Investment Research Assistant
Ein Proof of Concept, der Finanzberichte, Pressemitteilungen und Live-Marktnachrichten zu einem strukturierten Research Brief verdichtet – mit Quellenbezug zu jeder Aussage und einem Menschen als letzter Instanz.
- Status
- Deployment in Vorbereitung
- Rolle
- Konzeption & Umsetzung
Ausgangspunkt
Die Vorqualifizierung möglicher Investments oder Akquisitionsziele ist zu großen Teilen Lesearbeit: Geschäftsberichte, Pressemitteilungen und Nachrichtenlage sichten, die relevanten Stellen herausziehen, daraus eine Einschätzung formen. Der Ausgangszustand, den ich für diesen PoC nachgebaut habe, war eine manuell gepflegte Excel-Analyse – zuverlässig, aber schlecht skalierbar und ohne nachvollziehbare Verbindung zwischen Aussage und Quelle.
Die Frage des Projekts war deshalb nicht „kann ein Sprachmodell einen Research Brief schreiben“ – das kann es – sondern: wie baut man das so, dass ein Analyst dem Ergebnis trauen kann?
Architektur
Dokumente werden aus einem Eingabeverzeichnis geladen, normalisiert und in überschaubare Chunks zerlegt. Optional kommt eine Live-News-Ingestion über einen Finanznachrichten-Anbieter (Marketaux) dazu, sodass der Brief nicht nur auf statischen Berichten sitzt, sondern die aktuelle Nachrichtenlage zum Symbol mit einbezieht.
Retrieval, das man prüfen kann
Bewusst steht am Anfang kein Vektorindex, sondern ein transparenter Keyword-Retriever, der jedem Chunk einen nachvollziehbaren Score gegen die Query gibt. Für einen PoC im regulierten Umfeld ist das die wertvollere Eigenschaft: Man kann im Nachhinein exakt zeigen, warum eine Textstelle im Kontext des Modells gelandet ist. Ein Embedding-Retriever wäre bei der Trefferqualität besser, bei der Erklärbarkeit schlechter – für die nächste Ausbaustufe vorgesehen, aber nicht als Einstieg.
Strukturierte Ausgabe statt Freitext
Die ausgewählten Evidenzen gehen an die OpenAI Responses API, die das Ergebnis
gegen ein striktes JSON-Schema zurückliefert: Executive Summary, Sentiment, Chancen, Risiken,
Empfehlung – und die Liste der Evidenzen, auf denen das beruht. Das Schema ist der eigentliche
Sicherheitsmechanismus: Das Modell kann keine Felder erfinden, und weil jede Evidenz ihre
chunk_id, Quelle und ihren Zeitstempel behält, lässt sich jede Aussage im Brief zum
Originaldokument zurückverfolgen.
Ausgegeben werden zwei Artefakte: research_brief.md zum Lesen und
research_brief.json zur Weiterverarbeitung.
Kontrollierter Fallback
Fehlt der API-Key oder fällt die API aus, bricht das System nicht ab, sondern schaltet auf eine
lokale, regelbasierte Analyse um. Der Modus wird im Brief mitgeschrieben
(analysis_mode), sodass beim Lesen nie unklar ist, was das Ergebnis erzeugt hat.
Praktischer Nebeneffekt: Die gesamte Pipeline ist ohne Kosten und ohne Netzwerk testbar.
Betrieb
Neben der CLI gibt es ein Web-Frontend mit Formular, Ergebnis-Dashboard und Evidenzansicht, das
dieselbe Pipeline nutzt. Für den Betrieb liegt eine Docker-Compose-Konfiguration bei: Der
Container wird ausschließlich auf 127.0.0.1 veröffentlicht, das globale nginx des
Servers terminiert TLS und proxied die Subdomain weiter – so ist kein zusätzlicher Port nach
außen offen.
Weil jede Analyse echtes Geld kostet, gehört ein Kostenschutz mit in die Konfiguration: Rate-Limiting pro IP und ein globales Tageslimit für den bezahlten API-Verbrauch. Eine öffentlich erreichbare Demo ohne diese Grenze wäre eine offene Rechnung.
Grenzen
Der PoC ist bewusst als PoC beschrieben und nicht als Produkt:
- keine Anbindung an Bloomberg, Reuters oder regulatorische Feeds
- keine Authentifizierung oder Rollenlogik für Mehrbenutzerbetrieb
- kein Datenqualitäts-Monitoring, kein SIEM-Logging
- die Fallback-Sentimentanalyse bleibt deutlich einfacher als ein fachlich feinabgestimmtes Modell
Was er dagegen zeigt, ist die Gestaltungsfrage dahinter: Automatisierung unstrukturierter Analysearbeit ist der einfache Teil. Die Arbeit steckt in Nachvollziehbarkeit, kontrolliertem Ausfallverhalten und einem klaren Punkt, an dem ein Mensch entscheidet.