AI-stockscreeners

Scheid kandidaatselectie van een aanbeveling

Gebruik expliciete regels om een gedefinieerd universum te verkleinen en vraag AI daarna de bedrijven te onderzoeken die slagen. Screen bijvoorbeeld op een gedocumenteerde relatie tussen kasstroomgeneratie en boekhoudkundige winst en lees daarna de relevante filings om het verschil te begrijpen. Definieer metric, drempel en ontbrekende-dataverwerking vóór je de screen draait. Het resultaat is een kandidatenlijst met redenen voor verder onderzoek. Houd kwalitatieve follow-up gescheiden van numerieke selectie, zodat een reviewer kan zien waarom elk bedrijf verscheen en welk bewijs nog nodig is.

Kies bewust tussen filters, semantische review en experimenten

Verschillende screeningtools lossen verschillende problemen op. Gestructureerde filters zijn het eenvoudigst te reproduceren wanneer velden duidelijke definities hebben. Semantische review kan bedrijfsbeschrijvingen en disclosed risico's vinden die een numeriek veld mist. Geleerde signalen vereisen een evaluatiekader en point-in-time-dataset. Combineer ze alleen in die volgorde wanneer de taak dat vereist. Gebruik een door een LLM gegenereerde rang niet als vervanging voor het definiëren van het universum of het oplossen van niet-beschikbare financiële velden.

Definieer een universum dat historische review doorstaat

Registreer beursdekking, securitytypes, aandelenklassen en de datum waarop lidmaatschap wordt bepaald. Beslis hoe je secundaire noteringen, depositary receipts, geschorste instrumenten en delisted bedrijven verwerkt. Een historische screen op basis van de huidige overlevende symbolen beantwoordt een andere vraag dan een point-in-time-screen. Internationale screening vereist ook beleid voor valuta en fiscale kalenders. Bewaar uitgesloten kandidaten met reason codes zodat reviewers zien of een bedrijf een regel niet haalde of ontbrak omdat de provider data miste.

Normaliseer velden vóór je bedrijven vergelijkt

Koppel elke metric aan bronconcept, periode, valuta en eenheid. Vergelijk gelijksoortige accountingmaatstaven in plaats van elk veld met de naam earnings als uitwisselbaar te behandelen. Behoud of een waarde gerapporteerd, aangepast of afgeleid is en of een latere filing haar heeft herzien. Ratio's hebben een noemerbeleid nodig; ontbrekende waarden, negatieve noemers en niet-vergelijkbare perioden moeten expliciete statussen opleveren. De XBRL-documentatie van de SEC beschrijft geaggregeerde company facts, maar de oorspronkelijke filing blijft nodig wanneer tag of context de gewenste bedrijfsbetekenis niet vangt.

Draai regels in code met stabiele resultaatstatussen

Het voorbeeld is een bewust klein screeningprimitief en geen complete beleggingsstrategie. Het vergelijkt een aangeleverde metric met een aangeleverde drempel en weigert ontbrekende of niet-finite input. De eigenaar van de regel moet metric en passende comparator nog definiëren. Door die beslissing buiten het model te houden, blijft de kandidatenset reproduceerbaar. Bewaar regelversie en inputreferenties bij het resultaat en review daarna passerende bedrijven met echte disclosures in plaats van het model ontbrekende waarden te laten invullen.

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",
    }

Gebruik AI om kandidaatbewijs te reviewen

Geef per kandidaat het regelresultaat, inputdefinities en bronpassages. Vraag het model accountingwijzigingen, eenmalige gebeurtenissen, tegenstrijdige disclosures en vragen voor menselijk onderzoek te identificeren. Houd kwalitatief proza gescheiden van de numerieke regel. Als een reviewer de kandidaatstatus wijzigt, registreer beslissing en bewijs als een volgende laag. Een nuttige output bevat oorspronkelijke passreden, korte uitleg, ondersteunende bronlocators en onopgeloste vragen. Groepeer verwante vragen voor follow-up in plaats van elke kandidaat een onbeperkte onderzoeksopdracht te laten starten.

Vergelijk software met een exporteerbaar testpakket

Geef kandidaattools hetzelfde geautoriseerde universum, dezelfde datacutoff en regeldefinities. Inspecteer of ze inputvelden, uitsluitingsredenen en bronlinks exporteren en niet alleen een eindrang. Vraag bij een gehost product of aangepaste data, historische samenstelling en revisies kunnen worden geëxporteerd. Houd bij een lokale stack rekening met onderhoud van datamappings en dependencies. OpenBB is een referentie voor een dataplatform en Qlib voor een experiment; geen van beide mag als compleet getest APIsRouter-screeningproduct worden aangeprezen alleen omdat een bovenlaag een model kan aanroepen.

Budgetteer reviewvolume en registreer ontbrekende dekking

Bereken goedkope filters voordat je lange documenten naar een model stuurt en begrens daarna het aantal kandidaten voor detailreview. Cache extractie per bronrevisie en houd de screensnapshot onveranderlijk. Een herhaalde run op ongewijzigde input moet te onderscheiden zijn van een nieuw onderzoeksevent. Volg niet-beschikbare kandidaten naast modelrequests, datakosten en reviewinspanning. Vergelijk twee screeningmethoden met hetzelfde universum en dezelfde cutoff en inspecteer welke kandidaten verschillen en waarom. Dat is bruikbaarder dan alleen eindlijstlengtes vergelijken zonder dekking en regeldefinities te bekijken.

Bewijs en scope

De vergelijking is gebaseerd op officiële data- en frameworkbronnen. De code is een illustratief filterprimitief en geen actuele stockscreen of geteste strategie. Er worden geen kandidaatresultaten, rendementen of gemeten taakkosten geleverd. Bewaar een universumsnapshot en gereviewde regels wanneer je zelf een screeningcase uitvoert.

Veelgestelde vragen