การวิเคราะห์งบการเงินด้วย AI

เริ่มจากคำถามและคู่ filing

เลือกงวดที่เปรียบเทียบกันได้และคำถาม เช่น กระแสเงินสดจากการดำเนินงานรองรับการเติบโตของกำไรที่รายงานหรือไม่ รวบรวมงบและเชิงอรรถที่เกี่ยวข้องก่อนขอสรุป ผลลัพธ์ที่มีประโยชน์คือการกระทบยอดพร้อมคำอธิบายและประเด็นที่ยังไม่คลี่คลาย ไม่ใช่คำบรรยายทั่วไปของบริษัท ระบุผู้ออกหลักทรัพย์ ฐานบัญชี สกุลเงินที่รายงาน และจุดตัดข้อมูลอย่างชัดเจน สำหรับการวิเคราะห์ย้อนหลัง ให้ใช้เฉพาะเอกสารที่มีอยู่ก่อนจุดตัดนั้น เพราะวันสิ้นงวดไม่ใช่วันที่ตลาดอ่าน filing ได้

รวบรวมเอกสารต้นฉบับและรักษาตัวตนของเอกสาร

ควรใช้ filing และแหล่งข้อมูลฝ่ายนักลงทุนสัมพันธ์ของผู้ออกหลักทรัพย์ พร้อมแหล่งข้อมูลจากหน่วยงานกำกับดูแลที่เหมาะกับตลาดนั้น สำหรับผู้ออกหลักทรัพย์ในสหรัฐฯ EDGAR มีประวัติ submissions และข้อมูลบริษัทแบบ XBRL เก็บ filing ต้นฉบับไว้คู่กับค่าที่ดึงออกมา เพราะบริบทของตารางและเชิงอรรถอาจอธิบายความแตกต่างที่ metric เดียวอธิบายไม่ได้ เก็บ URL ของเอกสาร filing identifier เวลาที่เผยแพร่ เวลาที่ดึงข้อมูล และ content hash เก็บ amendment เป็นเวอร์ชันใหม่ สำหรับผู้ออกหลักทรัพย์นอกสหรัฐฯ ให้ใช้การเปิดเผยข้อมูลในประเทศที่เกี่ยวข้อง แทนการสมมติว่า SEC ครอบคลุมบันทึกทั้งหมด

ดึงตารางโดยระบุมิติทางการเงินอย่างชัดเจน

สำหรับค่าทุกตัว ให้เก็บ concept งวด หน่วย สกุลเงิน และตำแหน่งแหล่งข้อมูล แยก snapshot ของงบดุลออกจาก metric ของกำไรขาดทุนและกระแสเงินสดที่ครอบคลุมช่วงเวลา แยกตัวเลขรวมจากข้อมูล segment และแยกค่าที่รายงานจากรายการปรับปรุงของฝ่ายบริหาร ช่องว่างในตารางไม่ใช่ศูนย์ เมื่อการดึงตารางกำกวม ให้หยุดการคำนวณนั้นและเก็บหน้าที่เกี่ยวข้องไว้รีวิว หากต้องใช้ OCR ให้เปรียบเทียบเซลล์สำคัญกับต้นฉบับด้วยสายตาก่อนนำไปคำนวณ ratio หรือสร้างคำอธิบาย

คำนวณ metric นอก language model

ใช้โค้ดแบบ deterministic หรือ spreadsheet ที่ผ่านการตรวจสอบสำหรับการคำนวณที่มีสาระ และเก็บ input ไว้ กำหนดพฤติกรรมเมื่อ denominator เป็นศูนย์ ติดลบ หรือหายไป ฟังก์ชันขนาดเล็กด้านล่างแสดงการคำนวณการเปลี่ยนแปลงเมื่อ baseline เป็นบวก และตั้งใจเว้นกรณีอื่นไว้สำหรับทางเลือกที่ต้องบันทึก ฟังก์ชันนี้ไม่มีข้อมูลบริษัทหรือผลลัพธ์ที่วัดแล้ว schema การเงินสำหรับ production ควรตรวจสอบความเข้ากันได้ของหน่วยและงวดก่อนเรียกใช้ ส่ง record การคำนวณที่ได้ให้โมเดล แทนการขอให้โมเดลสร้างเลขคณิตจาก prose ใหม่

from decimal import Decimal

def comparable_change(current, prior):
    if current is None or prior is None:
        return {"state": "unavailable", "code": "MISSING_VALUE"}
    current, prior = Decimal(str(current)), Decimal(str(prior))
    if not current.is_finite() or not prior.is_finite():
        return {"state": "unavailable", "code": "NONFINITE_VALUE"}
    if prior <= 0:
        return {"state": "review", "code": "NONPOSITIVE_BASE"}
    return {
        "state": "calculated",
        "change_fraction": str((current - prior) / prior),
    }

