Construir rápidamente la inteligencia del cuerpo de análisis de valores con Phidata AI

La sobrecarga de información en el análisis de renta variable es real

Un reto habitual a la hora de evaluar el valor de una acción es: manejar una gran cantidad de información procedente de múltiples fuentes para tomar una decisión de inversión con conocimiento de causa.

Los métodos tradicionales incluyen:

• Recopilar datos financieros de varias plataformas.
• Lea múltiples informes, noticias y otros artículos.
• Construir y mantener modelos complejos de hojas de cálculo.
• Sintetizar esta información en contenidos procesables.

Mantener y gestionar todas estas entradas al mismo tiempo suele tener este aspecto:

Se sabe que la IA es la solución más viable para manejar grandes conjuntos de datos con facilidad y eficacia.

Sin embargo, la mayoría de los Large Language Models (LLM) disponibles públicamente siguen siendo incapaces de realizar análisis detallados en profundidad de datos bursátiles en tiempo real con gran precisión.

• ChatGPT responder cantando Claude Hay una fecha límite contextual.
• Perplejidad Ideal para información en tiempo real, pero limitado en cuanto a tareas de análisis.
• Las búsquedas en ChatGPT siguen siendo insatisfactorias.

Para la investigación detallada y el análisis de valores, necesitamos algo más preciso y que funcione bien con conjuntos de datos estructurados.

De hecho, ¿y si pudiéramos combinarlo todo? ¿Y si pudiéramos utilizar inteligencias artificiales para navegar por las noticias, las búsquedas en Google, los conjuntos de datos financieros y las tareas de codificación, todo en un solo sistema?

Un magnífico y siempre activo analista de bolsa.

Ir a AI Intelligent Body Solutions

Para solucionarlo, he desarrollado un sistema que coordina múltiples inteligencias IA especializadas, cada una de las cuales se ocupa de aspectos concretos del análisis bursátil.

Equipo Cuerpo Inteligente

1. Inteligencia de análisis de sentimiento (GPT-4o)
   • Tratamiento de las noticias y del sentimiento del mercado
   • Utilice la búsqueda en Google para recopilar los últimos avances
   • Proporciona puntuaciones de sentimiento y análisis de tendencias
2. Inteligencia en Análisis Financiero (Claude 3.5)
   • Diferentes inteligencias para datos bursátiles básicos y datos históricos
   • Análisis de las finanzas y los indicadores de la empresa
   • Realizar cálculos de valoración (DCF, empresas comparables públicamente, análisis fundamental).
   • Evaluación de los indicadores clave de resultados
3. Inteligencia Analítica Cuantitativa (Claude 3.5 Soneto o Haiku)
   • Ejecutar código Python para análisis técnicos
   • Procesamiento de grandes conjuntos de datos y resultados de otras inteligencias
   • Generación de visualizaciones y datos estadísticos
4. Inteligencia ejecutiva/de gestión de carteras (Claude 3.5 Sonnet o Haiku)
   • Actúa como gestor de carteras, con el objetivo de sintetizar datos con encaminamiento opcional.
   • Agrega toda la información recopilada por otras inteligencias instrumentales y ofrece recomendaciones de compra, venta o mantenimiento.

Phidata: el carrocero inteligente

Phidata es un marco para inteligencias IA que permite a los desarrolladores:

• Construir la inteligencia con memoria, conocimiento y conexiones externas
• Crear equipos de inteligencias que puedan trabajar juntas
• Seguimiento, evaluación y optimización de las inteligencias

También proporcionan una interfaz de usuario intuitiva y fácil de usar para las inteligencias, y los usuarios pueden probar las inteligencias en un entorno sandbox.

Phidata nos permite integrar varias herramientas potentes desde el primer momento:

• API de Yahoo Finanzas para datos de precios en tiempo real y datos financieros históricos
• Búsqueda de noticias y análisis de opiniones en Google
• Herramientas de Python para la ejecución de código guiada por IA y el análisis cuantitativo (utilizar con precaución)
• Funciones cuantitativas personalizadas para el tratamiento y la visualización de datos (opcional)
  • Nota: Las inteligencias de ejecución de códigos requieren controles estrictos y una ingeniería rápida y rigurosa.
  • Las inteligencias de código pueden encontrar múltiples errores, como funciones recursivas o guardar y leer archivos

introducción (un tema)

¿Quiere probarlo usted mismo? El código completo está disponible en Cuaderno Google ColabEncontrado en.

