Schnelles Aufbauen von Aktienanalyse-Intelligenz Körperintelligenz mit Phidata AI

Die Informationsflut in der Aktienanalyse ist real

Eine häufige Herausforderung bei der Bewertung des Wertes einer Aktie besteht darin, eine große Menge an Informationen aus verschiedenen Quellen zu verarbeiten, um eine fundierte Anlageentscheidung treffen zu können.

Zu den traditionellen Methoden gehören:

• Sammeln Sie Finanzdaten von verschiedenen Plattformen.
• Lesen Sie mehrere Berichte, Nachrichten und andere Artikel.
• Erstellung und Pflege komplexer Tabellenkalkulationsmodelle.
• Fassen Sie diese Informationen zu umsetzbaren Inhalten zusammen.

Die gleichzeitige Erfassung und Verwaltung all dieser Eingaben sieht in der Regel folgendermaßen aus:

KI ist bekanntlich die praktikabelste Lösung, um große Datenmengen einfach und effizient zu verarbeiten.

Die meisten der derzeit öffentlich verfügbaren Large Language Models (LLMs) sind jedoch noch nicht in der Lage, detaillierte Tiefenanalysen von Echtzeit-Bestandsdaten mit großer Genauigkeit durchzuführen.

• ChatGPT im Gesang antworten Claude Es gibt ein kontextbezogenes Ausschlussdatum.
• Perplexität Ideal für Echtzeit-Informationen, aber nur begrenzt geeignet für Analyseaufgaben.
• Die ChatGPT-Suche bleibt unbefriedigend.

Für detaillierte Recherchen und Aktienanalysen brauchen wir etwas, das präziser ist und gut mit strukturierten Datensätzen arbeitet.

Was wäre, wenn wir alles miteinander kombinieren könnten? Was wäre, wenn wir KI-Intelligenzen nutzen könnten, um Nachrichten, Google-Suchen, Finanzdatensätze und Programmieraufgaben in einem einzigen System zu navigieren?

Ein hervorragender, stets aktiver Aktienanalyst.

Weiter zu AI Intelligent Body Solutions

Um dieses Problem zu lösen, habe ich ein System entwickelt, das mehrere spezialisierte KI-Intelligenzen koordiniert, die sich jeweils mit bestimmten Aspekten der Aktienanalyse befassen.

Intelligent Body Team

1. Intelligente Stimmungsanalyse (GPT-4o)
   • Umgang mit Nachrichten und Marktstimmungen
   • Nutzen Sie die Google-Suche, um aktuelle Entwicklungen zu erfassen
   • Bietet Stimmungsbewertungen und Trendanalysen
2. Intelligente Finanzanalyse (Claude 3.5)
   • Unterschiedliche Intelligenzen für grundlegende Bestandsdaten und historische Daten
   • Analyse der Unternehmensfinanzen und -indikatoren
   • Durchführung von Bewertungsberechnungen (DCF, öffentlich vergleichbare Unternehmen, Fundamentalanalyse)
   • Bewertung der wichtigsten Leistungsindikatoren
3. Quantitative analytische Intelligenz (Claude 3.5 Sonett oder Haiku)
   • Ausführen von Python-Code für die technische Analyse
   • Verarbeitung großer Datenmengen und Output anderer Intelligenzen
   • Erzeugen von Visualisierungen und statistischen Erkenntnissen
4. Executive/Portfolio Manager Intelligence (Claude 3.5 Sonnet oder Haiku)
   • Er fungiert als Portfoliomanager mit dem Ziel, Daten mit optionalem Routing zu synthetisieren.
   • Alle von anderen Instrumenten gesammelten Informationen zusammenfassen und Kauf-, Verkaufs- oder Halteempfehlungen geben

Phidata: Intelligenter Karosseriebauer

Phidata ist ein Framework für KI-Intelligenzen, das es Entwicklern ermöglicht,:

• Aufbau von Intelligenz mit Gedächtnis, Wissen und externen Verbindungen
• Bildung von Teams von Intelligenzen, die zusammenarbeiten können
• Überwachung, Bewertung und Optimierung der Intelligenz

Sie bieten auch eine intuitive und benutzerfreundliche Benutzeroberfläche für Intelligenzen, und die Benutzer können Intelligenzen in einer Sandbox-Umgebung testen.

