Skanery akcji z AI

Oddziel wybór kandydata od rekomendacji

Użyj jawnych reguł, aby ograniczyć zdefiniowane uniwersum, a następnie poproś AI o analizę spółek, które przeszły filtr. Na przykład wyszukaj udokumentowaną relację między generowaniem gotówki a zyskami rachunkowymi, a potem przeczytaj odpowiednie raporty, aby zrozumieć różnicę. Przed uruchomieniem selekcji zdefiniuj metrykę, próg i regułę brakujących danych. Wynikiem jest lista kandydatów z powodami dalszego badania. Jakościowy etap uzupełniający trzymaj osobno od selekcji liczbowej, aby recenzent wiedział, dlaczego pojawiła się każda spółka i jakich dowodów nadal brakuje.

Porównaj filtry, przegląd semantyczny i eksperymenty

Różne narzędzia selekcji rozwiązują różne problemy. Ustrukturyzowane filtry najłatwiej odtworzyć, gdy pola mają jasne definicje. Przegląd semantyczny może znaleźć opisy działalności i ujawnione ryzyka, których nie pokazuje pole liczbowe. Sygnały wyuczone wymagają struktury ewaluacji i zbioru danych z punktu w czasie. Łącz te podejścia w tej kolejności tylko wtedy, gdy wymaga tego zadanie. Nie używaj rankingu wygenerowanego przez LLM zamiast zdefiniowania uniwersum lub ustalenia brakujących pól finansowych.

Zdefiniuj uniwersum, które wytrzyma przegląd historyczny

Zapisz zakres giełd, typy papierów, klasy akcji i datę ustalenia członkostwa. Zdecyduj, jak obsługiwać notowania wtórne, kwity depozytowe, zawieszone instrumenty i spółki wycofane z giełdy. Historyczna selekcja zbudowana na podstawie dzisiejszych przetrwałych symboli odpowiada na inne pytanie niż selekcja z punktu w czasie. Międzynarodowa selekcja wymaga także polityki walut i kalendarzy fiskalnych. Zachowaj wykluczonych kandydatów z kodami powodów, aby recenzent wiedział, czy spółka nie przeszła reguły, czy nie pojawiła się z powodu braku danych u dostawcy.

Normalizuj pola przed porównaniem spółek

Każdą metrykę mapuj na pojęcie źródłowe, okres, walutę i jednostkę. Porównuj podobne miary rachunkowe, zamiast uznawać każde pole nazwane earnings za wymienne. Zachowaj informację, czy wartość jest raportowana, skorygowana czy pochodna oraz czy późniejszy raport ją przekształcił. Dla wskaźników ustal politykę mianownika; brakujące wartości, ujemne mianowniki i nieporównywalne okresy powinny tworzyć jawne stany. Dokumentacja XBRL SEC wyjaśnia zagregowane fakty spółki, ale pierwotny raport nadal jest potrzebny, gdy tag lub kontekst nie oddaje znaczenia biznesowego, którego potrzebujesz.

Uruchom reguły w kodzie ze stabilnymi stanami wyniku

Przykład jest celowo małym prymitywem selekcji, a nie kompletną strategią inwestycyjną. Porównuje dostarczoną metrykę z dostarczonym progiem i odrzuca brakujące dane wejściowe oraz wartości, które nie są skończonymi liczbami. Właściciel reguły nadal musi zdefiniować metrykę i wybrać właściwy operator porównania. Utrzymanie tej decyzji poza modelem czyni zbiór kandydatów powtarzalnym. Obok wyniku przechowuj wersję reguły i odwołania do danych wejściowych, a następnie przeglądaj spółki, które przeszły, korzystając z rzeczywistych ujawnień, zamiast prosić model o uzupełnianie brakujących wartości.

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",
    }

Użyj AI do przeglądu dowodów kandydata

Dla każdego kandydata przekaż wynik reguły, definicje danych wejściowych i fragmenty źródeł. Poproś model o wskazanie zmian rachunkowych, zdarzeń jednorazowych, sprzecznych ujawnień i pytań wymagających badania przez człowieka. Język jakościowy trzymaj osobno od reguły liczbowej. Jeśli recenzent zmieni status kandydata, zapisz decyzję i jej dowody jako kolejną warstwę. Użyteczny wynik zawiera pierwotny powód przejścia, krótkie wyjaśnienie, lokalizatory wspierających źródeł i nierozstrzygnięte pytania. Grupuj powiązane pytania do dalszego badania, zamiast pozwalać, aby każdy kandydat uruchamiał nieograniczone zadanie badawcze.

Porównuj oprogramowanie na eksportowalnym pakiecie testowym

Daj narzędziom kandydackim to samo dozwolone uniwersum, granicę danych i definicje reguł. Sprawdź, czy eksportują pola wejściowe, powody wykluczeń i linki źródłowe, a nie tylko końcowy ranking. W przypadku produktu hostowanego zapytaj, czy można wyeksportować własne dane, historyczne członkostwo i rewizje. W przypadku stosu lokalnego uwzględnij utrzymanie mapowań danych i zależności. OpenBB jest punktem odniesienia dla platformy danych, a Qlib dla eksperymentów; żaden z nich nie powinien być reklamowany jako kompletny, przetestowany produkt selekcji APIsRouter tylko dlatego, że warstwa wyżej potrafi wywołać model.

Budżetuj zakres przeglądu i zapisuj braki pokrycia

Najpierw oblicz niedrogie filtry, zanim wyślesz długie dokumenty do modelu, a następnie ogranicz liczbę kandydatów otrzymujących szczegółowy przegląd. Buforuj ekstrakcję według rewizji źródła i zachowaj migawkę selekcji jako niezmienną. Powtórne uruchomienie na niezmienionych danych powinno dać się odróżnić od nowego zdarzenia badawczego. Brakujących kandydatów śledź obok żądań modelu, opłat za dane i wysiłku recenzenta. Dwie metody selekcji porównuj na tym samym uniwersum i z tą samą granicą, a następnie sprawdź, którzy kandydaci się różnią i dlaczego. Jest to bardziej użyteczne niż porównywanie samych długości list bez analizy zakresu i definicji reguł.

Dowody i zakres

Porównanie opiera się na oficjalnych źródłach danych i frameworków. Kod jest przykładowym prymitywem filtra, a nie aktualnym skanerem akcji ani przetestowaną strategią. Nie podano wyników kandydatów, stóp zwrotu ani zmierzonych kosztów zadań. Przy własnej selekcji zachowaj migawkę uniwersum i przejrzany zestaw reguł.

Częste pytania