Stock screener AI

Pisahkan pemilihan kandidat dari rekomendasi

Gunakan aturan eksplisit untuk mempersempit universe yang ditentukan, lalu minta AI menyelidiki perusahaan yang lolos. Misalnya, saring hubungan yang terdokumentasi antara perolehan kas dan laba akuntansi, kemudian baca pengajuan terkait untuk memahami perbedaannya. Definisikan metrik, ambang, dan aturan data hilang sebelum menjalankan screen. Hasilnya adalah daftar kandidat dengan alasan untuk diteliti lebih lanjut. Pisahkan tindak lanjut kualitatif dari seleksi numerik agar peninjau dapat mengetahui mengapa setiap perusahaan muncul dan bukti apa yang masih diperlukan.

Pilih antara filter, peninjauan semantik, dan eksperimen

Alat screening yang berbeda menyelesaikan masalah yang berbeda. Filter terstruktur paling mudah direproduksi saat kolom memiliki definisi yang jelas. Peninjauan semantik dapat menemukan deskripsi bisnis dan risiko yang diungkapkan tetapi tidak tertangkap kolom numerik. Sinyal terpelajar memerlukan framework evaluasi dan dataset point-in-time. Gabungkan dalam urutan tersebut hanya saat tugas membutuhkannya. Jangan gunakan peringkat hasil LLM sebagai pengganti pendefinisian universe atau penyelesaian kolom keuangan yang tidak tersedia.

Definisikan universe yang bertahan dalam tinjauan historis

Catat cakupan bursa, jenis sekuritas, kelas saham, dan tanggal saat keanggotaan ditentukan. Putuskan cara menangani secondary listing, depositary receipt, instrumen yang ditangguhkan, dan perusahaan yang delisting. Screen historis yang dibangun dari simbol yang masih bertahan hari ini menjawab pertanyaan berbeda dari screen point-in-time. Penyaringan internasional juga memerlukan kebijakan untuk mata uang dan kalender fiskal. Simpan kandidat yang dikeluarkan dengan kode alasan agar peninjau dapat membedakan perusahaan yang gagal aturan dari perusahaan yang tidak ada karena penyedia kekurangan data.

Normalisasi kolom sebelum membandingkan perusahaan

Petakan setiap metrik ke konsep sumber, periode, mata uang, dan satuannya. Bandingkan ukuran akuntansi yang sejenis, bukan menganggap setiap kolom bernama earnings dapat dipertukarkan. Pertahankan apakah nilai dilaporkan, disesuaikan, atau diturunkan, dan apakah pengajuan berikutnya melakukan restatement. Rasio membutuhkan kebijakan penyebut; nilai hilang, penyebut negatif, dan periode yang tidak sebanding harus menghasilkan status eksplisit. Dokumentasi XBRL SEC menjelaskan fakta perusahaan agregat, tetapi pengajuan asli tetap diperlukan ketika tag atau konteks tidak menangkap makna bisnis yang dibutuhkan.

Jalankan aturan dalam kode dengan status hasil yang stabil

Contoh ini adalah primitive screening yang sengaja kecil, bukan strategi investasi lengkap. Contoh membandingkan metrik yang diberikan dengan ambang yang diberikan dan menolak input yang hilang atau nonfinite. Pemilik aturan tetap harus menentukan metrik dan memilih pembanding yang tepat. Menempatkan keputusan tersebut di luar model membuat set kandidat dapat direproduksi. Simpan versi aturan dan referensi input di samping hasil, lalu tinjau perusahaan yang lolos menggunakan pengungkapan aktual, bukan meminta model mengisi nilai yang hilang.

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",
    }

Gunakan AI untuk meninjau bukti kandidat

Untuk setiap kandidat, berikan hasil aturan, definisi input, dan bagian sumber. Minta model mengidentifikasi perubahan akuntansi, kejadian satu kali, pengungkapan yang kontradiktif, dan pertanyaan yang memerlukan investigasi manusia. Pisahkan prosa kualitatif dari aturan numerik. Jika peninjau mengubah status kandidat, catat keputusan dan buktinya sebagai lapisan lain. Output yang berguna mencakup alasan lolos asli, penjelasan singkat, penunjuk sumber pendukung, dan pertanyaan yang belum terselesaikan. Kelompokkan pertanyaan terkait untuk tindak lanjut, bukan membiarkan setiap kandidat memicu tugas riset tanpa batas.

Bandingkan perangkat lunak menggunakan paket uji yang dapat diekspor

Berikan alat kandidat universe berizin, batas waktu data, dan definisi aturan yang sama. Periksa apakah alat mengekspor kolom input, alasan pengecualian, dan tautan sumber, bukan hanya peringkat akhir. Untuk produk hosted, tanyakan apakah data khusus, keanggotaan historis, dan revisi dapat diekspor. Untuk stack lokal, perhitungkan pemeliharaan pemetaan data serta dependensi. OpenBB adalah referensi platform data dan Qlib referensi eksperimen; jangan mengiklankan keduanya sebagai produk screening APIsRouter lengkap yang telah diuji hanya karena lapisan atas dapat memanggil model.

Anggarkan volume peninjauan dan catat cakupan yang gagal

Hitung filter yang murah sebelum mengirim dokumen panjang ke model, lalu batasi jumlah kandidat yang menerima peninjauan detail. Cache ekstraksi berdasarkan revisi sumber dan buat snapshot screen tetap immutable. Run berulang pada input yang tidak berubah harus dapat dibedakan dari peristiwa riset baru. Lacak kandidat yang tidak tersedia bersama permintaan model, biaya data, dan upaya peninjauan. Bandingkan dua metode screening menggunakan universe dan batas waktu yang sama, lalu periksa kandidat yang berbeda serta alasannya. Ini lebih dapat ditindaklanjuti daripada membandingkan panjang daftar akhir tanpa memeriksa cakupan dan definisi aturan.

Bukti dan cakupan

Perbandingan ini didasarkan pada sumber data dan framework resmi. Kode tersebut adalah primitive filter ilustratif, bukan stock screen terkini atau strategi yang diuji. Tidak ada hasil kandidat, imbal hasil, atau biaya tugas terukur yang disediakan. Pertahankan snapshot universe dan kumpulan aturan yang ditinjau saat menjalankan kasus screening Anda sendiri.

Pertanyaan umum