Necesitarás:

• OpenAI y Antrópico Clave API (utilizamos diferentes modelos para diferentes inteligencias, pero puede optar por un flujo de trabajo más unificado)
• Phidata framework instalado
• Algunos conocimientos básicos de Python para estudios posteriores

Paquetes obligatorios

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

Instanciación de bibliotecas y claves API

## 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

Definir una Inteligencia - Ejemplo de Análisis de Sentimiento

# 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,
)

Definir una inteligencia - Ejemplo de información básica sobre existencias

# 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,
)

Los usuarios tienen la opción de añadir más inteligencias en función de sus necesidades específicas, incluidas las inteligencias visuales y otros formatos.

Construir su equipo del cuerpo inteligente

Con unas pocas líneas de código, podemos construir un potente sistema de inteligencia múltiple con funciones específicas que pueden colaborar para analizar las acciones.

agent_team Actuar como director de orquesta, seleccionando el flujo de trabajo adecuado de las inteligencias y asegurándose de que cada una aporta su visión y de que el resultado final está bien estructurado, se basa en datos y es fácil de entender.

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,
)

Empieza a chatear con tu equipo de inteligencias 🤖.

Ya puede empezar a consultar a su equipo Smartbody. A continuación se muestra un ejemplo de los mensajes y los resultados:

Ejemplo de consejo:

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
)

Muestra de salida:

(datos formateados)

### 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。

Eso es. Está creando su analista personal de renta variable para ayudarle a mejorar su proceso de inversión.

Resultados reales

Las pruebas del sistema con diversos valores han arrojado resultados prometedores:

• Reducción de costes: La necesidad de suscribirse a varias bases de datos financieras puede eliminarse mediante la agregación automática de datos.
• Eficacia de la investigaciónReduce el tiempo dedicado a la investigación de valores y puede ocuparse de varias empresas al mismo tiempo, ampliando así la cobertura sin aumentar la plantilla.
• Análisis de la competenciaGeneración rápida de comparaciones entre pares y posicionamiento en el sector
• Análisis financieroReduce la dependencia de los analistas junior para la recopilación de datos, lo que les permite centrarse en análisis de mayor valor.
• Compatibilidad con varios modelosInserte los modelos Claude, GPT, Groq, HF o el proveedor de LLM que mejor se adapte a sus necesidades.

⚠️ Limitaciones

Aunque potente, el sistema tiene algunas limitaciones:

• Capacidad limitada para analizar datos más allá de la fecha de cierre de la formación LLM
• Dependencia de API externas para la calidad y disponibilidad de los datos
• Mayores costes computacionales al utilizar otras herramientas e inteligencias
• Necesita consejos precisos sobre ingeniería
• Las decisiones complejas siguen requiriendo supervisión humana

🛠️ Posibles mejoras

Las futuras mejoras pueden incluir:

• Otras fuentes de datos y API
• Comunicación interinteligencia más compleja
• Visualización y ejecución de código mejoradas
• Modelos de aprendizaje automático para el reconocimiento de patrones

llegar a un veredicto

Este sistema de inteligencia múltiple es un importante paso adelante en la automatización del análisis financiero y es de uso gratuito para todos. Combinando los puntos fuertes de distintos modelos y herramientas de IA, podemos crear flujos de trabajo analíticos más potentes y completos.

Recuerde: aunque la IA puede mejorar enormemente nuestras capacidades analíticas, debe utilizarse como complemento, no como sustituto, del criterio humano en la toma de decisiones de inversión.

Descargo de responsabilidad: Este artículo tiene únicamente fines educativos y no debe considerarse asesoramiento financiero. Investigue siempre por su cuenta antes de tomar decisiones de inversión.