[ blog · use-case ]9 min read

Einen Due-Diligence-Agenten auf SEC-Filings bauen (10-K, 10-Q, 8-K, Earnings)

Sarah Choy·Veröffentlicht am 3. Mai 2026·9 Min. Lesezeit

Ein 10-K zu lesen ist größtenteils Strg+F. Das für fünfzig Unternehmen zu tun, ist ein Vollzeitjob. Ersetze die langweiligen 80 % durch einen Search-and-Extract-Agenten gegen SEC EDGAR — behalte die 20 %, auf die es für den menschlichen Analysten ankommt.

Auf einen Blick

• •Architektur: Ticker-Lookup → SEC Filings Search (Filings + Earnings + Equity-Statistiken) → URL Extract für die langen Passagen → LLM-Antwort mit Zitaten auf Abschnittsebene.
• •Kostenobergrenze: SEC Filings Search kostet 120 Credits pro Aufruf (≈ $0.12); ein typischer Unternehmens-Review mit 3 Fragen kostet ~$0.40 an Credits + ~$0.05 an LLM-Tokens.
• •Was der Agent richtig macht: faktische Lookups (Segmentumsatz, Capex-Trend, Governance, Veränderungen der Risikofaktoren im Jahresvergleich), Zusammenfassungen der Vorstandsvergütung, jüngste 8-K-Ereignisse.
• •Was weiterhin einen Menschen braucht: Ermessensurteile zur Managementqualität, Marktpositionierung, deal-spezifische Fragen, alles außerhalb der Sprache des Filings.

Warum sich das zu automatisieren lohnt

Ein erster Due-Diligence-Durchgang bei einem börsennotierten Unternehmen ist größtenteils mechanisch: das aktuelle 10-K ziehen, die Risikofaktoren und die MD&A scannen, die jüngsten 8-Ks prüfen, einen Blick auf den letzten Earnings Call werfen. Ein Analyst auf Associate-Ebene verbringt damit 2–4 Stunden pro Unternehmen. Das Ergebnis ist selten eine tiefe Erkenntnis — es ist ein strukturiertes Faktenmuster, über das anschließend eine andere, erfahrenere Person nachdenkt.

Genau diesen Faktenmuster-Schritt kann ein kleiner Agent übernehmen. SEC durchsuchen, die relevanten Passagen extrahieren, mit Zitaten zusammenfassen. Die erfahrene Person macht weiterhin das Denken — aber sie startet von einer 5-Minuten-Lektüre statt von einer 4-Stunden-Lektüre.

Drei Dinge machen das jetzt praktikabel:

• Semantische Suche über Filings bedeutet, dass du fragen kannst 'wie hat sich der Segmentumsatz verändert' und den richtigen Absatz aus dem richtigen Formular zurückbekommst, statt 200 Seiten zu lesen.
• Long-Context-LLMs können ein vollständiges 10-K plus ein paar 8-Ks im Arbeitsspeicher halten und dokumentübergreifende Fragen beantworten.
• Zitierdisziplin im Prompt macht den Output in Sekunden überprüfbar — genau das, was Compliance- und Review-Workflows verlangen.

Architektur

question + ticker
       │
       ├─ /api/company/facts (2 credits)
       │  ↳ confirm ticker, get CIK and sector
       │
       ├─ /api/search/sec (120 credits)
       │  ↳ semantic search across 10-K/10-Q/8-K/earnings/equity stats
       │
       ├─ /api/extract (2 credits per URL)
       │  ↳ pull full text of the top 3-5 most relevant filings
       │
       └─ Claude / GPT-4 with citation-required prompt
          ↳ "answer + [Form, Fiscal Period, Section]"

Kosten pro Einzelfrage: ~130 Credits (~$0.13) an API + ~$0.03 an LLM. Ein Unternehmens-Review mit drei Fragen (Finanztrend, Risikofaktoren-Diff, jüngste wesentliche Ereignisse) landet bei ~$0.45–$0.60. Verglichen mit einer Analystenstunde zu jedem vernünftigen Stundensatz ist die Rechnung offensichtlich.

Der System-Prompt, der sein Geld wert ist

Der einzelne größte Faktor für die Output-Qualität bei Financial RAG ist der System-Prompt. Der, den wir verwenden:

You are a financial research assistant for an investment team. You answer
questions about US public companies using SEC filings, earnings call
transcripts, and equity statistics retrieved by your tools.

Rules — non-negotiable:

1. Cite every numeric claim with: [Form, Fiscal Period, Section]. Example:
   "Operating income rose 12% YoY to $4.1B [10-K FY2025, Item 7 MD&A]."

2. Quote numbers verbatim. Do not round, paraphrase, or convert. If a
   filing says "$4,127M", do not say "$4.1B" unless the filing itself does.

3. If the answer requires content you have not extracted, say so:
   "I could not retrieve the FY2024 10-K for the segment-level breakdown.
   Please re-run with that filing in scope."

4. Do not infer from training-data knowledge. If your tools didn't return
   it, you don't know it.

5. Default to the most recent fiscal period available. State the period
   you used.

6. Format multi-figure answers as a small markdown table with one column
   per fiscal period. Always end with a one-line "How I read this" summary.

Tone: precise, terse, no marketing language.

Die Regeln 1, 2 und 4 beseitigen zusammen ~90 % der Fabrikationsprobleme, die wir gemessen haben. Regel 3 (das elegante „ich weiß es nicht“) ist das, was dies von einem Chatbot unterscheidet, der selbstbewusst Zahlen erfindet.