Phidata ermöglicht es uns, mehrere leistungsstarke Tools direkt zu integrieren:

• Yahoo Finance API für Echtzeit-Kursdaten und historische Finanzdaten
• Google-Suche nach Nachrichten und Stimmungsanalyse
• Python-Tools für KI-gesteuerte Codeausführung und quantitative Analyse (mit Vorsicht zu genießen)
• Benutzerdefinierte quantitative Funktionen für die Datenverarbeitung und -visualisierung (optional)
  • Hinweis: Intelligente Code-Ausführung erfordert strenge Kontrollen und striktes Prompt-Engineering
  • Code-Intelligenzen können auf mehrere Fehler stoßen, z. B. bei rekursiven Funktionen oder beim Speichern und Lesen von Dateien

Einführung (ein Thema)

Möchten Sie es selbst ausprobieren? Der vollständige Code ist verfügbar unter Google Colab NotebookGefunden in.

Das müssen Sie tun:

• API-Schlüssel für OpenAI und Anthropic (wir verwenden verschiedene Modelle für verschiedene Intelligenzen, aber Sie können sich für einen einheitlicheren Arbeitsablauf entscheiden)
• Phidata-Framework installiert
• Einige grundlegende Python-Kenntnisse für das weitere Studium

Erforderliche Pakete

!pip install phidata openai anthropic yfinance googlesearch-python pycountry -q

Instanziierung von Bibliotheken und API-Schlüsseln

## Bibliotheken

from phi.agent.importieren Agent
from phi.model.openai importiere OpenAIChat
from phi.model.anthropic importieren Claude
from phi.tools.yfinance importiere YFinanceTools
from phi.tools.googlesearch import GoogleSearch

## API-Schlüssel

importiere Anfragen

from google.colab import userdata
OPENAI_API_KEY = userdata.get('OPENAI_API_KEY')
ANTHROPIC_API_KEY = userdata.get('ANTHROPIC_API_KEY')

os importieren
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
os.environ["ANTHROPIC_API_KEY"] = ANTHROPIC_API_KEY

Definition einer Intelligenz - Beispiel einer Stimmungsanalyse

# Agent für Stimmungsanalyse

sentiment_agent = Agent(
name="Sentiment Analysis Agent",
name="Sentiment Analysis Agent", role="Nachrichtenartikel suchen und interpretieren",
model=OpenAIChat(id="gpt-4o"),
## definieren Sie die Werkzeuge für die Verwendung des Agenten
tools=[GoogleSearch(), YFinanceTools(company_news=True)], instructions=[[GoogleSearch(), YFinanceTools(company_news=True)], ##
instructions=[

"Geben Sie Stimmungswerte von 1 (negativ) bis 10 (positiv) mit Begründung und Quellen an.", "Geben Sie Ihre Quellen an.
"Geben Sie Ihre Quellen an, seien Sie spezifisch und kritisch und geben Sie relevante Links an."
]," "Show_tool_calls
Be specific, crtical and provide relevant links."], show_tool_calls=True,
show_tool_calls=True, markdown=True, )
)

Definieren einer Intelligenz - Beispiel für grundlegende Bestandsinformationen

# Finanzanalyst Agent

basic_stock_agent = Agent(
name="Agent für grundlegende Finanzdaten",
role="Abrufen grundlegender Finanzdaten von Unternehmen und fachkundige Interpretation von Trends und Daten mit einem streng analytischen Ansatz", model=Claude(id="claude-3-5-sonnet-latest", 1
model=Claude(id="claude-3-5-sonnet-latest"), ## hat claude gegen gpt-4o ausgetauscht
## definiert die Tools für den Agenten
tools=[YFinanceTools(stock_price=True, company_info=True, stock_fundamentals=True, analyst_recommendations=True)],
instructions=[
"Abrufen von Aktienkursen, Analystenempfehlungen und wichtigen zusammenfassenden Finanzdaten.",
"Konzentrieren Sie sich auf die Fundamentaldaten und Trends des Unternehmens und stellen Sie die Daten in Tabellen mit den wichtigsten Erkenntnissen dar."
],
show_tool_calls=True,
show_tool_calls=True, markdown=True, )
)

Die Nutzer haben die Möglichkeit, je nach ihren individuellen Bedürfnissen weitere Intelligenzen hinzuzufügen, einschließlich visueller Intelligenzen und anderer Formate

