💻 computer science

A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

Dieses Paper präsentiert ein Five-Agent-Generative-AI-Framework, das technische, fundamentale und Sentiment-Analysen mit Anomalieerkennung und LLM-basierter Argumentation integriert, um erklärbare, konfidenzbewusste Aktienmarktprognosen für indische Aktien zu liefern und dabei eine Richtungsgenauigkeit von 72 % sowie einen Agenten-Konsens von 78 % erreicht.

Ursprüngliche Autoren: R Ashok Kumar, Prashanth Gowda G D

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: R Ashok Kumar, Prashanth Gowda G D

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie müssten entscheiden, ob Sie eine bestimmte Aktie am indischen Markt kaufen sollen. Normalerweise müssten Sie gleichzeitig wie ein Detektiv, ein Mathematiker, ein Psychologe und ein Historiker agieren. Sie müssten Preisdiagramme analysieren (technisch), Bilanzen lesen (fundamental), die Nachrichten nach Gerüchten scannen (Sentiment) und das Unternehmen mit seinen Nachbarn vergleichen (Branchen-Benchmarking). All das alleine zu tun, ist erschöpfend, und oft widersprechen sich die Hinweise auch noch.

Dieses Paper stellt eine Lösung vor: ein digitales Team aus fünf Experten-Robotern (Agenten), die zusammenarbeiten, um Ihnen eine klare, ehrliche Antwort über eine Aktie zu geben – inklusive eines „Warum“, das Sie tatsächlich verstehen können.

So funktioniert dieses „Team“, unterteilt in einfache Teile:

1. Die fünf Experten (Die Agenten)

Anstatt eines einzigen, riesigen und verwirrenden Computergehirns nutzt das System fünf spezialisierte Agenten, von denen jeder eine spezifische Aufgabe hat. Sie arbeiten alle gleichzeitig (wie bei einem Staffellauf, bei dem alle gleichzeitig loslaufen), um Zeit zu sparen.

Der Chart-Leser (Technischer Agent): Dieser Agent betrachtet die Preisgeschichte der Aktie. Er prüft, ob die Aktie steigt oder fällt, ob sie „überhitzt“ ist (zu schnell zu teuer wurde) oder ob es ein guter Zeitpunkt zum Kauf ist, basierend auf dem Momentum. Es ist, als würde ein Surfer die Wellen beobachten, um zu wissen, wann er ins Wasser springen muss.
Der Buchhalter (Fundamentaler Agent): Dieser Agent untersucht die finanzielle Gesundheit des Unternehmens. Er prüft, ob das Unternehmen Geld verdient, ob es zu viele Schulden hat und ob der Preis im Vergleich zu den Gewinnen angemessen ist. Es ist wie ein Hausinspektor, der das Fundament und das Dach prüft, bevor man ein Haus kauft.
Der Stimmungsleser (Sentiment-Agent): Dieser Agent liest tausende von Nachrichtenartikeln und Social-Media-Beiträgen über das Unternehmen. Er verwendet eine spezielle KI (FinBERT), die auf Finanzsprache trainiert wurde, um herauszufinden, ob die Nachrichten gut, schlecht oder neutral sind. Er weiß, dass Nachrichten von gestern weniger wichtig sind als die von heute, und gewichtet aktuelle Meldungen daher stärker.
Der Nachbarschaftswächter (Branchen-Agent): Dieser Agent vergleicht das Zielunternehmen mit seinen Wettbewerbern. Macht dieses Unternehmen mehr oder weniger als der Rest seiner Branche? Es ist, als würde man prüfen, ob dieser Schüler der Klassenbeste ist oder nur Durchschnitt.
Der Richter (Synthese-Agent): Dies ist der Teamleiter. Er nimmt die Berichte der anderen vier entgegen, gewichtet sie baseraus der Konfidenz des jeweiligen Experten und kombiniert sie zu einem finalen Score.

2. Der „selbstheilende“ Mechanismus

Was passiert, wenn der Chart-Leser „Kaufen“ sagt, aber der Buchhalter „Verkaufen“ sagt? In vielen KI-Systemen führt dies zu einem Absturz oder einer verwirrenden Antwort.

