[ blog · use-case ]9 min read

Строим агента для due diligence по отчётности SEC (10-K, 10-Q, 8-K, earnings)

Sarah Choy·Опубликовано 3 мая 2026 г.·9 мин чтения

Чтение 10-K — это в основном Ctrl+F. Делать это для пятидесяти компаний — уже работа. Замените скучные 80% агентом search-and-extract поверх SEC EDGAR — оставьте 20% важного человеку-аналитику.

Кратко

• •Архитектура: поиск тикера → SEC Filings Search (отчётность + earnings + статистика по акциям) → URL Extract для длинных фрагментов → ответ LLM с цитатами на уровне разделов.
• •Потолок стоимости: SEC Filings Search — 120 кредитов за вызов (≈$0.12); типичный обзор компании из 3 вопросов стоит ~$0.40 в кредитах + ~$0.05 в токенах LLM.
• •Что агент делает верно: фактологические выборки (выручка по сегментам, тренд капвложений, корпоративное управление, изменения факторов риска год к году), сводки по вознаграждению руководства, недавние события 8-K.
• •Что всё ещё требует человека: оценочные суждения о качестве менеджмента, рыночном позиционировании, специфике сделки — всё, что вне формулировок самой отчётности.

Почему это стоит автоматизировать

Первичный due diligence публичной компании — в основном механика: подтянуть свежий 10-K, просмотреть факторы риска и MD&A, проверить недавние 8-K, заглянуть в последний отчётный звонок. Аналитик уровня associate тратит на это 2–4 часа на компанию. Результат редко бывает глубоким инсайтом — это структурированная фактологическая картина, над которой затем рассуждает кто-то более старший.

Именно этот шаг сбора фактов и может взять на себя небольшой агент. Поиск по SEC, извлечение релевантных фрагментов, сводка с цитатами. Старший сотрудник по-прежнему делает рассуждение — но стартует с 5-минутного чтения вместо 4-часового.

Три вещи делают это практичным уже сейчас:

• Семантический поиск по отчётности означает, что вы можете спросить 'как изменилась выручка по сегментам' и получить нужный абзац из нужной формы, а не читать 200 страниц.
• LLM с длинным контекстом могут держать полный 10-K плюс несколько 8-K в рабочей памяти и отвечать на кросс-документные вопросы.
• Дисциплина цитирования в промпте делает вывод проверяемым за секунды — ровно то, что требуют комплаенс- и ревью-процессы.

Архитектура

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]"

Стоимость одного вопроса: ~130 кредитов (~$0.13) на API + ~$0.03 на LLM. Обзор компании из трёх вопросов (финансовый тренд, дифф факторов риска, недавние существенные события) выходит в ~$0.45–$0.60. По сравнению с часом работы аналитика по любой разумной ставке — арифметика очевидна.

Системный промпт, который окупает себя

Главный определяющий фактор качества вывода в финансовом RAG — это системный промпт. Тот, что используем мы:

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.

Правила 1, 2 и 4 вместе устраняют ~90% проблем с выдумыванием, которые мы намерили. Правило 3 (изящное 'я не знаю') — это то, что отличает такую систему от чат-бота, который уверенно сочиняет числа.

Примеры запросов, с которыми агент справляется чисто

• 'Сравни тренд выручки сервисов Apple за последние 5 финансовых лет.' → подтягивает из соответствующих 10-K, возвращает таблицу с цитатами на MD&A.
• 'Что изменилось в факторах риска NVIDIA между FY2023 и FY2025?' → кросс-документный дифф со ссылками на Item 1A в каждой форме.
• 'Сделай сводку последних 4 форм 8-K для $TICKER.' → семантический поиск с фильтром по 8-K, упорядоченный по дате подачи.
• 'Что CFO Microsoft сказал о капвложениях в AI на последнем отчётном звонке?' → ищет по транскриптам, извлекает релевантный фрагмент Q&A, цитирует дословно.

Где он буксует — и правильная передача человеку

Агент спотыкается в трёх предсказуемых местах:

• Оценочные суждения о качестве менеджмента. Отчётность говорит, что они сделали, а не способны ли они. Не спрашивайте агента.
• Отраслевые компараблы вне отчётности. Если вопрос 'как эта валовая маржа сравнивается с конкурентами', агент знает только то, что есть в найденных документах. Для сравнения с конкурентами нужен либо отдельный датасет, либо прогон агента по каждой компании с последующей агрегацией.
• Прогнозные комментарии. Отчётность содержит прогнозные заявления, но модель воспринимает их за чистую монету, если не сказать иначе. Добавьте в промпт: 'Явно помечай прогнозные заявления. Не выдавай гайденс за факт.'

Минимально жизнеспособная сборка

Применяется тот же паттерн цикла tool-use на Claude из разбора research-агента — меняются только инструменты и системный промпт:

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."))

Куда развивать дальше

• Шаблоны для повторяемых обзоров. Оберните агента в небольшой CLI, который принимает тикер и выдаёт markdown-бриф фиксированного формата: 'Недавние 8-K', 'Тренд выручки по сегментам', 'Дельта факторов риска'. Тот же агент, скриптованные промпты.
• Режим watchlist. Прогоняйте агента по тикеру каждое утро и диффайте сегодняшний ответ против вчерашнего. Показывайте только дельты. Хорошо сочетается с паттерном утреннего брифинга.
• Сочетайте с патентами и рынками предсказаний. Для технологических / биотех-имён добавьте Patent Search для изменений в IP и Prediction Markets для подразумеваемых толпой исходов (например, вероятность одобрения препарата).

Паттерн обобщается. SEC — самый плотный и схема-дружелюбный корпус, который мы поставляем, но цикл ('семантический поиск → URL extract → ответ с цитатами') применим к любому корпусу структурированных документов, который вам важен: юридическая отчётность, научные аннотации, патентные притязания. Сначала постройте агента для due diligence, затем перенесите архитектуру вбок.

Автор

Sarah Choy

CEO, API Pick

Сара Чой — CEO API Pick. Пишет о продакшен-готовых API для AI-агентов и LLM-воркфлоу.