهای دریافت‌کننده بازبینی جزئی را سقف بگذارید. استخراج را بر اساس نسخه منبع cache کنید و snapshot غربال را تغییرناپذیر نگه دارید. اجرای تکراری روی ورودی بدون تغییر باید از رویداد پژوهشی جدید قابل‌تفکیک باشد. نامزدهای در دسترس‌نبودنی را کنار درخواست‌های مدل، هزینه داده و تلاش بازبینی پیگیری کنید. دو روش غربال را با همان جهان و زمان قطع مقایسه کنید و بررسی کنید کدام نامزدها متفاوت‌اند و چرا. این کار از مقایسه طول فهرست نهایی بدون بررسی پوشش و تعریف قواعد عملی‌تر است.

شواهد و دامنه

این مقایسه بر منابع رسمی داده و چارچوب تکیه دارد. کد یک primitive نمونه فیلتر است، نه غربال جاری سهام یا راهبرد آزموده‌شده. نتیجه نامزد، بازده یا هزینه اندازه‌گیری‌شده کار ارائه نمی‌شود. هنگام اجرای مورد خود، snapshot جهان و مجموعه قواعد بازبینی‌شده را حفظ کنید.

پرسش‌های پرتکرار