株式調査における情報過多は事実である
株式の価値を評価する際の一般的な課題は、十分な情報に基づいた投資判断を下すために、複数の情報源から得られる大量の情報を扱うことである。
伝統的な方法には次のようなものがある：
- 様々なプラットフォームから財務データを収集する。
- 複数のレポート、ニュース、その他の記事を読む。
- 複雑なスプレッドシートモデルの構築と保守
- これらの情報を統合し、実用的なコンテンツにする。
これらすべてのインプットを同時に保持し、管理することは通常次のようになる：
AIは、大規模なデータセットを簡単かつ効率的に処理するための最も現実的なソリューションとして知られている。
しかし、公開されている大規模言語モデル（LLM）のほとんどは、リアルタイムの株式データの詳細な分析を高い精度で実行することはまだできない。
詳細なリサーチや株式分析には、より正確で、構造化されたデータセットとうまく連動するものが必要だ。
実際、すべてを組み合わせることができるとしたらどうだろう？ニュース、グーグル検索、財務データセット、コーディング作業をすべて1つのシステムでナビゲートするためにAIインテリジェンスを活用できるとしたら？
常にアンテナを張っている優秀な株式アナリスト。
AIインテリジェント・ボディ・ソリューション
この問題に対処するため、私は複数の専門AI知能を連携させ、それぞれが株式分析の特定の側面に対応するシステムを開発した。
インテリジェント・ボディ・チーム
- センチメント分析インテリジェンス (GPT-4o)
- ニュースや市場のセンチメントを扱う
- グーグル検索で最近の動向を収集
- センチメント・スコアとトレンド分析を提供
- 財務分析インテリジェンス（クロード3.5）
- 基本的な株式データとヒストリカルデータに異なるインテリジェンス
- 企業の財務と指標の分析
- バリュエーション計算の実施（DCF、公開類似企業、ファンダメンタル分析）
- 主要業績評価指標の評価
- 定量分析インテリジェンス（クロード3.5ソネットまたは俳句）
- テクニカル分析のためのPythonコードの実行
- 大規模なデータセットと他の知能からの出力を処理する
- ビジュアライゼーションと統計的洞察の生成
- エグゼクティブ／ポートフォリオ・マネージャー・インテリジェンス（クロード3.5ソネットまたは俳句）
- ポートフォリオ・マネージャーとして、任意のルーティングでデータを統合することを目指す。
- 他の機器知能によって収集されたすべての情報を集約し、買い、売り、またはホールドの推奨を提供する。
フィダータ：インテリジェント・ボディビルダー
フィダータ はAIインテリジェンスのためのフレームワークで、開発者は以下のことができる：
- 記憶、知識、外部とのつながりで知性を築く
- 協働できるインテリジェンスのチームを作る
- インテリジェンスのモニタリング、評価、最適化
また、直感的でユーザーフレンドリーなユーザーインターフェイスをインテリジェンスに提供し、ユーザーはサンドボックス環境でインテリジェンスをテストすることができる。
Phidataでは、いくつかの強力なツールをすぐに統合することができます：
- リアルタイムの価格データと過去の財務データのためのYahoo Finance API
- グーグル検索によるニュースとセンチメント分析
- AIによるコード実行と定量分析のためのPythonツール（使用には注意が必要）
- データ処理と視覚化のためのカスタム定量関数（オプション）
- 注：コード実行インテリジェンスには、厳重な管理と厳格な迅速なエンジニアリングが必要です。
- コード・インテリジェンスは、再帰関数やファイルの保存と読み込みなど、複数のエラーに遭遇する可能性がある。
紹介
自分で試してみたい？全コードは以下から入手できます。 グーグルコラボノートで発見された。
必要なのは
- OpenAIと アンソロピック APIキー（インテリジェンスごとに異なるモデルを使用していますが、より統一されたワークフローを選択することもできます。）
- Phidataフレームワークのインストール
- Pythonの基礎知識
必要なパッケージ
pip install phidata openai anthropic yfinance googlesearch-python pycountry -q
ライブラリとAPIキーのインスタンス化
##ライブラリ
from phi.agent.import エージェント
from phi.model.openai import OpenAIChat
from phi.model.anthropic import クロード
from phi.tools.yfinance import YFinanceTools
from phi.tools.googlesearch import GoogleSearch
## API キー
インポートリクエスト
from google.colab import userdata
OPENAI_API_KEY = userdata.get('OPENAI_API_KEY')
