Stock screener AI

Separa la selezione dei candidati dalla raccomandazione

Usa regole esplicite per ridurre un universo definito, poi chiedi all'AI di esaminare le aziende che passano. Per esempio, filtra una relazione documentata tra generazione di cassa e utili contabili, poi leggi i filing pertinenti per capire la differenza. Definisci metrica, soglia e regola per i dati mancanti prima dello screening. Il risultato è un elenco di candidati con motivi per ulteriori indagini. Mantieni separato il follow-up qualitativo dalla selezione numerica, così un revisore può capire perché è comparsa ogni azienda e quali prove servono ancora.

Scegli tra filtri, revisione semantica ed esperimenti

Strumenti di screening diversi risolvono problemi diversi. I filtri strutturati sono più facili da riprodurre quando i campi hanno definizioni chiare. La revisione semantica può individuare descrizioni aziendali e rischi dichiarati che un campo numerico non coglie. I segnali appresi richiedono un framework di valutazione e un dataset point-in-time. Combinali in quest'ordine solo quando il task lo richiede. Non usare un ranking generato da LLM come sostituto della definizione dell'universo o della risoluzione di campi finanziari non disponibili.

Definisci un universo che superi la revisione storica

Registra copertura delle borse, tipi di titoli, classi azionarie e data in cui viene definita l'appartenenza. Decidi come gestire quotazioni secondarie, ricevute depositarie, strumenti sospesi e società delistate. Uno screening storico costruito con i simboli ancora esistenti oggi risponde a una domanda diversa da uno screening point-in-time. Lo screening internazionale richiede anche una policy su valute e calendari fiscali. Conserva candidati esclusi con codici motivo, così i revisori possono distinguere un'azienda che non ha superato una regola da una che manca perché il provider non aveva dati.

Normalizza i campi prima di confrontare le aziende

Mappa ogni metrica al concetto di fonte, periodo, valuta e unità. Confronta misure contabili omogenee invece di trattare ogni campo chiamato earnings come intercambiabile. Conserva se un valore è riportato, rettificato o derivato e se un filing successivo lo ha riesposto. I rapporti necessitano di una policy sul denominatore; valori mancanti, denominatori negativi e periodi non comparabili dovrebbero produrre stati espliciti. La documentazione XBRL della SEC spiega gli aggregated company facts, ma il filing originale resta necessario quando tag o contesto non catturano il significato aziendale richiesto.

Esegui le regole nel codice con stati di risultato stabili

L'esempio è un piccolo primitivo di screening deliberatamente limitato, non una strategia d'investimento completa. Confronta una metrica fornita con una soglia fornita e rifiuta input mancanti o non finiti. Il proprietario della regola deve comunque definire la metrica e scegliere il comparatore appropriato. Tenere questa decisione fuori dal modello rende riproducibile il set di candidati. Salva versione della regola e riferimenti agli input accanto al risultato, poi rivedi le aziende che passano usando divulgazioni reali invece di chiedere al modello di riempire valori mancanti.

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",
    }

Usa l'AI per rivedere le prove dei candidati

Per ogni candidato fornisci risultato della regola, definizioni degli input e passaggi delle fonti. Chiedi al modello di identificare cambiamenti contabili, eventi una tantum, divulgazioni contraddittorie e domande che richiedono indagine umana. Mantieni la prosa qualitativa separata dalla regola numerica. Se un revisore cambia lo stato del candidato, registra decisione e prove come un ulteriore livello. Un output utile include il motivo originale del superamento, una breve spiegazione, riferimenti alle fonti e domande irrisolte. Raggruppa le domande correlate per il follow-up invece di lasciare che ogni candidato attivi un'attività di ricerca illimitata.

Confronta il software usando un pacchetto di test esportabile

Dai agli strumenti candidati lo stesso universo autorizzato, la stessa data limite e le stesse definizioni delle regole. Ispeziona se esportano campi di input, motivi di esclusione e link alle fonti, non solo un ranking finale. Per un prodotto hosted, chiedi se dati personalizzati, appartenenza storica e revisioni possono essere esportati. Per uno stack locale, considera la manutenzione delle mappature dati e delle dipendenze. OpenBB è un riferimento per piattaforme dati e Qlib per esperimenti; nessuno dei due va pubblicizzato come prodotto di screening APIsRouter completo e testato solo perché un livello superiore può chiamare un modello.

Metti a budget il volume di revisione e registra la copertura fallita

Calcola i filtri economici prima di inviare documenti lunghi a un modello, poi limita quanti candidati ricevono una revisione dettagliata. Memorizza l'estrazione per revisione della fonte e mantieni immutabile lo snapshot dello screening. Un'esecuzione ripetuta su input invariati deve essere distinguibile da un nuovo evento di ricerca. Traccia candidati non disponibili insieme a richieste del modello, costi dati e lavoro di revisione. Confronta due metodi di screening sullo stesso universo e data limite e ispeziona quali candidati differiscono e perché. È più utile che confrontare solo la lunghezza degli elenchi senza esaminare copertura e definizioni delle regole.

Prove e perimetro

Il confronto si basa su fonti ufficiali di dati e framework. Il codice è un primitivo di filtro illustrativo, non uno stock screen corrente né una strategia testata. Non sono forniti risultati dei candidati, rendimenti o costi misurati dell'attività. Conserva uno snapshot dell'universo e un set di regole revisionato quando esegui il tuo caso di screening.

Domande frequenti