Einen Investment-Research-Agenten bauen: Märkte, Fundamentaldaten, SEC & Wirtschaftsdaten in einer API
Ein Investment-Research-Agent braucht fünf verschiedene Datenebenen — Kurse, Fundamentaldaten, Filings, Makro und News — die normalerweise jeweils einen eigenen Anbieter, Key und Schema bedeuten. So verdrahtest du alle fünf hinter einem Endpunkt-Set, mit lauffähigem Code und der Kostenrechnung.
Auf einen Blick
- •Ein nützlicher Finanz-Agent braucht fünf Datenebenen: Echtzeit-Märkte (Kurse), Unternehmens-Fundamentaldaten (Abschlüsse), SEC-Filings, Wirtschaftsindikatoren und News. Aus separaten Anbietern zusammengesetzt sind das 5 Verträge, 5 Keys, 5 Schemas.
- •API Pick stellt alle fünf als konsistente JSON-Suchendpunkte bereit — /search/markets, /search/financials, /search/sec, /search/economic, /search/news — plus /extract für vollständige Dokumente. Ein Key, vorgeformt für LLM-Tool-Calling.
- •Das Agentenmuster: die relevanten Endpunkte parallel als Tools aufrufen, das JSON zusammenführen und das Modell über fundierte Daten schließen lassen, statt Zahlen zu halluzinieren.
- •Credit-Preise gelten nur bei Erfolg: markets 120, financials 200, sec 120, economic 50, news 15 pro Aufruf. Ein typischer Multi-Tool-Research-Durchgang kostet je nach Tiefe deutlich unter $0.01–$0.10.
- •Build vs. Buy: Polygon + einen Fundamentaldaten-Anbieter + SEC EDGAR + FRED + eine News-API selbst zusammenzubauen, sind Wochen an Integration und 5 monatliche Rechnungen; der Single-Endpoint-Weg ist ein Tag.
Das Fünf-Ebenen-Problem
Frag ein LLM "ist NVIDIA gerade teuer?" und es wird selbstbewusst ein KGV erfinden. Die Lösung ist kein größeres Modell — sie heißt Grounding. Ein Research-Agent, der Vertrauen verdient, muss über fünf Ebenen hinweg live, zitierfähige Daten ziehen und dann darüber schließen:
- Märkte — der aktuelle Kurs, die Marktkapitalisierung und wie sie sich bewegt hat. Krypto, Forex, ETFs und die Top-Mover des Tages, wenn relevant.
- Fundamentaldaten — Bilanz, Gewinn- und Verlustrechnung, Cashflow, Dividenden und Insider-Transaktionen. Die Ebene "ist das Geschäft tatsächlich gesund".
- SEC-Filings — 10-K-Risikofaktoren, 10-Q-Details, 8-K-Ereignisse, die Sprache der Earnings Calls. Die qualitative Dimension, die Zahlen übersehen.
- Wirtschaftsindikatoren — Zinsen, Inflation, Beschäftigung, BIP von FRED, BLS, World Bank und IMF. Das Makro-Umfeld, in dem jede These steckt.
- News — der zeitnahe Auslöser: eine Herabstufung, ein Produktlaunch, eine regulatorische Maßnahme.
Aus separaten Anbietern zusammengesetzt sind das fünf Verträge, fünf API-Keys, fünf Rate-Limit-Regime und fünf Antwortschemas, die du normalisieren musst, bevor ein Modell sie überhaupt anfassen kann. An der Integration bleiben Finanz-Agenten-Projekte hängen.
Ein Endpunkt-Set, fünf Ebenen
API Pick stellt jede Ebene als konsistenten JSON-Suchendpunkt bereit, sodass der Agent mit einem Key und einer Antwortform spricht:
- Markets Search — globale & US-Aktien, Krypto, Forex, ETFs, Fonds, Rohstoffe und US-Markt-Mover.
- Financials Search — Bilanzen, Gewinn- und Verlustrechnungen, Cashflow, Dividenden, Insider-Transaktionen.
- SEC Filings Search — 10-K/10-Q/8-K, Earnings-Transcripts, Equity-Statistiken.
- Economic Data Search — FRED, BLS, World Bank, IMF, USAspending, Destatis.
- News Search — datumsgefilterte News quer durch die großen Medien.
- Extract — ein vollständiges Filing oder einen Artikel als sauberes Markdown ziehen, wenn ein Snippet nicht reicht.
Die Agentenarchitektur
Registriere jeden Endpunkt als Tool. Kommt eine Frage herein, entscheidet der Agent, welche Ebenen er braucht, ruft sie parallel auf, führt das JSON zusammen und schließt über das fundierte Ergebnis. Eine Ticker-Frage trifft markets + Fundamentaldaten + News; eine Frage "wie ist der Sektor positioniert" trifft economic + News + ein paar Vergleichswerte.
import asyncio, httpx, os
API = "https://api.apipick.com/v1"
HEADERS = {"x-api-key": os.environ["APIPICK_KEY"], "Content-Type": "application/json"}
async def search(client, path, query, **kw):
r = await client.post(f"{API}/{path}", headers=HEADERS,
json={"query": query, **kw})
r.raise_for_status()
return r.json()["results"]
async def research(ticker: str):
async with httpx.AsyncClient(timeout=30) as c:
markets, fundamentals, filings, macro, news = await asyncio.gather(
search(c, "search/markets", f"{ticker} price and market cap"),
search(c, "search/financials", f"{ticker} latest balance sheet and cash flow"),
search(c, "search/sec", f"{ticker} 10-K risk factors", end_date="2026-06-16"),
search(c, "search/economic", "US interest rates and inflation latest"),
search(c, "search/news", f"{ticker} latest news", end_date="2026-06-16"),
)
return {"markets": markets, "fundamentals": fundamentals,
"filings": filings, "macro": macro, "news": news}
# Feed the merged JSON back to your LLM as grounding, with the source URLs,
# and ask it to synthesize — never to recall numbers.
context = asyncio.run(research("NVDA"))Jedes Ergebnis trägt eine source-URL. Reiche sie in die finale Antwort durch, damit ein Mensch jede Aussage prüfen kann — und damit der Output des Agenten zitierfähig ist, was ihn in einem echten Workflow erst nützlich macht.