In diesem System gibt es einen Schiedsrichter (Anomalie-Detektor). Wenn sich die Experten zu sehr uneinig sind, stoppt der Schiedsrichter den Prozess und sagt: „Warten Sie mal, etwas stimmt nicht. Lassen Sie uns die Daten doppelt prüfen.“ Das System führt die Prüfung automatisch mit frischen Daten erneut durch. Es versucht dies zweimal. Wenn sich die Experten auch nach zwei Versuchen uneinig sind, markiert das System das Ergebnis zur menschlichen Überprüfung, anstatt zu raten. Dies macht das System „selbstheilend“, da es versucht, seine eigenen Fehler zu beheben, bevor es Ihnen eine Antwort gibt.

3. Der „Übersetzer“ (Erklärbare KI)

Die meisten KI-Systeme geben Ihnen eine Zahl (z. B. „Kaufen“), erklären aber nicht das Warum. Sie sind „Black Boxes“.

Dieses System nutzt eine Google Gemini KI, nicht um die Entscheidung zu treffen, sondern um die Entscheidung in einfaches Englisch (bzw. verständliches Deutsch) zu übersetzen. Betrachten Sie die fünf Agenten als das „Beweismaterial“ und die Gemini KI als den Anwalt, der den Fall vor Gericht präsentiert. Sie schreibt einen kurzen Absatz wie: „Wir empfehlen den Kauf dieser Aktie, weil der Preis steigt (Technisch), das Unternehmen eine geringe Verschuldung hat (Fundamental) und die Nachrichten positiv sind (Sentiment).“ Sie zitiert die spezifischen Zahlen, die sie verwendet hat, damit Sie die Argumentation nachvollziehen können.

4. Wie schnell und genau ist es?

Die Forscher haben dieses System an 10 verschiedenen indischen Aktien aus 5 verschiedenen Branchen (wie IT, Bankwesen und Energie) über einen Zeitraum von 15 Monaten getestet.

Geschwindigkeit: Es ist sehr schnell. Es dauert etwa 26 bis 32 Sekunden, um eine Aktie zu analysieren und einen Bericht zu erstellen. Das ist schnell genug, um es zu nutzen, während Sie auf Ihren Kaffee warten.
Genauigkeit: Wenn das System vorhersagte, dass die Aktie steigen oder fallen würde, lag es in 72 % der Fälle über die nächsten fünf Tage richtig. Das ist besser als bloßes Raten oder die Verwendung nur einer Art der Analyse.
Übereinstimmung: Die fünf Experten waren in 78 % der Fälle einer Meinung. Wenn sie sich einig waren, war das System sogar noch konfidenter in seiner Antwort.

Das Fazente

Dieses Paper präsentiert ein Framework, das die chaotische, verwirrende Welt der Aktienanalyse in einen strukturierten, teambasierten Prozess verwandelt. Es liefert nicht nur ein „Kaufen“ oder „Verkaufen“-Signal, sondern ein begründetes Argument, das durch Daten aus mehreren Perspektiven gestützt wird. Es wurde speziell für den indischen Markt entwickelt, berücksichtigt lokale Nachrichten sowie Marktspezifika und enthält Sicherheitsmechanismen, um zu verhindern, dass die KI bei unordentlichen Daten wilde Vermutungen anstellt.

Kurz gesagt: Es ist wie ein persönliches Investitionskomitee aus fünf Experten, die ihre Arbeit überprüfen, ihre Standpunkte diskutieren und Ihnen in weniger als 30 Sekunden einen klaren, leicht lesbaren Bericht schreiben.

