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 öffentlich verfügbaren Large Language Models (LLMs) sind jedoch noch nicht in der Lage, detaillierte Tiefenanalysen von Echtzeit-Aktiendaten 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 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 Analyse 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:

• OpenAI und Anthropisch API-Schlüssel (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

## Libraries

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

## API Keys

import requests

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

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

Definition einer Intelligenz - Beispiel einer Stimmungsanalyse

# Sentiment Analysis Agent

sentiment_agent = Agent(
name="Sentiment Analysis Agent",
role="Search and interpret news articles",
model=OpenAIChat(id="gpt-4o"),
## define the tools for the Agent's use
tools=[GoogleSearch(), YFinanceTools(company_news=True)],
instructions=[
"Find relevant news articles for each company and critically analyze the news sentiment.",
"Provide sentiment scores from 1 (negative) to 10 (positive) with reasoning and sources."
"Cite your sources. Be specific, crtical and provide relevant links."
],
show_tool_calls=True,
markdown=True,
)

Definieren einer Intelligenz - Beispiel für grundlegende Bestandsinformationen

# Financial Analyst Agent

basic_stock_agent = Agent(
name="Basic Financial Data Agent",
role="Retrieve basic company financial data and expertly interpret trends and data using a rigourously analytical approach",
model=Claude(id="claude-3-5-sonnet-latest"), ## swapped claude for gpt-4o
## define the tools for the Agent's use
tools=[YFinanceTools(stock_price=True, company_info=True, stock_fundamentals=True, analyst_recommendations=True)],
instructions=[
"Retrieve stock prices, analyst recommendations, and key summary financial data.",
"Focus on company funamentals and trends, presenting the data in tables with key insights."
],
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], ## Add more Agents here if desired.
instructions=[
"Combine the expertise of all the agents part of your team to provide a cohesive, highly analytical and well-supported response",
"Always include references and dates for all data points and sources. Your context is current as of [insert date here]"
"Present data in structured tables for clarity, ensuring all conclusions are data-driven."
"Explain the methodlogy and always determine a BUY, SELL, or HOLD recommendation."
],
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(
"Perform a public comparable companies analysis for CALM Cal Maine Foods. Identify it's main competitors and market positioning. Assess each comp in a structrued table format",
stream=True
)

Beispielhafte Ausgabe:

(formatierte Daten)

### 公共可比公司分析：Cal-Maine Foods (CALM)

#### **公司概览**

| 公司名称 | 股票代码 | 市值 (美元) | 主要业务方向 | 鸡蛋生产重点 |
| ---------------------- | ---------- | ------------- | ---------------- | -------------- |
| Cal-Maine Foods | CALM | $4.96B | 专注于鸡蛋生产 | 核心业务 |
| Post Holdings | POST | $6.66B | 包装食品 | 次要业务 |
| Tyson Foods | TSN | $20.65B | 肉类和食品产品 | 边缘业务线 |
| Vital Farms | VITL | $1.64B | 放养鸡蛋 | 专注细分市场 |
| Seaboard Corporation | SEB | $2.34B | 多元化企业集团 | 边缘业务线 |

#### **财务指标对比**

| 指标 | CALM | POST | TSN | VITL | SEB |
| ----------------------- | -------- | -------- | -------- | -------- | -------- |
| 市盈率 (P/E Ratio) | 11.59 | 16.11 | 13.80 | 31.31 | N/A |
| 每股收益 (EPS) | $8.73 | $5.64 | $2.25 | $1.12 | -$5.30 |
| 收入增长率 (同比) | 71.1% | 波动 | 中等 | 高 | 波动 |
| 毛利率 (Gross Margin) | 28.02% | 15-20% | 12-15% | 25-30% | 波动 |

---

### **Cal-Maine Foods 的竞争地位**

#### **独特优势**

1. 鸡蛋生产市场的领导地位
2. 多元化的产品组合
3. 强大的区域分销网络
4. 专注于特色鸡蛋细分市场
5. 稳健的财务表现

#### **关键差异化特点**

* **品牌** ：Egg-Land's Best, Land O' Lakes, Farmhouse Eggs
* **产品范围** ：传统、有机、散养、放牧鸡蛋
* **地理覆盖** ：西南、东南、中西部、东北和中大西洋地区

---

### **市场建议**

#### **综合评估**

* **Cal-Maine Foods** 是最专注于鸡蛋生产的公司
* 与多元化竞争对手相比，财务指标表现强劲
* 在特色鸡蛋市场细分中有持续增长的潜力

#### **投资建议：** **强烈买入**

* 稳健的基本面
* 市场领导地位
* 适应消费者趋势的能力
* 相较于同业估值具有吸引力

---

**注意** ：以上分析基于当前市场数据，可能会随市场变化而调整。在做出投资决策之前，请始终进行个人尽职调查。

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 ohne Personalaufstockung erweitert wird
• 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

zu einem Urteil gelangen

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.