AI stock screeners

Candidate selection کو recommendation سے الگ رکھیں

Explicit rules سے defined universe کم کریں، پھر pass ہونے والی companies کو AI سے investigate کریں۔ مثال کے طور پر cash generation اور accounting earnings کے documented relationship پر screen چلائیں، پھر relevant filings سے فرق سمجھیں۔ Screen سے پہلے metric، threshold اور missing-data rule define کریں۔ Result further investigation کی reasons والی candidate list ہے۔ Qualitative follow-up کو numeric selection سے الگ رکھیں تاکہ reviewer دیکھ سکے ہر company کیوں آئی اور کیا evidence باقی ہے۔

Filters، semantic review اور experiments میں انتخاب کریں

مختلف screening tools مختلف problems solve کرتے ہیں۔ Clear definitions والے fields کے لیے structured filters reproduce کرنا آسان ہے۔ Semantic review business descriptions اور disclosed risks پکڑ سکتی ہے جو numeric field miss کرے۔ Learned signals کو evaluation framework اور point-in-time dataset چاہیے۔ Task کی ضرورت ہو تو اسی order میں combine کریں۔ LLM-generated rank کو universe define کرنے یا unavailable financial fields resolve کرنے کا بدل نہ بنائیں۔

ایسا universe define کریں جو historical review survive کرے

Exchange coverage، security types، share classes اور membership define ہونے کی date record کریں۔ Secondary listings، depositary receipts، suspended instruments اور delisted companies کا treatment طے کریں۔ Today's surviving symbols سے بنایا historical screen point-in-time screen سے مختلف سوال answer کرتا ہے۔ International screening میں currencies اور fiscal calendars کی policy بھی چاہیے۔ Excluded candidates کو reason codes کے ساتھ رکھیں تاکہ reviewer جان سکے company rule کی وجہ سے fail ہوئی یا provider کے پاس data نہ ہونے سے absent ہے۔

Companies compare کرنے سے پہلے fields normalize کریں

ہر metric کو source concept، period، currency اور unit سے map کریں۔ Earnings نام والے ہر field کو interchangeable نہ سمجھیں؛ like accounting measures compare کریں۔ Value reported، adjusted یا derived ہے اور later filing نے restate کیا یا نہیں، محفوظ کریں۔ Ratios کے لیے denominator policy رکھیں؛ missing values، negative denominators اور noncomparable periods explicit states بنائیں۔ SEC XBRL documentation aggregated company facts سمجھاتی ہے، مگر business meaning کے لیے original filing پھر بھی ضروری ہے۔

Rules code میں stable result states کے ساتھ چلائیں

Example deliberately small screening primitive ہے، complete investment strategy نہیں۔ یہ supplied metric کو supplied threshold سے compare کرتی ہے اور missing یا nonfinite inputs refuse کرتی ہے۔ Rule owner کو metric define اور comparator منتخب کرنا پھر بھی ہوگا۔ یہ decision model سے باہر رکھنے سے candidate set reproducible رہتا ہے۔ Rule version اور input references result کے ساتھ store کریں، پھر passed companies کو actual disclosures سے review کریں؛ missing values model سے fill نہ کرائیں۔

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",
    }

Candidate evidence review کے لیے AI استعمال کریں

ہر candidate کو rule result، input definitions اور source passages دیں۔ Accounting changes، one-off events، contradictory disclosures اور human investigation والے questions identify کرنے کو کہیں۔ Qualitative prose numeric rule سے الگ رکھیں۔ Reviewer status بدلے تو decision اور evidence دوسری layer کے طور پر record کریں۔ Useful output میں original pass reason، مختصر explanation، supporting source locators اور unresolved questions ہوں۔ Related questions کو follow-up میں group کریں، ہر candidate کو unrestricted research task نہ بنائیں۔

Exportable test packet سے software compare کریں

Candidate tools کو وہی authorized universe، data cutoff اور rule definitions دیں۔ دیکھیں وہ input fields، exclusion reasons اور source links export کرتی ہیں یا صرف final rank۔ Hosted product کے لیے custom data، historical membership اور revisions export ہونے کی صلاحیت پوچھیں۔ Local stack میں data mappings اور dependencies maintain کرنے کی cost رکھیں۔ OpenBB data-platform reference اور Qlib experiment reference ہے؛ upper layer model call کر سکے تو بھی انہیں complete tested APIsRouter screener نہ کہیں۔

Review volume کا budget اور failed coverage record کریں

Long documents model کو بھیجنے سے پہلے inexpensive filters چلائیں، پھر detailed review لینے والی candidates کی تعداد cap کریں۔ Source revision کے مطابق extraction cache کریں اور screen snapshot immutable رکھیں۔ Unchanged inputs کی repeated run کو نئے research event سے الگ پہچانا جائے۔ Unavailable candidates کو model requests، data charges اور review effort کے ساتھ track کریں۔ Same universe اور cutoff پر دو methods compare کریں اور دیکھیں candidates کہاں مختلف اور کیوں ہیں۔ صرف final list lengths compare کرنا کم actionable ہے۔

Evidence اور scope

Comparison official data اور framework sources پر مبنی ہے۔ Code illustrative filter primitive ہے، current stock screen یا tested strategy نہیں۔ Candidate results، returns یا measured task costs فراہم نہیں کیے گئے۔ اپنی screening case میں universe snapshot اور reviewed rule set محفوظ کریں۔

عمومی سوالات