Fiscal.ai 在 AI 投资研究中擅长什么

Fiscal.ai 适合希望在一个研究界面中浏览公司数据、申报文件、电话会文本、分析师预期和企业 KPI 的投资者与分析师。它把大量常用金融信息集中在研究终端中，并提供 API 与 MCP 接入，减少人工在多个网站之间来回切换的工作。

但研究平台与可编排能力层解决的是不同问题。研究终端强调交互式分析体验； 开发者构建定时任务、批量覆盖股票池、把结果写入自有产品，或需要按任务动态选择数据源时， 还需要明确的工具契约、凭证控制、故障处理和跨供应商路由。

为什么开发者要构建金融研究 Agent 工作流

一个可靠的研究 Agent 不是“输入股票代码，输出一段观点”。它应先定义研究对象、时间范围、允许的数据来源、 计算口径、证据要求和人工复核点，再执行数据收集、指标计算、异常检查和叙事生成。 这样才能让结果可重复、可比较，也能在数据缺失或来源冲突时停止推断。

选择工具前先定义研究契约

契约至少应包括证券标识、财务期间、币种、点时数据要求、输出 Schema、 最大可接受延迟、引用格式和失败策略。若任务要求解释某次价格波动，还应定义事件窗口， 避免用后来出现的新闻解释更早的行情。

把收集、计算和叙事分开

原始事实、派生计算和 LLM 生成的解释应分别保存。收入、现金流和股本数据来自哪里，估值倍数如何计算， 哪一句属于模型判断，都要能够独立审计。

金融研究 AI Agent 可以构建哪些工作流

自动化申报文件分析 Agent

监控 10-K、10-Q、8-K 与修订文件，提取风险因素、管理层讨论、重大合同和 XBRL 事实，并让每条结论保留 accession number、文档链接与原文位置。

实时市场监控 Agent

组合价格、成交量、新闻、公司公告和财报日历，识别异常波动后再调用相应证据源， 而不是把单一标题或情绪分数直接当作因果解释。

同行比较 Agent

统一公司标识、财年、币种和会计口径后比较增长率、利润率、现金创造能力与估值。 对并购、终止经营、分部变化和重述数据单独标记，避免制造虚假可比性。

新闻情绪监控 Agent

将新闻映射到公司与事件，区分首次发布时间、转载时间和后续修订，并结合价格反应、 来源质量和模型置信度判断是否值得升级为人工研究任务。

分步骤使用 QVeris 构建金融研究 Agent

以下示例用于说明整体架构。QVeris SDK 接口可能持续演进，部署前请根据最新的 Python SDK 官方文档 核对准确的方法名称与认证方式。

1. 创建账户并安全加载 API Key

把密钥放入环境变量或密钥管理系统，不写入提示词、前端代码和日志。按开发、 测试与生产环境拆分权限，并为批处理设置预算和速率限制。目前 Free 方案列出一次性 1,000 注册试用 credits 和每分钟 10 次请求；方案限制、优惠和执行成本可能变化， 请以最新的价格页面为准。

import os
from qveris import QVeris

client = QVeris(api_key=os.environ["QVERIS_API_KEY"])
watchlist = ["NVDA", "MSFT", "AMD"]

2. 使用 Discover 查找金融能力

用业务意图描述任务，例如“获取某公司最近四个季度的收入、摊薄 EPS 与申报来源”， 再比较返回能力的覆盖范围、新鲜度、价格与数据来源。

query = """
Find capabilities for annual and quarterly filings,
income statements, earnings transcripts, company news,
and end-of-day prices for US public companies.
"""

candidates = client.discover(query)
for item in candidates[:5]:
    print(item["capability_id"], item["name"])

3. 执行前用 Inspect 检查 Schema

核对必填参数、证券标识、日期格式、枚举值、单位、分页、错误语义和预计费用。 不要让模型猜测缺失参数，也不要在失败时静默替换成另一家公司或期间。

selected_id = candidates[0]["capability_id"]
tool = client.inspect(selected_id)

required = tool["input_schema"].get("required", [])
print("Required fields:", required)
print("Output schema:", tool["output_schema"])

4. 调用能力并归一化结果

保留原始响应与来源元数据，再映射到内部 Schema。统一币种、时间戳和财务期间， 同时保留提供商原字段，以便发现标准化过程中的含义损失。

def fetch_research_packet(ticker, capability_id):
    return client.call(
        capability_id,
        {
            "ticker": ticker,
            "period": "annual",
            "limit": 4
        }
    )

packets = {
    ticker: fetch_research_packet(ticker, selected_id)
    for ticker in watchlist
}

5. 使用 Claude 或 GPT 生成报告

只把经过验证的结构化事实交给模型，并要求观点逐条引用证据。对于缺失、 冲突或超出时间范围的数据，模型应明确说明，而不是补写看似合理的数字。

def build_prompt(ticker, packet):
    return {
        "role": "investment_research_analyst",
        "instructions": [
            "Use only the supplied evidence.",
            "Separate facts, calculations, and interpretation.",
            "Cite every material claim with its source ID.",
            "Return risks, uncertainties, and missing data."
        ],
        "ticker": ticker,
        "evidence": packet,
        "output_schema": {
            "summary": "string",
            "key_changes": ["string"],
            "risks": ["string"],
            "citations": ["string"]
        }
    }

# report = llm.generate(build_prompt("NVDA", packets["NVDA"]))

6. 为生产研究加入可靠性控制

设置超时、有限重试、幂等键、供应商回退、Schema 校验、数据新鲜度检查、 费用上限和人工审批。回退来源的字段定义不同，应重新验证，不能只换一个端点。

7. 用历史研究案例评估 Agent

使用按当时可见信息冻结的历史案例测试事实准确率、引用完整性、计算一致性、 延迟和每份被接受报告的成本，防止修订后数据造成未来信息泄漏。

AI 投资研究 Agent：QVeris 与 Fiscal.ai 对比

负责任地部署 AI 投资研究 Agent

输出应明确标注“研究辅助而非投资建议”，并保留数据时间、来源、计算版本和模型版本。 对交易、客户沟通或合规报告等高影响动作设置人工批准。日志中避免保存不必要的个人信息与 API 密钥，并对供应商授权、数据再分发权限和保留周期进行审查。

生产监控不仅看接口是否返回 200，还要跟踪字段缺失、数据漂移、引用失效、 异常成本和报告被人工退回的原因。只有最终研究任务通过质量门槛，才算一次成功调用。

开始构建金融研究 AI Agent

从一个范围清晰的任务开始，例如为固定股票池生成每周申报文件与财报变化摘要。 先确定输入、输出、证据、失败处理和人工复核，再逐步增加新闻、市场数据和组合预警， 比一次性构建“全能投资 Agent”更容易验证。