Aufbau Ihres Intelligent Body Teams

Mit nur wenigen Zeilen Code können wir ein leistungsfähiges Multi-Intelligence-System mit spezifischen Rollen aufbauen, die bei der Analyse von Aktien zusammenarbeiten können.

agent_team Als Dirigent den richtigen Arbeitsablauf der verschiedenen Intelligenzen auswählen und dafür sorgen, dass jede ihre Erkenntnisse beisteuert und dass das Endergebnis gut strukturiert, datengestützt und leicht verständlich ist

agent_team = Agent(
model=Claude(id="claude-3-5-sonnet-latest"), team=[sentiment_agent, basic_stock_agent], ## Fügen Sie hier weitere Agenten hinzu, falls gewünscht.
team=[sentiment_agent, basic_stock_agent], ## Fügen Sie hier weitere Agenten hinzu, falls gewünscht.
instructions=[
"Kombinieren Sie das Fachwissen aller Agenten Ihres Teams, um eine zusammenhängende, hoch analytische und gut unterstützte Antwort zu liefern", "Geben Sie immer Referenzen und Daten für", "und "den Namen des Teams" an.
"Geben Sie immer Referenzen und Daten für alle Datenpunkte und Quellen an. Ihr Kontext ist aktuell ab [Datum hier einfügen]".
"Stellen Sie die Daten in strukturierten Tabellen dar, um die Übersichtlichkeit zu gewährleisten, und stellen Sie sicher, dass alle Schlussfolgerungen datengestützt sind." "Erläutern Sie die Methode und Methodik.
"Erläutern Sie die Methodik und legen Sie stets eine KAUF-, VERKAUF- oder HALTEN-Empfehlung fest."
]
show_tool_calls=True,
show_tool_calls=True, markdown=True, )
)

Chatten Sie mit Ihrem Team von Intelligenzen 🤖

Sie können nun mit der Abfrage Ihres Smartbody-Teams beginnen! Hier sehen Sie, wie die Eingabeaufforderungen und die Ausgabe aussehen:

Beispiel Tipp:

agent_team.print_response(
"Führen Sie eine Analyse vergleichbarer Unternehmen für CALM Cal Maine Foods durch. Identifizieren Sie die wichtigsten Konkurrenten und deren Marktpositionierung. Bewerten Sie jedes Unternehmen in einem Bewerten Sie jedes Unternehmen in einem strukturierten Tabellenformat",
stream=True
)

Beispielhafte Ausgabe:

(formatierte Daten)

### Öffentliche vergleichbare Unternehmensanalyse: Cal-Maine Foods (CALM)

##### **Unternehmensübersicht**

| Firmenname | Börsenkürzel | Marktkapitalisierung ($) | Hauptgeschäftsfelder | Schwerpunkt Eierproduktion |
| ---------------------- | ---------- | ------------- | ---------------- | -------------- |
| Cal-Maine Foods | CALM | $4.96B | Fokus auf Eierproduktion | Kerngeschäft |
| Post Holdings | POST | $6.66B | Verpackte Lebensmittel | Sekundäres Geschäft |
| Tyson Foods | TSN | $20.65B | Fleisch- und Lebensmittelprodukte | Randgeschäftsbereiche |
| Vital Farms | VITL | $1.64B | Freilandeier | Fokussierte Segmente |
| Seaboard Corporation | SEB | $2.34B | Diversifizierte Mischkonzerne | Randgeschäftsbereiche |

##### **Vergleichende Finanzkennzahlen**

| Kennzahlen | CALM | POST | TSN | VITL | SEB |
| ----------------------- | -------- | -------- | -------- | -------- | -------- | -------- | -------- |
| Kurs/Gewinn-Verhältnis (KGV) | 11,59 | 16,11 | 13,80 | 31,31 | N/A |
| Gewinn pro Aktie (EPS) | $8.73 | $5.64 | $2.25 | $1.12 | -$5.30 | Umsatzwachstum (YoY) | $5.30 | $2.25 | $1.12 | -$5.30
| Umsatzwachstum (Y/Y) | 71,1% | Volatilität | Mittel | Hoch | Volatilität | Bruttomarge (Bruttomarge)
| Bruttomarge (Bruttomarge) | 28.02% | 15-20% | 12-15% | 25-30% | Volatilität |

---

### **Wettbewerbsposition von Cal-Maine Foods**

##### **Einzigartige Vorteile**

1. marktführende Position in der Eierproduktion
2. diversifiziertes Produktportfolio
3. starkes regionales Vertriebsnetz
4 Fokus auf Spezialeier-Segmente
5. solide finanzielle Leistung

