LLM-Finanzanalyse-Framework

Prompt-Framework und Sub-Frameworks für automatisierte Finanzanalyse

Überblick

Dieses Repository enthält ein modulares, produktionsreifes Prompt-Framework mit Sub-Frameworks für die automatisierte Finanzanalyse von Aktien und Unternehmensanleihen, entwickelt für ein CustomGPT oder ein vergleichbares LLM-basiertes Assistenzsystem. Es standardisiert die Datenerhebung, Bewertung und Berichterstattung, sodass Analysen konsistent, nachvollziehbar und prüfbar sind.

Komponenten

• llm-finanzen-systemprompt.txt – das Meta-Systemprompt, das Rolle, Ethos, Methodik und Grenzen des Assistenten definiert. Es legt Prioritäten fest (z. B. Richtigkeit > Verständlichkeit) und standardisiert Berichtsformate (Währung, Datum, Zahlenformat).
• Aktien.txt – Bewertungs-Subframework für Aktien mit zwei Modelltypen (Industrie/Standard und Tech/Wachstum), Bewertungsmatrix, Dividendenanalyse und Edge-Case-Regeln.
• Anleihen.txt – Bewertungs-Subframework für Unternehmensanleihen mit YTM-Berechnung, Bonitätsscore, Duration- und Zinsrisikoanalyse, Liquiditäts- und Sicherheitenbewertung sowie Szenario- und Sonderfalllogik.

Praktische Anwendung

Je nach LLM-Plattform erstelle ein neues Projekt, CustomGPT, TailoredAI, Skill oder Agent. Verwende die Datei llm-finanzen-systemprompt.txt als System- oder Instruktionsprompt. Lade die Dateien Aktien.txt und Anleihen.txt als Wissensquellen, um dem Assistenten die Bewertungsmodelle und Bewertungslogiken zur Verfügung zu stellen.

• Setup: Füge den Inhalt von llm-finanzen-systemprompt.txt in das Systemprompt-Feld der jeweiligen Plattform ein.
• Wissensintegration: Lade Aktien.txt und Anleihen.txt in die Wissensbasis oder den Dateispeicher, damit das Modell auf deren Methodik zugreifen kann.
• Ausführung: Erkennt der Assistent eine Aktie oder Anleihe, wird automatisch das entsprechende Subframework aktiviert, die Bewertungslogik angewendet und das Ergebnis standardisiert ausgegeben.

Ziel & Anwendungsfälle

• Bereitstellung strukturierter, nicht-bindender Analysen für Privatanleger.
• Nutzung als Kernregelwerk für ein CustomGPT, das Asset-Typen erkennt, passende Bewertungsframeworks auswählt, standardisierte Scores berechnet und reproduzierbare Berichte erstellt.
• Grundlage für Entwicklerteams, die prüfbare Finanzassistenten mit klaren Edge-Case-Regeln bauen wollen.

Systemische Einbindung (Aktivierungslogik)

1. Eingangserkennung: Erkennen, ob der Input eine Aktie oder Anleihe betrifft (z. B. ISIN, Tickersymbol, Unternehmensname).

2. Automatische Subframework-Aktivierung:

   • Wenn Asset-Type = "Aktie" → Aktien.txt anwenden.
   • Wenn Asset-Type = "Anleihe" → Anleihen.txt anwenden.

3. Modellauswahl (Aktien): Auswahl zwischen Industrie- und Tech-Modell anhand des 3-Jahres-Umsatzwachstums und qualitativer Kriterien (Schwellenwerte siehe Aktien.txt).

4. Ausgabe: Standardisierte Tabelle + kurze qualitative Zusammenfassung + Quellen- und Datumsangabe.

Datenkonventionen & Reporting

• Standardwährung: EUR (ggf. Originalwährung und Wechselkursquelle angeben).
• Datum & Zeitzone: Immer Stichtag angeben; Zeitzone Europe/Vienna.
• Zahlenformat: Zwei Dezimalstellen; schmales Tausendertrennzeichen.
• Quellenangabe: Quellenname, Veröffentlichungsdatum (TT.MM.JJJJ) und URL.

Bewertung & Interpretation

• Aktien: Gewichtete Kategorienbewertung zur Ermittlung eines Fair-Value-Korridors (optimistisch / Basis / pessimistisch).
• Anleihen: Punktbewertungssystem (Bonität, Duration, Liquidität, Sicherheitenstruktur) mit Zuordnung zu Handlungsempfehlungen.