ANTHROPIC_API_KEY = userdata.get('ANTHROPIC_API_KEY')
インポート os
os.environ["OPENAI_API_KEY"] = OPENAI_API_KEY
os.environ["ANTHROPIC_API_KEY"] = ANTHROPIC_API_KEY
インテリジェンスの定義 - センチメント分析の例
# センチメント分析エージェント sentiment_agent = エージェント( name="センチメント分析エージェント"、 name="センチメント分析エージェント", role="ニュース記事の検索と解釈"、 model=OpenAIChat(id="gpt-4o")、 ##エージェントが使用するツールを定義します。 tools=[GoogleSearch(), YFinanceTools(company_news=True)], instructions=[[GoogleSearch(), YFinanceTools(company_news=True)], ## 指示=[ 「1（ネガティブ）から10（ポジティブ）までのセンチメント・スコアを、理由と出典とともに示してください。 「具体的で、批判的で、関連するリンクを提供してください。 ]," "Show_tool_calls 具体的に、明確に、関連するリンクを示してください。"], show_tool_calls=True、 show_tool_calls=True, markdown=True, ) )
インテリジェンスの定義 - 基本的な株式情報の例
# 財務アナリスト代理店 basic_stock_agent = エージェント( 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", 1 model=Claude(id="claude-3-5-sonnet-latest")、## claudeをgpt-4oに入れ替えた。 ##エージェントが使用するツールを定義します。 tools=[YFinanceTools(stock_price=True, company_info=True, stock_fundamentals=True, analyst_recommendations=True)]、 指示=[ "株価、アナリストの推奨銘柄、主要な要約財務データを取得する、 "企業のファンダメンタルズとトレンドに焦点を当て、重要な洞察を表にしてデータを提示する。" ], show_tool_calls=True、 show_tool_calls=True, markdown=True, ) )
ユーザーには、視覚的知能やその他の形式を含め、独自のニーズに基づいてさらに知能を追加するオプションがあります。
インテリジェント・ボディ・チームの結成
わずか数行のコードで、銘柄分析のために協力できる特定の役割を持つ強力なマルチ・インテリジェンス・システムを構築することができる。
エージェントチーム 指揮者として、インテリジェンスの適切なワークフローを選択し、各インテリジェンスがその洞察に貢献し、最終的なアウトプットが適切に構造化され、データに基づき、理解しやすいものになるようにする。
agent_team = Agent( model=Claude(id="claude-3-5-sonnet-latest"), team=[sentiment_agent, basic_stock_agent], ## 必要に応じて、ここにエージェントを追加してください。 team=[sentiment_agent, basic_stock_agent], ## 必要に応じて、ここにエージェントを追加してください。 指示=[ "チームのすべてのエージェントの専門知識を組み合わせて、まとまりのある、高度に分析された、裏付けのある回答を提供する"、"必ず、参考文献と日付を含める"、"チーム名"。 「あなたの文脈は、[ここに日付を挿入]時点のものです。 "すべての結論がデータ主導であることを保証するために、データを構造化された表でわかりやすく提示する。" "方法論と方法論を説明する。 「方法論を説明し、常に買い、売り、ホールドの推奨を決定する。 ] show_tool_calls=True、 show_tool_calls=True, markdown=True, ) )
インテリジェンス・チームとチャットを始める🤖。
これでSmartbodyチームへの問い合わせを始める準備ができた！プロンプトと出力のサンプルはこんな感じです：
ヒントの例
agent_team.print_response( 「カーム・カル・メイン・フーズの公開類似企業分析を行い、主な競合企業と市場でのポジショニングを特定する。 各競合企業を構造化された表形式で評価する。各競合企業を構造化された表形式で評価しなさい、 stream=True )
出力例：
(フォーマットされたデータ)
