AI株式スクリーナー

候補選択と推奨を分ける

明示的なルールで定義したユニバースを絞り、その後で通過した会社をAIに調査させます。たとえば、キャッシュ創出と会計上の利益の関係を記録したうえでスクリーニングし、差を理解するために関連する提出書類を読みます。スクリーニング実行前に指標、閾値、欠落データのルールを定義します。結果は、さらに調査する理由を伴う候補リストです。各社が現れた理由と、なお必要な証拠をレビュアーが判断できるよう、定性的なフォローアップを数値選択から分けます。

フィルター、意味レビュー、実験を比較する

異なるスクリーニングツールは、異なる問題を解決します。構造化されたフィルターは、フィールドの定義が明確な場合に最も再現しやすくなります。意味レビューは、数値フィールドでは見落とす事業説明や開示されたリスクを特定できます。学習されたシグナルには、評価フレームワークと時点付きデータセットが必要です。タスクが求める場合にだけ、この順で組み合わせます。ユニバースを定義したり利用できない財務フィールドを解決したりする代わりに、LLMが生成した順位を使わないでください。

過去のレビューに耐えるユニバースを定義する

取引所のカバレッジ、証券種別、株式クラス、構成銘柄を定義した日付を記録します。二次上場、預託証券、取引停止銘柄、上場廃止企業の扱いを決めます。現在も残っている銘柄だけで作った過去スクリーニングは、時点ベースのスクリーニングとは別の問いに答えます。国際スクリーニングには、通貨と会計カレンダーのポリシーも必要です。除外候補を理由コード付きで残し、ルールに落ちたのか、プロバイダーにデータがなく不在なのかをレビュアーが判別できるようにします。

会社を比較する前にフィールドを正規化する

各指標を、そのソース概念、期間、通貨、単位へマッピングします。earningsという名前のすべてのフィールドを交換可能とせず、同じ会計上の指標を比較します。値が報告値、調整値、派生値のどれか、後の提出書類で修正再表示されたかを保持します。比率には分母のポリシーが必要です。欠落値、負の分母、比較できない期間は明示的な状態を生むべきです。SECのXBRLドキュメントには集約された企業ファクトが説明されていますが、タグやコンテキストが必要な事業上の意味を捉えていない場合は、元の提出書類がなお必要です。

安定した結果状態でコードにルールを実行させる

以下の例は意図的に小さなスクリーニングプリミティブであり、完全な投資戦略ではありません。与えられた指標と閾値を比較し、欠落または有限でない入力を拒否します。ルール所有者は、なお指標を定義し、適切な比較演算子を選ぶ必要があります。その判断をモデルの外に置くことで、候補集合を再現できます。ルールのバージョンと入力参照を結果のそばに保存し、モデルに欠落値を埋めさせず、実際の開示を使って通過企業をレビューします。

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",
    }

AIで候補の証拠をレビューする

各候補にルールの結果、入力定義、ソース文章を渡します。会計上の変更、一時的な事象、矛盾する開示、人間の調査が必要な質問を特定するようモデルに求めます。定性的な文章を数値ルールから分けます。レビュアーが候補の状態を変えたら、その判断と証拠を別の層として記録します。有用な出力には、元の通過理由、短い説明、裏付けるソース位置、未解決の質問が含まれます。すべての候補が無制限のリサーチタスクを起動しないよう、関連する質問をフォローアップ用にまとめます。

エクスポート可能なテストパケットでソフトウェアを比較する

候補ツールに同じ承認済みユニバース、データ締め日、ルール定義を与えます。最終順位だけでなく、入力フィールド、除外理由、ソースリンクをエクスポートできるか調べます。ホスト型製品では、カスタムデータ、過去の構成銘柄、リビジョンをエクスポートできるか確認します。ローカルスタックでは、データマッピングと依存関係の保守を考慮します。OpenBBはデータプラットフォームの参考で、Qlibは実験の参考です。上位層からモデルを呼び出せるだけで、どちらも完全にテストされたAPIsRouterスクリーニング製品として宣伝してはいけません。

レビュー量を予算化し、カバレッジの失敗を記録する

長い文書をモデルに送る前に安価なフィルターを計算し、詳細レビューを受ける候補数に上限を設けます。ソースリビジョン単位で抽出結果をキャッシュし、スクリーニングのスナップショットを不変にします。変更されていない入力での再実行と、新しいリサーチイベントを区別できるようにします。利用できない候補を、モデルリクエスト、データ料金、レビュー作業とともに追跡します。同じユニバースと締め日で2つのスクリーニング方法を比較し、どの候補がなぜ異なるかを検査します。カバレッジとルール定義を調べず最終リストの長さだけを比較するより、実務に役立ちます。

証拠と範囲

この比較は公式のデータとフレームワークソースに基づきます。コードは例示的なフィルタープリミティブであり、現在の株式スクリーニングやテスト済み戦略ではありません。候補結果、リターン、測定済みタスクコストは提示していません。自分のスクリーニングケースを実行するときは、ユニバースのスナップショットとレビュー済みルールセットを保持します。

よくある質問