Sonderfälle & Unsicherheiten

• Besondere Instrumente (z. B. Wandelanleihen, Nullkuponanleihen, Hybride), Unternehmensmaßnahmen (Spin-offs, Dual-Class-Shares) oder illiquide Titel aktivieren den Edge-Case-Mechanismus: Der Assistent erklärt, warum das Standardmodell nicht anwendbar ist, dokumentiert Annahmen und liefert eine qualitative Bewertung mit einem Hinweis zur Zuverlässigkeit.

Beispielablauf (High-Level)

1. Nutzer fragt: „Analysiere ISIN DE000A1R0U95 für eine Anleihebewertung.“
2. Assistent erkennt Asset-Type = Anleihe → lädt Anleihen.txt → zieht Daten → berechnet YTM, Duration und Scores → liefert Tabelle + qualitative Einschätzung + Quellenhinweis.

License

This repository’s text and documentation are licensed under the CC BY-SA 4.0 License.

LLM-Financial-Analysis-Framework (English)

prompt framework and sub-frameworks for automated financial analysis

Overview

This repository contains a modular, production-ready prompt framework and sub-frameworks for automated financial analysis of equities (stocks) and corporate bonds designed for a CustomGPT or similar LLM-driven assistant. It standardizes how data is collected, scored, and reported so that automated analyses are consistent, auditable and reproducible.

Currently german.

Components

• llm-finanzen-systemprompt.txt — the meta-level system prompt defining role, ethos, method and constraints for the assistant. It enforces priorities (e.g. correctness > explainability) and reporting conventions (currency, date, formatting).
• Aktien.txt — equity valuation sub-framework describing two model families (Industry / Standard and Tech / Growth), scoring matrices, dividend sustainability checks and edge-case handling.
• Anleihen.txt — bond valuation sub-framework covering YTM estimation, credit scoring, duration / market-risk treatment, liquidity and security-structure scoring, plus scenario testing and edge-case rules.

Practical Usage

Depending on your LLM platform, create a new Project, CustomGPT, TailoredAI, Skill, or Agent. Use the llm-finanzen-systemprompt.txt file as the system or instruction prompt. Load the Aktien.txt and Anleihen.txt files as knowledge sources to provide the assistant with the underlying valuation frameworks and scoring models.

Goal & Use Cases

• Provide private investors with structured, non-binding analytical outputs.
• Act as the core ruleset for a CustomGPT that must: identify asset type, choose the correct sub-framework, compute standardized scores and generate reproducible reports.
• Serve as a starter-kit for teams building financial assistants with strict auditability and clear “edge-case” fallbacks.

Systemic Integration (Activation Logic)

1. Input detection: identify whether user input references an Equity or a Bond (e.g., ISIN, symbol, company name).

2. Automatic sub-framework activation:

   • If Asset-Type = "Aktie" → apply Aktien.txt.
   • If Asset-Type = "Anleihe" → apply Anleihen.txt.

3. Model selection (equities): use 3-year revenue growth and qualitative signals to select Industry vs Tech model (default thresholds are documented in Aktien.txt).

4. Output: standardized tabular output + concise qualitative summary + explicit data-stamp and source citations.

Data Conventions & Reporting

• Default currency: EUR (also report original currency and rate source when applicable).
• Date & timezone: always include a data-stamp (Stichtag) and use Europe/Vienna for local-time references.
• Number format: two decimal places; thin thousands separator.
• Citations: source name, publication date (DD.MM.YYYY) and URL when applicable.

Scoring & Interpretation

• Equities: weighted-category scoring that produces a fair-value corridor (presented as optimistic / base / pessimistic scenarios).
• Bonds: point-based scoring (Bonität, Duration, Liquidity, Security Structure) with a documented mapping to recommendations.

Edge Cases & Uncertainties

• Special instruments (convertibles, zero-coupons, hybrids), corporate actions (spin-offs, dual-class) and illiquid securities trigger the Edge-Case mechanism: the assistant must explain why the standard model is not applicable, list assumptions, and deliver qualitative analysis with an "analysis reliability" flag.

Example Flow (high-level)

1. User asks: "Analyze ISIN DE000A1R0U95 for bond valuation."
2. Assistant detects Asset-Type = Anleihe → loads Anleihen.txt ruleset → fetches data → computes YTM, Duration and scores → returns tabular summary + qualitative view + sources + reliability note.

License

This repository’s text and documentation are licensed under the CC BY-SA 4.0 License.