Wirtschaftsdaten-API für KI-Agenten: FRED, BLS, World Bank & IMF in einem Aufruf
Die FRED-API ist exzellent — und US-zentriert, series-ID-getrieben und nur eine von mehreren Makro-Quellen, die du am Ende brauchst. Hier ein Wirtschaftsdaten-Endpunkt, der FRED, BLS, World Bank und IMF hinter einem natürlichsprachigen Aufruf für makro-bewusste Agenten verschmilzt.
Auf einen Blick
- •Der Makro-Kontext ist die Ebene, die die meisten KI-Agenten überspringen — und der Grund, warum sich ihre Finanzantworten naiv anfühlen. Zinsen, Inflation, Beschäftigung und BIP rahmen jede These.
- •FRED ist der Goldstandard für US-Reihen, aber du fragst nach kryptischen Series-IDs ab; globale Abdeckung, Arbeitsmarkt-Details und länderübergreifende IMF-Daten liegen in separaten APIs (World Bank, BLS, IMF).
- •API Pick Economic Data Search verschmilzt FRED, BLS, World Bank, IMF, USAspending und Destatis hinter einem POST-Endpunkt — 50 Credits/Aufruf, nur bei Erfolg — natürlichsprachig abfragbar.
- •Der Gewinn für Agenten: 'US-Arbeitslosenquote über zwei Jahre' oder 'World-Bank-BIP pro Kopf für Indien' fragen, ohne das ID-Schema und die Auth jedes Anbieters zu lernen.
- •Kombiniere Economic mit Markets und News, um einen Agenten für Portfolio-Kommentare oder Makro-Briefings zu fundieren.
Die Ebene, die Agenten überspringen
Frag einen KI-Agenten, ob eine Aktie attraktiv ist, und er wird bereitwillig antworten, ohne auch nur einmal die Zinsen zu bedenken. Das ist das Erkennungszeichen eines ungegroundeten Agenten. Makro — Zinsen, Inflation, Beschäftigung, BIP, der Zyklus — ist der Rahmen, in dem jede Finanzthese steckt, und es ist die Datenebene, die die meisten Agenten nie einbinden.
FRED ist großartig, und nicht genug
Die FRED-API der St. Louis Fed ist der Goldstandard für US-Makro-Reihen — umfassend, zuverlässig, kostenlos. Zwei Dinge machen sie als einzige Makro-Quelle für einen Agenten unhandlich. Erstens fragst du nach Series-ID ab (UNRATE, CPIAUCSL, GDP…), sodass ein Modell den richtigen Code kennen oder nachschlagen muss. Zweitens ist sie US-zentriert: Globale Entwicklungsindikatoren liegen in der World-Bank-API, granulare Arbeitsmarktdaten in BLS und länderübergreifende Makro-/Finanzdaten beim IMF — jeweils mit eigener Auth und Antwortform.
Verschmolzen, in natürlicher Sprache
Economic Data Search verschmilzt FRED, BLS, World Bank, IMF, USAspending und Destatis hinter einem POST-Endpunkt — 50 Credits pro Aufruf, nur bei Erfolg — und du fragst ihn so ab, wie ein Agent denkt:
import httpx, os
API, HEADERS = "https://api.apipick.com/v1", {"x-api-key": os.environ["APIPICK_KEY"]}
def economic(query: str):
return httpx.post(f"{API}/search/economic", headers=HEADERS,
json={"query": query}).json()["results"]
economic("US unemployment rate over the past two years")
economic("IMF inflation forecast for the eurozone")
economic("World Bank GDP per capita for India") # no series IDs to memorizeFRED-direkt vs. verschmolzen
| FRED-API direkt | API Pick Economic | |
|---|---|---|
| Abdeckung | US-Reihen (tief) | FRED + BLS + World Bank + IMF + USAspending + Destatis |
| Query | Nach Series-ID | Natürliche Sprache |
| Geografie | US-zentriert | US + global |
| Zu verdrahtende Anbieter | 1 (plus weitere separat) | 1 |
| Abrechnung | Kostenlos (nur US) | 50 Credits/Aufruf, nur bei Erfolg |
Für tiefe US-Zeitreihen im großen Maßstab ist FRED-direkt weiterhin ideal. Für einen Agenten, der über US- und globale Indikatoren schließen muss, ohne das ID-Schema jedes Anbieters zu lernen, ist der verschmolzene Endpunkt der schnellere Build.
Makro-bewusste Agenten
Kombiniere Economic mit Markets Search und News Search für Portfolio-Kommentare, die den Zyklus berücksichtigen, oder für einen morgendlichen Makro-Briefing-Agenten. Es ist außerdem das Makro-Bein des Investment-Research-Agenten. Ein Key, natürlichsprachige Queries, nur bei Erfolg. Starte kostenlos mit 100 Credits, keine Karte.
Häufig gestellte Fragen
Warum nicht einfach die FRED-API direkt nutzen?
FRED ist hervorragend für US-Makro-Reihen und lohnt die direkte Nutzung, wenn das alles ist, was du brauchst. Zwei Reibungspunkte für Agenten: Du fragst nach exakten Series-IDs ab (UNRATE, CPIAUCSL, GDP…), die ein Modell kennen oder nachschlagen muss; und FRED ist US-zentriert, sodass globale Indikatoren (World Bank), granulare Arbeitsmarktdaten (BLS) und länderübergreifende Makro-/Finanzdaten (IMF) in anderen APIs mit eigener Auth und Form liegen. Ein verschmolzener, natürlichsprachiger Endpunkt beseitigt den Series-ID-Lookup und das Zusammensetzen über mehrere Anbieter.
Welche Quellen sind verschmolzen, und ist es US-only?
FRED (Wirtschaftsdaten der US-Notenbank), das US-Bureau of Labor Statistics, World-Bank-Entwicklungsindikatoren, IMF-Makro- und Finanzindikatoren, US-Bundesausgaben (USAspending) und deutsche Arbeitsmarktstatistiken (Destatis). Es umspannt also US- und globale Makrodaten — nicht US-only — parallel hinter einem Endpunkt abgefragt.
Kann ich eine bestimmte Reihe bekommen oder nur Zusammenfassungen?
Übergib einen Reihennamen oder eine natürlichsprachige Query ('US-Arbeitslosenquote 2024', 'IMF-Inflationsprognose für die Eurozone', 'World-Bank-BIP pro Kopf für Indien') und der Endpunkt rankt die relevantesten Datensätze. Für exakte lange Zeitreihen im großen Maßstab ist FRED-direkt weiterhin das Werkzeug; für einen Agenten, der über Indikatoren schließt, ist der semantische Endpunkt schneller zu verdrahten.
Wie verbessern Makrodaten einen Finanz-Agenten?
Sie liefern das Umfeld. 'Ist diese Aktie günstig' hängt von den Zinsen ab; 'ist dieser Sektor attraktiv' hängt vom Zyklus ab. Ohne Makro schließt ein Agent im Vakuum und produziert selbstbewusste, kontextfreie Einschätzungen. Aktuelle Zinsen, Inflation und Beschäftigung in den Prompt zu speisen, fundiert die Synthese in dem Umfeld, in dem das Unternehmen tatsächlich operiert.
Ist der Output Beratung?
Nein. Es sind öffentliche Wirtschaftsdaten für Research und Agenten-Grounding — rein informatorisch, keine Finanz- oder Politikberatung.
APIs in diesem Artikel
Sarah Choy ist CEO von API Pick. Sie schreibt über produktionsreife APIs für KI-Agenten und LLM-Workflows.