Screeners de ações com IA

Separe seleção de candidatos de uma recomendação

Use regras explícitas para reduzir um universo definido e depois peça à IA que investigue as empresas aprovadas. Por exemplo, filtre uma relação documentada entre geração de caixa e lucro contábil e leia os documentos relevantes para entender a diferença. Defina métrica, limite e regra de dados ausentes antes de executar a triagem. O resultado é uma lista de candidatos com motivos para investigação adicional. Mantenha o acompanhamento qualitativo separado da seleção numérica para que o revisor saiba por que cada empresa apareceu e quais evidências ainda são necessárias.

Escolha entre filtros, revisão semântica e experimentos

Ferramentas de triagem diferentes resolvem problemas diferentes. Filtros estruturados são mais fáceis de reproduzir quando os campos têm definições claras. A revisão semântica pode identificar descrições de negócios e riscos divulgados que um campo numérico não captura. Sinais aprendidos exigem um framework de avaliação e um conjunto de dados de ponto no tempo. Combine-os nessa ordem somente quando a tarefa exigir. Não use uma classificação gerada por LLM como substituto para definir o universo ou resolver campos financeiros indisponíveis.

Defina um universo que sobreviva à revisão histórica

Registre cobertura de bolsas, tipos de títulos, classes de ações e a data em que a composição é definida. Decida como tratar listagens secundárias, recibos depositários, instrumentos suspensos e empresas deslistadas. Uma triagem histórica construída com símbolos que sobrevivem hoje responde a uma pergunta diferente de uma triagem de ponto no tempo. A triagem internacional também precisa de uma política para moedas e calendários fiscais. Mantenha candidatos excluídos com códigos de motivo para que os revisores saibam se uma empresa falhou em uma regra ou esteve ausente porque o provedor não tinha dados.

Normalize campos antes de comparar empresas

Mapeie cada métrica para seu conceito de fonte, período, moeda e unidade. Compare medidas contábeis equivalentes em vez de tratar todo campo chamado earnings como intercambiável. Preserve se um valor é reportado, ajustado ou derivado e se um documento posterior o reapresenta. Índices precisam de uma política de denominador; valores ausentes, denominadores negativos e períodos não comparáveis devem produzir estados explícitos. A documentação XBRL da SEC explica fatos agregados da empresa, mas o documento original continua necessário quando uma tag ou contexto não captura o significado empresarial que você precisa.

Execute as regras em código com estados de resultado estáveis

O exemplo é uma primitiva de triagem deliberadamente pequena, não uma estratégia de investimento completa. Ele compara uma métrica fornecida com um limite fornecido e recusa entradas ausentes ou não finitas. O responsável pela regra ainda precisa definir a métrica e escolher um comparador adequado. Manter essa decisão fora do modelo torna o conjunto de candidatos reproduzível. Armazene a versão da regra e as referências das entradas ao lado do resultado e depois revise as empresas aprovadas usando divulgações reais, em vez de pedir ao modelo que preencha valores ausentes.

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",
    }

Use IA para revisar as evidências dos candidatos

Para cada candidato, forneça o resultado da regra, as definições das entradas e as passagens da fonte. Peça ao modelo que identifique mudanças contábeis, eventos únicos, divulgações contraditórias e perguntas que exigem investigação humana. Mantenha a prosa qualitativa separada da regra numérica. Se um revisor mudar o status do candidato, registre a decisão e sua evidência como outra camada. Uma saída útil inclui o motivo original da aprovação, uma explicação curta, localizadores de fonte de suporte e perguntas não resolvidas. Agrupe perguntas relacionadas para acompanhamento em vez de deixar cada candidato disparar uma tarefa de pesquisa sem limites.

Compare software usando um pacote de teste exportável

Dê às ferramentas candidatas o mesmo universo autorizado, data-limite dos dados e definições de regras. Inspecione se exportam campos de entrada, motivos de exclusão e links de fonte, não apenas uma classificação final. Para um produto hospedado, pergunte se dados personalizados, composição histórica e revisões podem ser exportados. Para uma pilha local, considere a manutenção de mapeamentos de dados e dependências. OpenBB é uma referência de plataforma de dados e Qlib uma referência de experimentos; nenhum deve ser anunciado como produto de triagem da APIsRouter completo e testado apenas porque uma camada superior consegue chamar um modelo.

Faça o orçamento do volume de revisão e registre cobertura falha

Calcule filtros baratos antes de enviar documentos longos a um modelo e limite quantos candidatos receberão revisão detalhada. Faça cache da extração por revisão da fonte e mantenha imutável o snapshot da triagem. Uma execução repetida com entradas inalteradas deve ser distinguível de um novo evento de pesquisa. Acompanhe candidatos indisponíveis junto das solicitações de modelo, cobranças de dados e esforço de revisão. Compare dois métodos de triagem usando o mesmo universo e data-limite e inspecione quais candidatos diferem e por quê. Isso é mais acionável do que comparar tamanhos finais de listas sem examinar cobertura e definições de regras.

Evidências e escopo

A comparação baseia-se em fontes oficiais de dados e frameworks. O código é uma primitiva de filtro ilustrativa, não uma triagem atual de ações nem uma estratégia testada. Não são fornecidos resultados de candidatos, retornos ou custos de tarefa medidos. Preserve um snapshot do universo e um conjunto de regras revisado ao executar seu próprio caso de triagem.

Perguntas frequentes