ให้โมเดลอธิบายตัวขับเคลื่อนและความขัดแย้ง

ส่ง metric ที่กระทบยอดแล้วพร้อม management discussion และเชิงอรรถที่เกี่ยวข้อง ขอคำอธิบายที่อ้างตำแหน่งแหล่งข้อมูล ระบุคำอธิบายทางเลือก และบอกหลักฐานที่ขาด ตัวอย่างเช่น ความแตกต่างระหว่างกำไรกับเงินสดอาจต้องตรวจ working capital รายการที่ไม่ใช่เงินสด และการเข้าซื้อกิจการ โมเดลควรระบุว่าการเปิดเผยข้อมูลใดรองรับความเป็นไปได้แต่ละข้อ แยกคำอธิบายที่บริษัทระบุออกจากการตีความของนักวิเคราะห์ ให้ผลลัพธ์เก็บ source ID และ reference ของการคำนวณ เพื่อให้ผู้รีวิวตรวจหลักฐานจุดที่แน่นอนได้โดยไม่ต้องอ่าน filing ทั้งหมดซ้ำ

รีวิวความสัมพันธ์ของงบและ claims ในรายงาน

กระทบยอดยอดรวมและความสัมพันธ์ระหว่างงบที่เกี่ยวข้องก่อนอนุมัติคำอธิบาย จากนั้นเปิด citation ที่มีสาระทุกตัวและตรวจงวด ขอบเขต และหน่วย เปรียบเทียบเชิงอรรถกับตารางที่ดึงมาเมื่อมีตัวเลขดูไม่สอดคล้อง ตรวจว่าการเปลี่ยนแปลงของการรวมงบ การนำเสนอ หรือ accounting policy กระทบการเปรียบเทียบหรือไม่ โมเดลช่วยค้นหาความขัดแย้งได้ แต่ไม่ควรแก้ด้วยการเลือกตัวเลขหนึ่งเงียบๆ ให้ทำเครื่องหมาย artifact เป็น pending เมื่อคำอธิบายขึ้นกับสมมติฐานที่ผู้รีวิวต้องอนุมัติ และเก็บเหตุผลของการแก้ด้วยมือไว้

ทำให้เวิร์กโฟลว์กลับมาทำต่อได้และใช้ทรัพยากรคุ้มค่า

เก็บ collection extraction calculation และ narrative review เป็น artifact แยกกัน cache extraction ด้วย document hash และ parser version แล้วรันเฉพาะ stage ที่ได้รับผลกระทบเมื่อ filing หรือกฎเปลี่ยน จำกัด source packet ให้เหลือข้อความที่จำเป็นต่อคำถาม แต่ยังเก็บต้นฉบับไว้ ติดตามคำขอโมเดล retry การประมวลผลเอกสาร การเข้าถึงข้อมูล และการแก้ไขของนักวิเคราะห์ไว้ที่ระดับ job ใช้ราคาปัจจุบันวางแผนและใช้ usage จริงกระทบยอด FinRobot และ FinGPT มีรูปแบบแอปพลิเคชันที่เกี่ยวข้อง แต่ต้องเลือกเวอร์ชันและ runtime path ที่แน่นอนก่อนนำไปปรับใช้

ตรวจสอบการกระทบยอด NVIDIA ที่เชื่อมโยงแหล่งข้อมูล

ตัวอย่างย้อนหลังของเราใช้ earnings release ของ NVIDIA วันที่ February 25, 2026 ค่า GAAP ที่เลือก 10 รายการครอบคลุม FY2026 และ FY2025 ในหน่วย USD millions การตรวจสอบแบบ deterministic กระทบยอด revenue ลบ cost เป็น gross profit แล้วกระทบยอด gross profit ลบ operating expenses เป็น operating income ในแต่ละปี revenue growth ที่คำนวณได้คือ 65.47%; gross-margin change คือ -3.92 percentage points โดยคำนวณจากจำนวนในตารางที่ยังไม่ปัดเศษ margin change ที่ issuer แสดงถูกปัดเศษหยาบกว่า

แพ็กเกจที่ดาวน์โหลดได้เก็บตำแหน่งในตาราง วันที่เผยแพร่ วันสิ้นงวด input hash และ reference ของการคำนวณไว้ การคำนวณนี้แสดงให้เห็นว่า revenue growth และ profitability ต้องใช้คำถามแยกกัน แต่ไม่ได้พิสูจน์สาเหตุหรือเป็นคำแนะนำการลงทุน coordinating agent เป็นผู้เลือกตัวเลข และ JavaScript เป็นผู้ตรวจสอบ นี่คือตัวอย่าง source-and-calculation ที่ทำซ้ำได้ ไม่ใช่การผสาน financial agent ที่วัดผลแล้วหรือ inference run ของ APIsRouter

หลักฐานและข้อจำกัด

ตัวอย่าง NVIDIA ตรวจสอบข้อเท็จจริงที่เลือก 10 รายการและความสัมพันธ์ทางคณิตศาสตร์ 4 รายการจาก earnings release ย้อนหลังที่ยังไม่ได้ตรวจสอบโดยผู้สอบบัญชี ไม่ครอบคลุม filing ทั้งหมด การสอบทานโดยผู้สอบบัญชีอิสระ การดึงตารางอัตโนมัติ การตัดสินใจลงทุนแบบ live หรือเวิร์กโฟลว์ model ระดับโปรเจกต์ token และต้นทุนของโมเดลยังไม่มีข้อมูล แพ็กเกจที่เชื่อมโยงแหล่งข้อมูลและการตรวจสอบพร้อมให้ตรวจดู แต่การวิเคราะห์สำหรับ production ยังต้องใช้เชิงอรรถที่เกี่ยวข้อง บริบทเฉพาะงวด และการรีวิว claims เชิงอธิบาย

คำถามที่พบบ่อย