Construire rapidement l'Equity Analytics Intelligence Body Intelligence avec Phidata AI

La surcharge d'informations dans le domaine de la recherche sur les actions est réelle

L'évaluation de la valeur d'une action se heurte souvent à la difficulté de traiter une grande quantité d'informations provenant de sources multiples afin de prendre une décision d'investissement en connaissance de cause.

Les méthodes traditionnelles comprennent

• Collecter des données financières à partir de différentes plateformes.
• Lire de nombreux rapports, nouvelles et autres articles.
• Construire et maintenir des modèles complexes de feuilles de calcul.
• Synthétiser ces informations en un contenu exploitable.

Tenir et gérer tous ces intrants en même temps se présente généralement comme suit :

L'IA est connue pour être la solution la plus viable pour traiter facilement et efficacement de grands ensembles de données.

Toutefois, la plupart des grands modèles linguistiques (LLM) accessibles au public ne sont toujours pas en mesure d'effectuer des analyses détaillées et approfondies des données boursières en temps réel avec une grande précision.

• ChatGPT répondre en chantant Claude Il existe une date limite contextuelle.
• Perplexité Idéal pour les informations en temps réel, mais limité en termes de tâches d'analyse.
• Les recherches de ChatGPT restent insatisfaisantes.

Pour la recherche détaillée et l'analyse des actions, nous avons besoin de quelque chose de plus précis et qui fonctionne bien avec des ensembles de données structurés.

En fait, que se passerait-il si nous pouvions tout combiner ? Et si nous pouvions utiliser l'intelligence artificielle pour naviguer dans les actualités, les recherches sur Google, les ensembles de données financières et les tâches de codage, le tout dans un seul et même système ?

Un analyste boursier hors pair, toujours à l'écoute.

Aller à AI Intelligent Body Solutions

Pour y remédier, j'ai mis au point un système qui coordonne plusieurs intelligences artificielles spécialisées, chacune traitant d'aspects spécifiques de l'analyse boursière.

L'équipe du corps intelligent

1. Intelligence de l'analyse des sentiments (GPT-4o)
   • Traitement de l'actualité et du sentiment du marché
   • Utiliser la recherche Google pour recueillir des informations sur les développements récents
   • Fournit des scores de sentiment et une analyse des tendances
2. Analyse financière et intelligence (Claude 3.5)
   • Différentes intelligences pour les données boursières de base et les données historiques
   • Analyse des finances et des indicateurs de l'entreprise
   • Effectuer des calculs d'évaluation (DCF, sociétés publiquement comparables, analyse fondamentale)
   • Évaluation des indicateurs clés de performance
3. Intelligence quantitative et analytique (Claude 3.5 Sonnet ou Haiku)
   • Exécuter du code Python pour l'analyse technique
   • Traitement de grands ensembles de données et de résultats provenant d'autres intelligences
   • Générer des visualisations et des informations statistiques
4. Executive/Portfolio Manager Intelligence (Claude 3.5 Sonnet ou Haiku)
   • Agit comme un gestionnaire de portefeuille, visant à synthétiser les données avec un routage optionnel.
   • Agréger toutes les informations collectées par d'autres intelligences instrumentales et fournir des recommandations d'achat, de vente ou de conservation.

Phidata : Le constructeur de corps intelligent

Phidata est un cadre pour les intelligences IA qui permet aux développeurs de :

• Construire l'intelligence avec la mémoire, les connaissances et les connexions externes
• Constituer des équipes d'intelligences capables de travailler ensemble
• Suivi, évaluation et optimisation des intelligences

Ils fournissent également une interface utilisateur intuitive et conviviale pour les intelligences, et les utilisateurs peuvent tester les intelligences dans un environnement de type "bac à sable".

Phidata nous permet d'intégrer plusieurs outils puissants dès le départ :

• API Yahoo Finance pour des données de prix en temps réel et des données financières historiques
• Recherche de nouvelles et analyse des sentiments sur Google
• Outils Python pour l'exécution de code guidée par l'IA et l'analyse quantitative (à utiliser avec précaution)
• Fonctions quantitatives personnalisées pour le traitement et la visualisation des données (en option)
  • Note : Les intelligences d'exécution de code nécessitent des contrôles stricts et une ingénierie rigoureuse et rapide.
  • Les intelligences codées peuvent rencontrer des erreurs multiples, telles que les fonctions récursives ou l'enregistrement et la lecture de fichiers.

introduction (un sujet)

Vous voulez l'essayer vous-même ? Le code complet est disponible à l'adresse suivante Carnet de notes Google ColabTrouvé dans.

