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
- Live deployed
- Rolle
- Konzeption & Umsetzung
- Jahr
- Aktualisiert
- Kontext
- Studienprojekt

Bedrohungsmodell
Wo die Anwendung angreifbar ist, was dagegen hält und was offen bleibt. Kennungen nach der OWASP Top 10 for LLM Applications 2025.
Öffentliche Demo mit bezahlter API
LLM10- Maßnahme
- Rate-Limit pro IP und globales Tageslimit für den API-Verbrauch
- Restrisiko
- Anfragen über viele IPs können das Tageslimit ausschöpfen. Die Demo pausiert dann bis zum Folgetag.
Unbelegte oder erfundene Aussagen im Brief
LLM09- Maßnahme
- Striktes JSON-Schema über die Responses API, jede Evidenz behält chunk_id, Quelle und Zeitstempel
- Restrisiko
- Ob eine Aussage ihre Quelle richtig wiedergibt, prüft am Ende ein Mensch.
Netzwerkzugriff auf den Dienst
- Maßnahme
- Container nur auf 127.0.0.1 veröffentlicht, nginx terminiert TLS, kein zusätzlicher Port offen
- Restrisiko
- Keine Authentifizierung oder Rollen. Die Demo ist bewusst öffentlich.
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.
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. Wie die öffentliche Demo abgesichert ist, steht im Bedrohungsmodell oben.
Grenzen
Der PoC ist bewusst als PoC beschrieben und nicht als Produkt:
- keine Anbindung an Bloomberg, Reuters oder regulatorische Feeds
- kein Datenqualitäts-Monitoring, kein SIEM-Logging
- die Fallback-Sentimentanalyse bleibt deutlich einfacher als ein fachlich feinabgestimmtes Modell