Screeners d'actions par l'IA

Séparez la sélection des candidates de la recommandation

Utilisez des règles explicites pour réduire un univers défini, puis demandez à l'IA d'examiner les entreprises qui passent. Par exemple, recherchez une relation documentée entre la génération de trésorerie et les bénéfices comptables, puis lisez les documents réglementaires pertinents pour comprendre l'écart. Définissez la métrique, le seuil et la règle de données manquantes avant d'exécuter le screening. Le résultat est une liste de candidates avec des raisons de poursuivre l'analyse. Gardez le suivi qualitatif séparé de la sélection numérique afin qu'un relecteur puisse comprendre pourquoi chaque entreprise est apparue et quelles preuves sont encore nécessaires.

Choisissez entre filtres, revue sémantique et expériences

Les différents outils de screening résolvent des problèmes différents. Les filtres structurés sont les plus faciles à reproduire lorsque les champs ont des définitions claires. La revue sémantique peut identifier des descriptions d'activité et des risques communiqués qu'un champ numérique ne voit pas. Les signaux appris nécessitent un framework d'évaluation et un jeu de données à la date considérée. Combinez-les dans cet ordre uniquement lorsque la tâche l'exige. N'utilisez pas un classement généré par un LLM pour remplacer la définition de l'univers ou la résolution des champs financiers indisponibles.

Définissez un univers qui résiste à la revue historique

Enregistrez la couverture des places boursières, les types de titres, les classes d'actions et la date à laquelle l'appartenance est définie. Décidez comment traiter les cotations secondaires, les certificats de dépôt, les instruments suspendus et les entreprises radiées. Un screening historique construit à partir des symboles survivants actuels répond à une question différente d'un screening à la date considérée. Le screening international nécessite aussi une politique pour les devises et les calendriers fiscaux. Conservez les candidates exclues avec des codes de motif afin que les relecteurs sachent si une entreprise a échoué à une règle ou était absente parce que le fournisseur manquait de données.

Normalisez les champs avant de comparer les entreprises

Reliez chaque métrique à son concept source, sa période, sa devise et son unité. Comparez des mesures comptables comparables au lieu de traiter chaque champ nommé earnings comme interchangeable. Préservez le fait qu'une valeur soit publiée, ajustée ou dérivée et qu'un document ultérieur la retraite. Les ratios nécessitent une politique de dénominateur ; les valeurs manquantes, les dénominateurs négatifs et les périodes incomparables doivent produire des états explicites. La documentation XBRL de la SEC explique les faits agrégés des entreprises, mais le document réglementaire original reste nécessaire lorsqu'un tag ou un contexte ne capture pas le sens métier recherché.

Exécutez les règles en code avec des états de résultat stables

L'exemple est une primitive de screening volontairement petite, et non une stratégie d'investissement complète. Elle compare une métrique fournie à un seuil fourni et refuse les entrées manquantes ou non finies. Le responsable de la règle doit toujours définir la métrique et choisir un comparateur adapté. Garder cette décision en dehors du modèle rend l'ensemble de candidates reproductible. Stockez la version de la règle et les références d'entrée à côté du résultat, puis relisez les entreprises retenues à partir des informations réelles au lieu de demander au modèle de remplir les valeurs manquantes.

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",
    }

Utilisez l'IA pour relire les preuves des candidates

Pour chaque candidate, fournissez le résultat de la règle, les définitions des entrées et les passages sources. Demandez au modèle d'identifier les changements comptables, les événements exceptionnels, les informations contradictoires et les questions nécessitant une investigation humaine. Gardez la prose qualitative séparée de la règle numérique. Si un relecteur modifie le statut de la candidate, enregistrez la décision et ses preuves comme une couche supplémentaire. Une sortie utile comprend la raison originale de la sélection, une courte explication, les localisateurs de sources justificatifs et les questions non résolues. Regroupez les questions liées pour le suivi au lieu de laisser chaque candidate déclencher une tâche de recherche sans limites.

Comparez les logiciels avec un paquet de test exportable

Donnez aux outils candidats le même univers autorisé, la même date de coupure des données et les mêmes définitions de règles. Vérifiez qu'ils exportent les champs d'entrée, les raisons d'exclusion et les liens sources, et pas seulement un classement final. Pour un produit hébergé, demandez si les données personnalisées, l'appartenance historique et les révisions peuvent être exportées. Pour une pile locale, comptabilisez la maintenance des mappings de données et des dépendances. OpenBB est une référence de plateforme de données et Qlib une référence d'expérimentation ; aucun ne doit être présenté comme un produit APIsRouter de screening complet et testé simplement parce qu'une couche supérieure peut appeler un modèle.

Budgez le volume de revue et enregistrez la couverture échouée

Calculez les filtres peu coûteux avant d'envoyer de longs documents à un modèle, puis plafonnez le nombre de candidates recevant une revue détaillée. Mettez l'extraction en cache selon la révision de la source et rendez l'instantané de screening immuable. Une exécution répétée sur des entrées inchangées doit être distinguable d'un nouvel événement de recherche. Suivez les candidates indisponibles avec les requêtes du modèle, les frais de données et l'effort de revue. Comparez deux méthodes de screening avec le même univers et la même date de coupure, puis examinez quelles candidates diffèrent et pourquoi. C'est plus utile que de comparer les longueurs finales des listes sans examiner la couverture et les définitions des règles.

Preuves et périmètre

La comparaison repose sur des sources officielles de données et de frameworks. Le code est une primitive de filtre illustrative, et non un screening actuel ni une stratégie testée. Aucun résultat de candidate, rendement ou coût de tâche mesuré n'est fourni. Conservez un instantané de l'univers et un jeu de règles relu lorsque vous exécutez votre propre cas de screening.

Questions fréquentes