Technische Zusammenfassung: Ein Multi-Agenten-Framework der generativen KI für die erklärbare Aktienmarktanalyse in den indischen Aktienmärkten

Problemstellung
Privatanleger und Finanzforscher auf dem indischen Markt stehen vor einer kritischen Herausforderung: der analytischen Fragmentierung. Technische, fundamentale und Sentiment-Signale werden traditionell isoliert verarbeitet, was eine einheitliche, konfidenzbasierte Analyse verhindert. Darüber hinaus priorisieren bestehende KI-gestützte Aktienprognose-Tools oft die Genauigkeit gegenüber der Interpretierbarkeit und verlassen sich auf „Black-Box“-Deep-Learning-Modelle (z. B. LSTM, GRU), die Punktprognosen ohne transparente Argumentationsketten liefern. Dieser Mangel an Erklärbarkeit behindert die regulatorische Compliance und das Vertrauen der Anleger, da Entscheidungsträger die Logik hinter algorithmischen Empfehlungen nicht verifizieren können.

Methodik
Die Autoren schlagen ein heterogenes Fünf-Agenten-Framework vor, das speziell für indische Aktien (NSE und BSE) entwickelt wurde. Das System arbeitet auf einer modularen, zustandsverwalteten Pipeline unter Verwendung von Python asyncio für die parallele Ausführung und LangGraph für die Orchestrierung.

Datenerfassung: Das System ruft OHLCV-Daten und fundamentale Kennzahlen über yfinance ab und scrapt Finanznachrichten von Moneycontrol und Economic Times mittels Beautiful_Soup4. Die Textdaten werden mit sentence-transformers eingebettet und in dualen Vektor-Speichern (FAISS und ChromaDB) für Retrieval-Augmented Generation indiziert.
Spezialisten-Agenten (Parallele Ausführung):
- Technischer Analyse-Agent: Berechnet RSI, MACD, Multi-Perioden-EMAs (9, 21, 50, 200) sowie Unterstützungs- und Widerstandsniveaus. Er generiert einen gewichteten Score und eine Konfidenz basierend auf der Indikator-Ausrichtung.
- Fundamentaler Analyse-Agent: Bewertet den inneren Wert mittels Bewertung (KGV, KBV, PEG), Rentabilität (ROE, ROA), finanzieller Gesundheit (Verschuldungsgrad, Current Ratio) und Wachstumsmetriken. Er verwendet eine Z-Score-Normalisierung gegenüber den Sektormedianen.
- Sentiment-Analyse-Agent: Nutzt ProsusAI FinBERT für eine Drei-Klassen-Sentiment-Klassifizierung, ergänzt durch eine exponentielle Zeitzerfalls-Gewichtungsfunktion ( $\lambda=0,9$ ), um aktuelle Nachrichten zu priorisieren. Ein regelbasierter Fallback (Loughran-McDonald-Lexikon) wird aktiviert, falls das LLM fehlschlägt.
- Sektor-Benchmarking-Agent: Vergleicht die Zielaktie mit 2–5 Vergleichswerten aus 10 vordefinierten indischen Sektoren und berechnet Perzentil-Ränge für KGV, Rendite und Wachstum.
Orchestrierung und Anomalieerkennung: Ein Orchestrator verwaltet den gemeinsamen Zustand (AnalysisState). Ein Anomalie-Detektor überwacht Konflikte (z. B. gegensätzliche High-Confidence-Signale, Preis-News-Divergenzen oder Low-Confidence-Outputs). Bei Erkennung löst er eine begrenzte Re-Verifizierungs-Schleife (maximal zwei Zyklen) mit erweiterten Datenfenstern oder Fallback-Quellen aus. Bleiben Anomalien bestehen, markiert das System das Ergebnis zur menschlichen Überprüfung und wendet eine Konfidenzstrafe an.
Synthese und Argumentation:
- Synthese-Agent: Aggregiert die Agenten-Outputs mittels einer konfidenzgewichteten Formel. Er wendet einen Konsens-Boosting-Mechanismus an: Wenn 3 von 4 Agenten in eine Richtung mit >60 % Konfidenz zustimmen, wird das Signal aufgewertet (z. B. BUY $\to$ STRONG BUY).
- Generative Argumentation: Das System ruft Google Gemini 2.0 Flash nicht als Analyse-Engine, sondern als strukturierter Renderer auf. Es erhält die aggregierten Scores, Evidenzlisten und Anomalie-Flags, um eine natürliche Sprach-Begründung für Investitionen mit expliziten Quellenangaben zu generieren.
Schnittstellen: Das System stellt ein FastAPI REST-Backend für den programmatischen Zugriff und ein Streamlit-Dashboard mit Plotly-Visualisierungen für interaktives Screening bereit.

