Zum Inhalt springen
← Alle Projekte

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
PythonOpenAI Responses APIRAGDockernginx
Screenshot des KI-Recherche-Arbeitsbereichs mit einem fertigen Analysebericht zur Frage, ob SAP ein attraktives Übernahmeziel ist: Management-Zusammenfassung und Empfehlung.

Bedrohungsmodell

Wo die Anwendung angreifbar ist, was dagegen hält und was offen bleibt. Kennungen nach der OWASP Top 10 for LLM Applications 2025.

  1. 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.
  2. 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.
  3. 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?

Der Ablauf in der Live-Demo: Beispielfrage „SAP als Übernahmeziel“ wählen und die Analyse starten. Der Bericht beginnt mit Management-Zusammenfassung und Empfehlung, darunter folgen Sentiment, Chancen und Risiken. Die Wartezeit auf das Modell ist gekürzt.

Architektur

Architektur der Investment-Research-PipelineLokale Dokumente und Live-News laufen über Ingest, Chunking und einen Keyword-Retriever in die Evidenzauswahl. Die Evidenz geht an die OpenAI Responses API, bei fehlendem API-Key an eine regelbasierte Fallback-Analyse. Ergebnis ist ein Research Brief, der von einem Menschen freigegeben wird.Lokale Dokumente.txt · .md · .json · .docxLive-News-APIMarketaux · optionalIngest & NormalisierungChunkingKeyword-Retrievernachvollziehbarer Score je ChunkTop-N EvidenzOpenAI Responses APIstriktes JSON-SchemaRegelbasierterFallbackohne API-KeyResearch BriefMarkdown + JSON, mit QuellenbezugHuman-in-the-Loop: Freigabe
Die Pipeline von der Dokumentenaufnahme bis zur menschlichen Freigabe. Der gestrichelte Pfad greift, wenn kein API-Key gesetzt ist.

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