Vous devrez :

• OpenAI et Anthropique Clé API (nous utilisons différents modèles pour différentes intelligences, mais vous pouvez opter pour un flux de travail plus unifié)
• Installation du cadre de Phidata
• Quelques connaissances de base en Python pour la suite de l'étude

Paquets requis

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

Instanciation des bibliothèques et des clés 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

Définir une intelligence - Exemple d'analyse de sentiment

# 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,
)

Définition de l'intelligence - Exemple d'information de base sur les stocks

# 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,
)

Les utilisateurs ont la possibilité d'ajouter d'autres intelligences en fonction de leurs besoins spécifiques, y compris les intelligences visuelles et d'autres formats.

Construire son équipe de corps intelligents

Avec seulement quelques lignes de code, nous pouvons construire un puissant système de multi-intelligence avec des rôles spécifiques qui peuvent collaborer pour analyser les stocks.

agent_team Agir comme un chef d'orchestre, en sélectionnant le bon flux de travail des intelligences et en veillant à ce que chacune apporte sa contribution et que le résultat final soit bien structuré, fondé sur des données et facile à comprendre.

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,
)

Commencez à discuter avec votre équipe d'intelligences 🤖

Vous êtes maintenant prêt à interroger votre équipe Smartbody ! Voici à quoi ressemblent les exemples d'invites et de résultats :

Exemple de conseil :

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
)

Exemple de sortie :

(données formatées)

### 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。

Voilà, c'est fait. Vous êtes en train de construire votre analyste personnel d'actions pour vous aider à améliorer votre processus d'investissement.

Des résultats concrets

Les tests du système sur différents stocks ont donné des résultats prometteurs :

• Réduction des coûtsLes données financières peuvent être agrégées automatiquement, ce qui élimine la nécessité de s'abonner à de multiples bases de données financières.
• Efficacité de la rechercheLe service de recherche sur les actions : réduit le temps consacré à la recherche sur les actions et peut traiter plusieurs entreprises en même temps, ce qui permet d'étendre la couverture sans augmenter les effectifs.
• Analyse concurrentielleLes entreprises de l'industrie de l'énergie et de l'énergie nucléaire : Générer rapidement des comparaisons avec les pairs et le positionnement de l'industrie.
• Analyse financièreLa collecte des données est moins confiée à des analystes débutants, qui peuvent ainsi se concentrer sur des analyses à plus forte valeur ajoutée.
• Prise en charge de plusieurs modèlesInsérez Claude, GPT, Groq, des modèles HF ou n'importe quel fournisseur LLM qui répond le mieux à vos besoins.

⚠️ Limites

Bien que puissant, le système présente encore certaines limites :

• Capacité limitée d'analyse des données au-delà de la date limite de formation au LLM
• Dépendance à l'égard d'API externes pour la qualité et la disponibilité des données
• Coûts de calcul plus élevés lors de l'utilisation d'autres outils et intelligences
• Besoin de conseils précis en matière d'ingénierie
• Les décisions complexes nécessitent toujours une supervision humaine

🛠️ Améliorations potentielles

Les améliorations futures pourraient inclure

• Autres sources de données et API
• Une communication inter-intelligence plus complexe
• Amélioration de la visualisation et de l'exécution du code
• Modèles d'apprentissage automatique pour la reconnaissance des formes

rendre un verdict

Ce système multi-intelligence constitue une avancée importante dans l'automatisation de l'analyse financière et son utilisation est gratuite pour tous. En combinant les forces de différents modèles et outils d'IA, nous pouvons créer des flux de travail analytiques plus puissants et plus complets.

N'oubliez pas que si l'IA peut considérablement améliorer nos capacités d'analyse, elle doit être utilisée comme un complément, et non comme un substitut, au jugement humain dans la prise de décision en matière d'investissement.

Clause de non-responsabilité : Cet article est publié à des fins éducatives uniquement et ne doit pas être considéré comme un conseil financier. Faites toujours vos propres recherches avant de prendre des décisions d'investissement.