Wesentliche Beiträge

Heterogenes Multi-Agenten-Architektur: Integration von technischer, fundamentaler, Sentiment- und Sektoranalyse in eine einheitliche, zustandsverwaltete Pipeline, die über homogene Ensemble-Methoden hinausgeht.
Konfidenzgewichtete Synthese: Ein Mechanismus, der multidimensionale Übereinstimmung quantifiziert und die Signalstärke erhöht, wenn die Übereinstimmung der Agenten einen Schwellenwert von 75 % überschreitet.
Selbstheilende Anomalieerkennung: Ein Modul, das spezifische Konflikttypen klassifiziert (z. B. Technisch-Fundamentale Divergenz) und autonome Re-Verifizierungs-Schleifen ausführt, um Datenqualitätsprobleme zu lösen.
Domänenspezifische Sentiment-Optimierung: Implementierung von FinBERT mit exponentieller Zeitzerfalls-Gewichtung, maßgeschneidert für den schnellen Nachrichtenzyklus der indischen Märkte.
Architektonische Erklärbarkeit: Ein Design, bei dem das Large Language Model (LLM) als Renderer für vorverifizierte Signale fungiert statt als Prädiktor, wodurch sichergestellt wird, dass die gesamte generierte Argumentation auf spezifischen, rückverfolgbaren Belegen basiert.

Experimentelle Ergebnisse
Das Framework wurde an 10 im NSE gelisteten Aktien aus fünf Sektoren über einen Zeitraum von 15 Monaten (Januar 2024 – März 2025) evaluiert.

Konsens: Das System erreichte in 78 % der Testfälle einen agentenübergreifenden Konsens.
Richtungsgenauigkeit: Das Modell erreichte eine Richtungsgenauigkeit von 72 % gegenüber 5-Tage-Marktbewegungen und übertraf damit eine Buy-and-Hold-Strategie (58 %) und reine technische Analyse (64 %).
Latenz: Die End-to-End-Inferenz betrug im Durchschnitt 32,4 Sekunden via CLI und 26,1 Sekunden via REST API, womit die Ziele von unter 30 Sekunden für Echtzeit-Interaktion erfüllt wurden.
Anomaliebehandlung: Anomalien wurden in 30 % der Analysen erkannt; das Re-Verifizierungs-Protokoll löste 67 % dieser Fälle.
Konfidenzkorrelation: Es wurde eine Pearson-Korrelation von 0,61 zwischen Konfidenzniveaus und Richtungsgenauigkeit beobachtet. Hochkonfidente Empfehlungen (>70 %) erreichten eine Genauigkeit von 82 %, verglichen mit 58 % bei Low-Confidence-Empfehlungen.

Bedeutung und Ansprüche
Die Arbeit positioniert diese Arbeit als eine reproduzierbare, interpretierbare Architektur, die das Problem der „Black-Box“-Limitierung aktueller Finanz-KI adressiert. Durch die Integration heterogener analytischer Perspektiven mit einem selbstheilenden Mechanismus und LLM-gestützter Belegzitierung bietet das Framework ein transparentes Entscheidungsunterstützungstool für Schwellenländer wie Indien. Die Autoren behaupten, dass dieser Ansatz die fortgeschrittene Analytik demokratisiert, indem er Privatanlegern ermöglicht, Zugang zu konfidenzbewussten, erklärbaren Erkenntnissen zu erhalten, ohne auf opake Deep-Learning-Modelle angewiesen zu sein. Das System wird als Proof-of-Concept präsentiert, das mit Open-Source-Tools und öffentlichen Daten aufgebaut werden kann, wobei spezifische Pfade für zukünftige Verbesserungen identifiziert wurden, wie etwa die dynamische Gewichtungsoptimierung via Reinforcement Learning und die Entwicklung eines „Indic-FinBERT“-Modells für eine bessere Handhabung indischer Finanz-Jargons.