Yapay zekâ hisse tarayıcıları

Aday seçimini öneriden ayırın

Tanımlanmış bir evreni azaltmak için açık kurallar kullanın, sonra geçen şirketlerin nedenini yapay zekâya araştırın. Örneğin, nakit üretimi ile muhasebe kazançları arasında belgelenmiş bir ilişki arayın, ardından farkı anlamak için ilgili bildirimleri okuyun. Tarama çalışmadan önce ölçütü, eşiği ve eksik veri kuralını tanımlayın. Sonuç, ileri araştırma gerekçeleri olan bir aday listesidir. Nitel takibi sayısal seçimden ayrı tutun; böylece inceleyen her şirketin neden göründüğünü ve hangi kanıtın hâlâ gerektiğini görebilsin.

Filtre, anlamsal inceleme ve deney arasında seçin

Farklı tarama araçları farklı sorunları çözer. Alanların açık tanımları varsa yapılandırılmış filtreleri yeniden üretmek en kolaydır. Anlamsal inceleme sayısal alanın kaçırdığı iş tanımlarını ve açıklanmış riskleri belirleyebilir. Öğrenilmiş sinyaller bir değerlendirme çerçevesi ve zaman noktasına ait veri kümesi gerektirir. Görev gerektirdiğinde bunları yalnızca bu sırayla birleştirin. Evreni tanımlamanın veya kullanılamayan finans alanlarını çözmenin yerine LLM tarafından üretilen sıralamayı koymayın.

Tarihsel incelemeye dayanacak bir evren tanımlayın

Borsa kapsamını, menkul kıymet türlerini, pay sınıflarını ve üyeliğin tanımlandığı tarihi kaydedin. İkincil listeleri, depo makbuzlarını, askıya alınmış enstrümanları ve borsa kotundan çıkarılmış şirketleri nasıl ele alacağınıza karar verin. Bugün hayatta kalan sembollerle oluşturulan tarihsel tarama, zaman noktasına ait taramadan farklı bir soruyu yanıtlar. Uluslararası tarama ayrıca para birimleri ve mali takvimler için politika gerektirir. Hariç tutulan adayları neden kodlarıyla koruyun; inceleyen şirketin bir kuralı ihlal ettiği için mi yoksa sağlayıcıda veri olmadığı için mi bulunmadığını görebilsin.

Şirketleri karşılaştırmadan önce alanları normalleştirin

Her ölçütü kaynak kavramına, döneme, para birimine ve birime eşleyin. Kazanç adı taşıyan her alanı eşdeğer saymak yerine aynı muhasebe ölçülerini karşılaştırın. Değerin raporlanmış, düzeltilmiş veya türetilmiş olduğunu ve sonraki bir bildirimin onu yeniden düzenleyip düzenlemediğini koruyun. Oranlar payda politikası gerektirir; eksik değerler, negatif paydalar ve karşılaştırılamaz dönemler açık durumlar üretmelidir. SEC XBRL dokümantasyonu birleştirilmiş şirket gerçeklerini açıklar, ancak etiket veya bağlam ihtiyacınız olan işletme anlamını taşımıyorsa özgün bildirim yine gereklidir.

Kuralları kararlı sonuç durumlarıyla kodda çalıştırın

Örnek bilinçli olarak küçük bir tarama ilkeliğidir, eksiksiz yatırım stratejisi değildir. Sağlanan bir ölçütü sağlanan eşikle karşılaştırır ve eksik veya sonlu olmayan girdileri reddeder. Kural sahibi yine ölçütü tanımlamalı ve uygun karşılaştırıcıyı seçmelidir. Bu kararı modelin dışında tutmak aday kümesini yeniden üretilebilir yapar. Kural sürümünü ve girdi başvurularını sonuç yanında saklayın, ardından geçen şirketleri gerçek bildirimlerle inceleyin; modelden eksik değerleri doldurmasını istemeyin.

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",
    }

Aday kanıtını incelemek için yapay zekâ kullanın

Her aday için kural sonucunu, girdi tanımlarını ve kaynak pasajlarını sağlayın. Modelden muhasebe değişikliklerini, tek seferlik olayları, çelişkili açıklamaları ve insan araştırması gerektiren soruları belirlemesini isteyin. Nitel düzyazıyı sayısal kuraldan ayrı tutun. Bir inceleyen aday durumunu değiştirirse kararı ve kanıtını başka bir katman olarak kaydedin. Yararlı çıktı özgün geçiş nedenini, kısa açıklamayı, destekleyici kaynak konumlarını ve çözülmemiş soruları içerir. Her adayın sınırsız araştırma görevi başlatması yerine ilişkili soruları takip için gruplayın.

Yazılımı dışa aktarılabilir bir test paketiyle karşılaştırın

Aday araçlara aynı yetkili evreni, veri kesitini ve kural tanımlarını verin. Yalnızca son sıralamayı değil, girdi alanlarını, dışlama nedenlerini ve kaynak bağlantılarını dışa aktarıp aktarmadıklarını inceleyin. Barındırılan bir üründe özel verinin, tarihsel üyeliğin ve revizyonların dışa aktarılıp aktarılamayacağını sorun. Yerel bir yığında veri eşlemelerini ve bağımlılıkları sürdürme maliyetini hesaplayın. OpenBB veri platformu, Qlib ise deney başvurusudur; üst katman bir modeli çağırabildiği için hiçbiri eksiksiz test edilmiş APIsRouter tarama ürünü olarak tanıtılmamalıdır.

İnceleme hacmini bütçelendirin ve başarısız kapsamı kaydedin

Uzun belgeleri modele göndermeden önce ucuz filtreleri hesaplayın, ardından ayrıntılı inceleme alacak aday sayısını sınırlayın. Kaynağın revizyonuna göre çıkarmayı önbelleğe alın ve tarama görüntüsünü değişmez tutun. Değişmemiş girdide tekrarlanan koşu yeni araştırma olayından ayırt edilebilmelidir. Kullanılamayan adayları model istekleri, veri ücretleri ve inceleme çabasıyla birlikte izleyin. İki tarama yöntemini aynı evren ve kesitle karşılaştırın; hangi adayların ve neden farklı olduğunu inceleyin. Kapsam ve kural tanımlarını incelemeden son liste uzunluklarını karşılaştırmaktan daha uygulanabilirdir.

Kanıt ve kapsam

Karşılaştırma resmî veri ve çerçeve kaynaklarına dayanır. Kod örnek bir filtre ilkesidir, güncel hisse taraması veya test edilmiş strateji değildir. Aday sonuçları, getiriler veya ölçülmüş görev maliyetleri sağlanmaz. Kendi tarama vakanızı çalıştırırken evren görüntüsünü ve incelenmiş kural kümesini koruyun.

Sık sorulan sorular