💻 computer science

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

Questo articolo presenta un framework di intelligenza artificiale generativa a cinque agenti che integra l'analisi tecnica, fondamentale e del sentiment con il rilevamento delle anomalie e il ragionamento basato su LLM per fornire previsioni del mercato azionario spiegabili e consapevoli della fiducia per i titoli azionari indiani, raggiungendo un'accuratezza direzionale del 72% e un consenso tra gli agenti del 78%.

Autori originali: R Ashok Kumar, Prashanth Gowda G D

Pubblicato 2026-07-08

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: R Ashok Kumar, Prashanth Gowda G D

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover decidere se acquistare un determinato titolo azionario nel mercato indiano. Di solito, dovresti comportarti contemporaneamente come un detective, un matematico, uno psicologo e uno storico. Dovresti esaminare i grafici dei prezzi (tecnico), leggere i bilanci (fondamentale), scansionare le notizie alla ricerca di pettegolezzi (sentiment) e confrontare l'azienda con i suoi vicini (benchmarking di settore). Fare tutto questo da soli è estenuante e, spesso, gli indizi si contraddicono tra loro.

Questo documento presenta una soluzione: un team digitale di cinque robot esperti (agenti) che lavorano insieme per darti una risposta chiara e onesta su un titolo, completa di un "perché" che tu possa effettivamente comprendere.

Ecco come funziona questo "team", suddiviso in parti semplici:

1. I Cinque Esperti (Gli Agenti)

Invece di un unico cervello informatico gigante e confuso, il sistema utilizza cinque agenti specializzati, ognuno con un compito specifico. Lavorano tutti contemporaneamente (come una staffetta dove tutti iniziano a correre insieme) per risparmiare tempo.

Il Lettore di Grafici (Agente Tecnico): Questo agente osserva la cronologia dei prezzi del titolo. Controlla se il titolo sta salendo o scendendo, se è "surriscaldato" (troppo costoso troppo velocemente) o se è un buon momento per comprare in base al momentum. È come un surfista che osserva le onde per sapere quando tuffarsi.
Il Contabile (Agente Fondamentale): Questo agente scava nella salute finanziaria dell'azienda. Verifica se l'azienda sta guadagnando denaro, se ha troppi debiti e se il suo prezzo è equo rispetto ai suoi utili. È come un ispettore edilizio che controlla le fondamenta e il tetto prima di acquistare una casa.
Il Lettore di Umore (Agente di Sentiment): Questo agente legge migliaia di articoli di notizie e post sui social media riguardanti l'azienda. Utilizza un'IA speciale (FinBERT) addestrata sul linguaggio finanziario per capire se la notizia è positiva, negativa o neutrale. Sa che le notizie di ieri contano meno di quelle di oggi, quindi pesa maggiormente le storie più recenti.
L'Osservatore dei Vicini (Agente di Settore): Questo agente confronta l'azienda target con i suoi concorrenti. Questa azienda sta andando meglio o peggio del resto del settore? È come controllare se uno studente è il primo della classe o solo nella media.
Il Giudice (Agente di Sintesi): Questo è il capo del team. Prende i rapporti degli altri quattro, pesa il contributo di ciascuno in base alla loro fiducia e li combina in un unico punteggio finale.

2. Il Meccanismo di "Auto-Guarigione"

Cosa succede se il Lettore di Grafici dice "Compra" ma il Contabile dice "Vendi"? In molti sistemi di IA, questo causa un crash o una risposta confusa.

In questo sistema, c'è un Arbitro (Rilevatore di Anomalie). Se gli esperti sono troppo in disaccordo, l'Arbitro ferma il processo e dice: "Aspetta un momento, qualcosa non va. Ricontrolliamo i dati". Il sistema riavvia automaticamente il controllo con dati freschi. Tenta questo procedimento due volte. Se gli esperti sono ancora in disaccordo dopo due tentativi, il sistema segnala il risultato affinché un essere umano possa esaminarlo, invece di tirare a indovinare. Questo rende il sistema "auto-guaritore" perché cerca di correggere i propri errori prima di fornirti una risposta.

3. Il "Traduttore" (IA Spiegabile)

La maggior parte dei sistemi di IA ti fornisce un numero (ad esempio, "Compra") ma non ti dice il perché. Sono delle "black box" (scatole nere).

Questo sistema utilizza un'IA Google Gemini non per prendere la decisione, ma per tradurre la decisione in un inglese semplice (o linguaggio naturale). Pensa ai cinque agenti come alle "prove" e all'IA Gemini come a un avvocato che presenta il caso in tribunale. Scrive un breve paragrafo dicendo: "Raccomandiamo di acquistare questo titolo perché il prezzo sta salendo (Tecnico), l'azienda ha un basso debito (Fondamentale) e le notizie sono positive (Sentiment)". Cita i numeri specifici che ha utilizzato, in modo che tu possa fidarti del ragionamento.

4. Quanto è Veloce e Accurato?

I ricercatori hanno testato questo sistema su 10 diversi titoli indiani appartenenti a 5 settori differenti (come IT, Banking ed Energia) durante un periodo di 15 mesi.

Velocità: È molto veloce. Impiega circa 26-32 secondi per analizzare un titolo e fornirti un rapporto. È abbastanza veloce da poterlo usare mentre aspetti il tuo caffè.
Accuratezza: Quando il sistema prevedeva che il titolo sarebbe salito o sceso, aveva ragione il 72% delle volte nei successivi cinque giorni. Questo è migliore rispetto al semplice indovinare o all'uso di un solo tipo di analisi.
Accordo: I cinque esperti concordavano tra loro il 78% delle volte. Quando concordavano, il sistema era ancora più fiducioso nella sua risposta.