##公開類似企業分析：カルメーン・フーズ (CALM) ##### **会社概要** | 会社名｜銘柄｜時価総額($)｜主な事業内容｜鶏卵生産に注力 | ---------------------- | ---------- | ------------- | ---------------- | -------------- | | カルメーンフーズ｜CALM｜$4.96B｜鶏卵生産にフォーカス｜中核事業 | ポスト・ホールディングス｜POST｜$6.66B｜包装食品｜セカンダリービジネス | タイソン・フーズ｜TSN｜$20.65B｜食肉・食品｜マージナルビジネス | バイタル・ファームズ｜VITL｜$1.64B｜放し飼い卵｜注力セグメント | シーボード・コーポレーション｜SEB｜$2.34B｜多角化コングロマリット｜エッジ・ビジネス・ライン ##### ###比較財務指標 | メトリックス｜CALM｜POST｜TSN｜VITL｜SEB | 株価収益率（PER）｜11.59｜16.11｜13.80｜31.31｜該当なし | 1株当たり利益（EPS）｜$8.73｜$5.64｜$2.25｜$1.12｜-$5.30｜収益成長率（前年同期比）｜$5.30｜$2.25｜$1.12｜-$5.30 | 売上高成長率（前年同期比）｜71.1%｜ボラティリティ｜中｜高｜ボラティリティ｜売上総利益率（粗利率） | 売上総利益率（グロス・マージン）｜28.02%｜15-20%｜12-15%｜25-30%｜ボラティリティ｜中期｜高 --- ### **カルマインフーズの競争地位**について #### ## **独自の優位性** 1.鶏卵生産におけるマーケットリーダー 2.多様な製品ポートフォリオ 3.強力な地域流通ネットワーク 4.特殊卵セグメントへの注力 5.堅実な財務実績 ##### * ブランド**：Egg-Land's Best、Land O' Lakes、Farmhouse Eggs * 製品範囲** ：在来卵、有機卵、放し飼い卵、放牧卵 * 地理的範囲** ：南西部、南東部、中西部、北東部、中部大西洋地域 --- ### **マーケティング推奨事項** ##### ## ## **総合評価** **Cal-Maine Foods** は鶏卵生産に最も注力している。 * 多角化した競合他社に比べ、財務指標が良好 * 特殊卵市場セグメントにおける継続的成長の可能性 ##### **投資推奨:** **ストロング・バイ** **カルメイン・フーズ**は、鶏卵生産に最も注力し ている企業である。 * 堅実なファンダメンタルズ * 市場リーダーとしての地位 * 消費者トレンドへの適応能力 * 同業他社に比べて魅力的なバリュエーション --- **注***：上記の分析は現在の市場データに基づいており、市場の変化に応じて調整される可能性があります。投資判断の前には、必ず個人的なデューデリジェンスを行ってください。
以上です。あなたは、投資プロセスを強化するための個人的な株式アナリストを構築しているのです。
実際の結果
このシステムを様々な銘柄でテストしたところ、有望な結果が得られた：
- コスト削減データを自動的に集計することで、複数の財務データベースを契約する必要がなくなる。
- 研究効率エクイティ・リサーチに費やす時間を削減し、同時に複数の企業を扱うことができるため、人員を増やすことなくカバレッジを拡大することができる。
- 競合分析同業他社比較と業界ポジショニングの迅速な作成
- 財務分析若手アナリストのデータ収集への依存を減らし、より価値の高い分析に集中できるようにする。
- マルチモデル対応クロード、GPT、Groq、HFモデル、またはあなたのニーズに最も適したLLMプロバイダーを挿入してください。
⚠️ 制限事項
強力とはいえ、このシステムにはまだ限界がある：
- LLM研修の締切日以降のデータを分析する能力が限られている
- データ品質と可用性のための外部APIへの依存
- 他のツールやインテリジェンスを使用する場合、計算コストが高くなる
- エンジニアリングに関する正確なヒントが必要
- 複雑な意思決定には依然として人間の監視が必要
🛠️ 強化の可能性
将来的な機能強化としては、以下のようなものが考えられる：
- その他のデータソースとAPI
- より複雑な諜報機関間コミュニケーション
- 視覚化とコード実行の強化
- パターン認識のための機械学習モデル
評決を下す
このマルチ・インテリジェンス・システムは、金融分析の自動化に向けた重要な一歩であり、誰でも無料で利用できる。さまざまなAIモデルやツールの強みを組み合わせることで、より強力で包括的な分析ワークフローを構築することができる。
覚えておいてほしいのは、AIは分析能力を大幅に向上させるが、投資判断においては人間の判断の代わりではなく、それを補完するものとして使うべきだということだ。
免責事項：この投稿は教育目的のみのものであり、財務アドバイスとみなされるべきではありません。投資を決定する前に、必ずご自身で調査してください。
日本語 
简体中文 
English 
Deutsch (Sie) 
Português do Brasil