Beispielanfragen, die der Agent sauber bewältigt

• 'Vergleiche Apples Services-Umsatztrend über die letzten 5 Geschäftsjahre.' → zieht aus den relevanten 10-Ks, liefert eine Tabelle mit Zitaten zur MD&A.
• 'Was hat sich an NVIDIAs Risikofaktoren zwischen FY2023 und FY2025 geändert?' → dokumentübergreifender Diff, mit Zitat von Item 1A im jeweiligen Formular.
• 'Fasse die letzten 4 8-Ks für $TICKER zusammen.' → semantische Suche, gefiltert auf 8-K, geordnet nach Einreichungsdatum.
• 'Was sagte Microsofts CFO über AI-Capex im jüngsten Earnings Call?' → durchsucht Transcripts, extrahiert die relevante Q&A-Passage, zitiert wortwörtlich.

Wo es an Grenzen stößt — und die richtige Übergabe an den Menschen

Der Agent stolpert an drei vorhersehbaren Stellen:

• Ermessensurteile zur Managementqualität. Das Filing sagt dir, was sie getan haben, nicht ob sie kompetent sind. Frag den Agenten nicht.
• Branchenvergleiche außerhalb des Filings. Lautet die Frage 'wie verhält sich diese Bruttomarge zur Peer-Group', kennt der Agent nur, was in den durchsuchten Filings steht. Für den Peer-Vergleich brauchst du entweder einen separaten Datensatz oder du lässt den Agenten einmal pro Unternehmen laufen und aggregierst.
• Zukunftsgerichtete Aussagen. Filings enthalten zukunftsgerichtete Aussagen, doch das Modell nimmt sie für bare Münze, sofern nicht anders angewiesen. Ergänze den Prompt: 'Kennzeichne zukunftsgerichtete Aussagen explizit. Präsentiere Guidance nicht als Faktum.'

Der minimal lauffähige Build

Dasselbe Claude-Tool-Use-Loop-Muster aus der Research-Agent-Anleitung gilt — nur die Tools und der System-Prompt ändern sich:

from anthropic import Anthropic
import requests

KEY = "pk_yourkey"
client = Anthropic()

def fetch_tool(path: str) -> dict:
    return requests.get(f"https://www.apipick.com{path}/tool-schema").json()["claude"]

TOOLS = [
    fetch_tool("/api/search/sec"),
    fetch_tool("/api/extract"),
    fetch_tool("/api/company/facts"),
]

def call_tool(block):
    name_to_path = {
        "sec_search": "/api/search/sec",
        "extract_urls": "/api/extract",
        "company_facts": "/api/company/facts",
    }
    path = name_to_path[block.name]
    method = "GET" if block.name == "company_facts" else "POST"
    if method == "GET":
        resp = requests.get(
            f"https://www.apipick.com{path}",
            params=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    else:
        resp = requests.post(
            f"https://www.apipick.com{path}",
            json=block.input,
            headers={"x-api-key": KEY},
            timeout=30,
        )
    return {
        "type": "tool_result",
        "tool_use_id": block.id,
        "content": resp.text,
        "is_error": resp.status_code != 200,
    }

def due_dil(question: str) -> str:
    messages = [{"role": "user", "content": question}]
    while True:
        r = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=2048,
            system=SYSTEM_PROMPT,  # the one above
            tools=TOOLS,
            messages=messages,
        )
        messages.append({"role": "assistant", "content": r.content})
        if r.stop_reason == "end_turn":
            return "\n".join(b.text for b in r.content if b.type == "text")
        if r.stop_reason == "tool_use":
            results = [call_tool(b) for b in r.content if b.type == "tool_use"]
            messages.append({"role": "user", "content": results})

print(due_dil("Compare Snowflake's product revenue YoY for the last 4 quarters."))

Wohin man es als Nächstes bringt

• Templates für wiederkehrende Reviews. Umhülle den Agenten mit einem kleinen CLI, das einen Ticker entgegennimmt und ein Markdown-Briefing in festem Format ausgibt: 'Jüngste 8-Ks', 'Segmentumsatz-Trend', 'Risikofaktoren-Delta'. Derselbe Agent, gescriptete Prompts.
• Watchlist-Modus. Lass den Agenten jeden Morgen gegen einen Ticker laufen und vergleiche die heutige Antwort mit der gestrigen. Bringe nur die Deltas an die Oberfläche. Passt gut zum Morning-Briefing-Muster.
• Mit Patenten und Prognosemärkten kombinieren. Bei Tech- / Biotech-Namen lege Patent Search für IP-Änderungen und Prediction Markets für markt-implizite Ergebnisse drauf (z. B. Wahrscheinlichkeit einer Medikamentenzulassung).

Das Muster verallgemeinert sich. SEC ist das dichteste, schema-freundlichste Korpus, das wir ausliefern — aber die Schleife ('semantische Suche → URL Extract → Antwort mit Zitaten') gilt für jedes strukturierte Dokumentenkorpus, das dir wichtig ist: juristische Filings, wissenschaftliche Abstracts, Patentansprüche. Bau zuerst den Diligence-Agenten, dann portiere die Architektur seitwärts.

Geschrieben von

Sarah Choy

CEO, API Pick

Sarah Choy ist CEO von API Pick. Sie schreibt über produktionsreife APIs für KI-Agenten und LLM-Workflows.