Penyaring saham AI

Asingkan pemilihan calon daripada cadangan

Gunakan peraturan eksplisit untuk mengecilkan alam yang ditakrif, kemudian minta AI menyiasat syarikat yang melepasi penapis. Contohnya, saring hubungan yang didokumenkan antara penjanaan tunai dan pendapatan perakaunan, kemudian baca pemfailan berkaitan untuk memahami perbezaan. Takrifkan metrik, ambang dan peraturan data hilang sebelum menjalankan saringan. Hasilnya ialah senarai calon dengan sebab untuk siasatan lanjut. Asingkan susulan kualitatif daripada pemilihan angka supaya penyemak boleh mengetahui sebab setiap syarikat muncul dan bukti yang masih diperlukan.

Pilih antara penapis, semakan semantik dan eksperimen

Alat penyaringan berbeza menyelesaikan masalah berbeza. Penapis berstruktur paling mudah dihasilkan semula apabila medan mempunyai takrif jelas. Semakan semantik boleh mengenal pasti penerangan perniagaan dan risiko didedahkan yang terlepas daripada medan angka. Isyarat dipelajari memerlukan rangka kerja penilaian dan dataset pada masa berkenaan. Gabungkan mengikut urutan itu hanya apabila tugas memerlukannya. Jangan gunakan ranking terjana LLM sebagai pengganti takrifan alam atau penyelesaian medan kewangan yang tiada.

Takrifkan alam yang tahan terhadap semakan sejarah

Rekodkan liputan bursa, jenis sekuriti, kelas saham dan tarikh keahlian ditakrifkan. Tentukan cara mengendalikan penyenaraian sekunder, resit depositari, instrumen digantung dan syarikat dinyahsenarai. Saringan sejarah yang dibina daripada simbol yang masih wujud hari ini menjawab soalan berbeza daripada saringan pada masa berkenaan. Saringan antarabangsa juga memerlukan dasar untuk mata wang dan kalendar fiskal. Simpan calon dikecualikan dengan kod sebab supaya penyemak boleh membezakan syarikat yang gagal peraturan daripada syarikat yang tiada kerana penyedia kekurangan data.

Normalisasikan medan sebelum membandingkan syarikat

Petakan setiap metrik kepada konsep sumber, tempoh, mata wang dan unitnya. Bandingkan ukuran perakaunan yang setara dan jangan menganggap setiap medan bernama earnings boleh ditukar ganti. Kekalkan sama ada nilai dilaporkan, dilaras atau diterbitkan serta sama ada pemfailan kemudian menyata semula nilai itu. Nisbah memerlukan dasar penyebut; nilai hilang, penyebut negatif dan tempoh tidak sebanding perlu menghasilkan keadaan eksplisit. Dokumentasi XBRL SEC menerangkan fakta syarikat agregat, tetapi pemfailan asal masih diperlukan apabila tag atau konteks tidak menangkap maksud perniagaan yang diperlukan.

Jalankan peraturan dalam kod dengan keadaan hasil stabil

Contoh ini ialah primitif penyaringan yang sengaja kecil, bukan strategi pelaburan lengkap. Ia membandingkan metrik yang dibekalkan dengan ambang yang dibekalkan dan menolak input hilang atau bukan terhingga. Pemilik peraturan masih perlu mentakrifkan metrik dan memilih pembanding yang sesuai. Menyimpan keputusan itu di luar model menjadikan set calon boleh dihasilkan semula. Simpan versi peraturan dan rujukan input di sebelah hasil, kemudian semak syarikat yang lulus menggunakan pendedahan sebenar dan bukannya meminta model mengisi nilai 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 menyemak bukti calon

Bagi setiap calon, berikan hasil peraturan, takrif input dan petikan sumber. Minta model mengenal pasti perubahan perakaunan, peristiwa sekali sahaja, pendedahan bercanggah dan soalan yang memerlukan siasatan manusia. Asingkan prosa kualitatif daripada peraturan angka. Jika penyemak mengubah status calon, rekodkan keputusan dan buktinya sebagai lapisan lain. Output berguna merangkumi sebab lulus asal, penjelasan ringkas, penunjuk lokasi sumber sokongan dan soalan belum selesai. Kumpulkan soalan berkaitan untuk susulan dan jangan biarkan setiap calon mencetuskan tugas penyelidikan tanpa had.

Bandingkan perisian menggunakan pakej ujian boleh eksport

Berikan alat calon alam yang sama dan dibenarkan, tarikh had data serta takrifan peraturan. Periksa sama ada ia mengeksport medan input, sebab pengecualian dan pautan sumber, bukan ranking akhir sahaja. Untuk produk dihoskan, tanya sama ada data tersuai, keahlian sejarah dan semakan boleh dieksport. Untuk timbunan tempatan, kira penyelenggaraan pemetaan data dan kebergantungan. OpenBB ialah rujukan platform data dan Qlib rujukan eksperimen; jangan mengiklankan mana-mana sebagai produk penyaringan APIsRouter lengkap yang telah diuji hanya kerana lapisan atas boleh memanggil model.

Belanjakan jumlah semakan dan rekod liputan gagal

Kira penapis murah sebelum menghantar dokumen panjang kepada model, kemudian hadkan bilangan calon yang menerima semakan terperinci. Cachekan ekstraksi mengikut semakan sumber dan jadikan snapshot saringan tidak berubah. Larian berulang pada input tidak berubah perlu dapat dibezakan daripada acara penyelidikan baharu. Jejaki calon yang tidak tersedia bersama permintaan model, caj data dan usaha semakan. Bandingkan dua kaedah saringan menggunakan alam dan tarikh had yang sama, kemudian periksa calon yang berbeza dan sebabnya. Ini lebih boleh diambil tindakan daripada membandingkan panjang senarai akhir tanpa memeriksa liputan dan takrifan peraturan.

Bukti dan skop

Perbandingan ini berdasarkan sumber data dan rangka kerja rasmi. Kodnya ialah primitif penapis ilustratif, bukan saringan saham semasa atau strategi yang diuji. Tiada hasil calon, pulangan atau kos tugas diukur dibekalkan. Simpan snapshot alam dan set peraturan disemak apabila menjalankan kes saringan sendiri.

Soalan lazim