##### **Schlüsseldifferenzierungsmerkmale**

* **Marken** : Eier-Land's Best, Land O' Lakes, Farmhouse Eggs
* **Produktpalette** : Konventionelle, biologische, Freiland- und Weideeier
**Geografische Abdeckung**: Südwesten, Südosten, Mittlerer Westen, Nordosten und Mittelatlantik

---

### **Marketing-Empfehlungen**

##### **Umfassende Bewertung**

**Cal-Maine Foods** ist am stärksten auf die Eierproduktion ausgerichtet
* Starke Finanzkennzahlen im Vergleich zu diversifizierten Wettbewerbern
* Potenzial für weiteres Wachstum im Marktsegment der Spezialeier

##### **INVESTITIONSEMPFEHLUNG:** **Strong Buy**

* Solide Fundamentaldaten
* Marktführende Position
* Fähigkeit zur Anpassung an Verbrauchertrends
* Attraktive Bewertung im Vergleich zu anderen Unternehmen

---

**Hinweis** : Die obigen Analysen beruhen auf aktuellen Marktdaten und können bei Marktveränderungen angepasst werden. Bitte führen Sie immer eine persönliche Due-Diligence-Prüfung durch, bevor Sie eine Anlageentscheidung treffen.

Das war's. Sie erstellen Ihren persönlichen Aktienanalysten, der Sie bei der Verbesserung Ihres Investitionsprozesses unterstützt.

Ergebnisse aus der realen Welt

Die Erprobung des Systems bei verschiedenen Aktien hat vielversprechende Ergebnisse gezeigt:

• KostensenkungDie Notwendigkeit, mehrere Finanzdatenbanken zu abonnieren, kann durch die automatische Aggregation von Daten eliminiert werden.
• Effizienz der ForschungReduzierung des Zeitaufwands für die Aktienanalyse und gleichzeitige Bearbeitung mehrerer Unternehmen, wodurch die Abdeckung erweitert wird, ohne den Personalbestand zu erhöhen
• Analyse der WettbewerberSchnelles Erstellen von Vergleichen mit anderen Unternehmen und Positionierung in der Branche
• Finanzielle AnalyseReduziert die Abhängigkeit von Nachwuchsanalysten bei der Datenerfassung, so dass diese sich auf höherwertige Analysen konzentrieren können
• Unterstützung mehrerer Modelle: Fügen Sie Claude, GPT, Groq, HF-Modelle oder den LLM-Anbieter ein, der Ihren Bedürfnissen am besten entspricht.

⚠️ Beschränkungen

Obwohl das System sehr leistungsfähig ist, hat es dennoch einige Einschränkungen:

• Eingeschränkte Fähigkeit zur Analyse von Daten nach dem Stichtag für die LLM-Ausbildung
• Abhängigkeit von externen APIs für Datenqualität und -verfügbarkeit
• Höhere Rechenkosten bei Verwendung anderer Werkzeuge und Intelligenzen
• Benötige präzise Tipps zur Technik
• Komplexe Entscheidungen erfordern nach wie vor menschliche Aufsicht

🛠️ Mögliche Erweiterungen

Zukünftige Erweiterungen können sein:

• Andere Datenquellen und APIs
• Komplexere inter-intelligente Kommunikation
• Verbesserte Visualisierungs- und Codeausführungsfunktionen
• Modelle des maschinellen Lernens für die Erkennung von Mustern

ein Urteil fällen

Dieses Multi-Intelligenz-System ist ein wichtiger Schritt nach vorn bei der Automatisierung der Finanzanalyse und kann von jedermann kostenlos genutzt werden. Durch die Kombination der Stärken verschiedener KI-Modelle und -Tools können wir leistungsfähigere und umfassendere Analyse-Workflows erstellen.

Denken Sie daran: KI kann zwar unsere analytischen Fähigkeiten erheblich verbessern, sollte aber als Ergänzung und nicht als Ersatz für menschliches Urteilsvermögen bei Investitionsentscheidungen eingesetzt werden.

Haftungsausschluss: Dieser Beitrag dient nur zu Bildungszwecken und sollte nicht als Finanzberatung angesehen werden. Stellen Sie immer Ihre eigenen Nachforschungen an, bevor Sie Investitionsentscheidungen treffen.