Build vs. Buy
| Selbst zusammenbauen | API Pick | |
|---|---|---|
| Anbieter / Keys | ~5 (Polygon, Fundamentaldaten, EDGAR, FRED, News) | 1 |
| Antwortformen | 5 zu normalisieren | 1 JSON-Form |
| Zeit bis zum ersten Agenten | Wochen Integration | Ein Tag |
| Abrechnung | 5 monatliche Abos | Pro Aufruf, nur bei Erfolg |
| LLM-ready | Du formst jede vor | Vorgeformte Snippets + Quell-URLs |
Für einen einzelnen Datentyp ist der Direktweg vernünftig. Für einen Agenten, der alle fünf braucht und unvorhersehbar exploriert, liefert der Single-Endpoint-Weg an einem Tag aus und rechnet nur ab, wenn ein Aufruf erfolgreich ist.
Was das ermöglicht
Dieselben fünf Tools treiben mehr als Ticker-Lookups: Briefing-Agenten zur Earnings Season, Sektor-Screens, fundiert auf Fundamentaldaten, makro-bewusste Portfolio-Kommentare und Diligence-Assistenten, die das echte 10-K via Extract lesen. Das Muster ist immer dasselbe — fundierte Tool-Aufrufe, paralleles Retrieval, Synthese über echte Daten mit angehängten Quellen.
Starte mit einem kostenlosen Key (100 Credits, keine Karte) und verdrahte die fünf Tools in dein Agenten-Framework deiner Wahl. Ab da ist es Prompt-Engineering, kein Klempnern.
Häufig gestellte Fragen
Welche Daten braucht ein Investment-Research-Agent tatsächlich?
Fünf Ebenen. (1) Echtzeit-Märkte — Kurse, Krypto, Forex, ETFs, Top-Mover, für die Frage 'was macht es gerade'. (2) Fundamentaldaten — Bilanz, Gewinn- und Verlustrechnung, Cashflow, Dividenden, Insider-Transaktionen. (3) SEC-Filings — 10-K/10-Q/8-K-Text und Earnings-Transcripts für qualitative Signale. (4) Wirtschaftsindikatoren — FRED, BLS, World Bank, IMF für das Makro-Umfeld. (5) News — zeitnahe Auslöser. Die meisten Agenten scheitern, weil sie Kurse, aber keine Fundamentaldaten haben — oder Fundamentaldaten, aber keinen Makro-Kontext.
Warum nicht einfach Polygon, FRED und SEC EDGAR direkt aufrufen?
Kannst du — und für einen einzelnen Datentyp ist das in Ordnung. Der Schmerz: Der Agent braucht alle fünf: das sind fünf Anbieter, fünf Auth-Verfahren, fünf Rate-Limit-Regime, fünf Antwortformen, die du normalisieren musst, bevor das LLM sie nutzen kann, und fünf Rechnungen. Der Single-Endpoint-Ansatz tauscht einen kleinen Aufpreis pro Aufruf gegen einen Key, eine JSON-Form und Abrechnung nur bei Erfolg — was für einen Agenten, der explorative Multi-Tool-Aufrufe macht, in der Regel der günstigere und weitaus schnellere Weg zum Ausliefern ist.
Wie verhindere ich, dass das LLM Finanzzahlen halluziniert?
Lass das Modell niemals Zahlen aus dem Gedächtnis produzieren. Mach jede Datenquelle zu einem Tool, zwinge den Agenten, das Tool aufzurufen, und gib das zurückgegebene JSON als Grundlage zurück. Die Aufgabe des Modells ist es, über abgerufene Werte zu schließen und zu synthetisieren, nicht sie sich zu merken. Zitiere die Quell-URL aus jedem Ergebnis, damit der Output überprüfbar ist — genau das macht die Antwort auch für einen menschlichen Reviewer vertrauenswürdig.
Ist der Output für echtes Trading oder Beratung geeignet?
Nein. Der Output einer Retrieval-API ist informatorisch. Er fundiert das Schlussfolgern eines Analysten oder Agenten in echten Daten; er ist keine Anlageberatung und darf ohne qualifizierten Menschen und angemessene Risikokontrollen nicht als automatisches Trading-Signal genutzt werden. Behandle den Agenten als Research-Beschleuniger, nicht als Entscheider.
Wie viel kostet ein Research-Durchgang?
Abgerechnet wird pro erfolgreichem Aufruf: markets 120 Credits, financials 200, sec 120, economic 50, news 15 (1000 Credits ≈ $1). Ein fokussierter Durchgang über markets + Fundamentaldaten + News liegt bei ~335 Credits (~$0.34); ein leichterer Makro+News-Durchgang bei ~65 Credits. Du zahlst nur bei HTTP 200, sodass fehlgeschlagene oder leere Aufrufe nichts kosten — was zählt, wenn ein Agent exploriert.
APIs in diesem Artikel
Sarah Choy ist CEO von API Pick. Sie schreibt über produktionsreife APIs für KI-Agenten und LLM-Workflows.