Il Punto Fondamentale

Questo documento presenta un framework che trasforma il mondo caotico e confuso dell'analisi azionaria in un processo strutturato e basato sul lavoro di squadra. Non si limita a darti un segnale di "Compra" o "Vendi"; ti offre un argomento motivato supportato dai dati da molteplici angolazioni. È progettato specificamente per il mercato indiano, gestendo le notizie locali e le particolarità del mercato, e include controlli di sicurezza per evitare che l'IA faccia ipotesi selvagge quando i dati sono disordinati.

In breve, è come avere un comitato di investimento personale composto da cinque esperti che controllano il proprio lavoro, discutono i propri punti di vista e poi ti scrivono un rapporto chiaro e facile da leggere in meno di 30 secondi.

Riepilogo Tecnico: Un Framework di Intelligenza Artificiale Generativa Multi-Agente per l'Analisi Spiegabile del Mercato Azionario nei Mercati Azionari Indiani

Problematica
Gli investitori azionari retail e i ricercatori finanziari nel mercato indiano affrontano una sfida critica: la frammentazione analitica. I segnali tecnici, fondamentali e di sentiment vengono tradizionalmente elaborati in isolamento, impedendo un'analisi unificata e consapevole della fiducia. Inoltre, gli strumenti di previsione azionaria basati sull'IA esistenti spesso privilegiano l'accuratezza rispetto all'interpretabilità, affidandosi a modelli di deep learning "black-box" (ad esempio, LSTM, GRU) che forniscono previsioni puntuali senza catene di ragionamento trasparenti. Questa mancanza di spiegabilità ostacola la conformità normativa e la fiducia degli investitori, poiché i decisori non possono verificare la logica alla base delle raccomandazioni algoritmiche.

Metodologia
Gli autori propongono un framework eterogeneo a cinque agenti progettato specificamente per le azioni indiane (NSE e BSE). Il sistema opera su una pipeline modulare a gestione di stato utilizzando asyncio di Python per l'esecuzione parallela e LangGraph per l'orchestrazione.

Ingestione dei Dati: Il sistema recupera dati OHLCV e metriche fondamentali tramite yfinance e scansiona le notizie finanziarie da Moneycontrol ed Economic Times utilizzando BeautifulSoup4. I dati testuali vengono incorporati tramite sentence-transformers e indicizzati in vector store duali (FAISS e ChromaDB) per la generazione aumentata dalla ritirata (RAG).
Agenti Specialisti (Esecuzione Parallela):
- Agente di Analisi Tecnica: Calcola RSI, MACD, EMA multi-periodiche (9, 21, 50, 200) e livelli di supporto/resistenza. Genera un punteggio pesato e un livello di confidenza basato sull'allineamento degli indicatori.
- Agente di Analisi Fondamentale: Valuta il valore intrinseco utilizzando valutazione (P/E, P/B, PEG), redditività (ROE, ROA), salute finanziaria (Debt/Equity, Current Ratio) e metrici di crescita. Impiega la normalizzazione Z-score rispetto alle mediane di settore.
- Agente di Analisi del Sentiment: Utilizza ProsusAI FinBERT per la classificazione del sentiment a tre classi, potenziata da una funzione di ponderazione con decadimento temporale esponenziale ( $\lambda=0.9$ ) per dare priorità alle notizie recenti. Un fallback basato su regole (lessico Loughran-McDonald) si attiva se l'LLM fallisce.
- Agente di Benchmarking di Settore: Confronta il titolo target con 2–5 titoli peer all'interno di 10 settori indiani predefiniti, calcolando i ranghi percentili per P/E, rendimenti e crescita.
Orchestrazione e Rilevamento Anomalie: Un orchestratore gestisce lo stato condiviso (AnalysisState). Un Rilevatore di Anomalie monitora i conflitti (ad esempio, segnali opposti ad alta confidenza, divergenza prezzo-notizie o output a bassa confidenza). In caso di rilevamento, attiva un ciclo di riverifica limitato (massimo due cicli) con finestre temporali di dati estese o fonti di fallback. Se le anomalie persistono, il sistema segnala il risultato per l'ispezione umana e applica una penalità di confidenza.
Sintesi e Ragionamento:
- Agente di Sintesi: Aggrega gli output degli agenti utilizzando una formula pesata sulla confidenza. Applica un meccanismo di consensus boosting: se 3 agenti su 4 concordano su una direzione con una confidenza >60%, il segnale viene promosso (ad esempio, BUY $\to$ STRONG BUY).
- Ragionamento Generativo: Il sistema invoca Google Gemini 2.0 Flash non come motore di analisi, ma come renderer strutturato. Riceve i punteggi aggregati, le liste di evidenze e i flag di anomalia per generare un ragionamento di investimento in linguaggio naturale con citazioni esplicite delle evidenze.
Interfacce: Il sistema espone un backend REST FastAPI per l'accesso programmatico e una dashboard Streamlit con visualizzazioni Plotly per lo screening interattivo.

Contributi Chiave

Architettura Multi-Agente Eterogenea: Integrazione di analisi tecnica, fondamentale, del sentiment e di settore in una pipeline unificata e gestita dallo stato, andando oltre i metodi ensemble omogenei.
Sintesi Pesata sulla Confidenza: Un meccanismo che quantifica l'accordo multidimensionale e potenzia la forza del segnale quando la concordanza tra gli agenti supera la soglia del 75%.
Rilevamento Anomalie Auto-Rigenerante: Un modulo che classifica tipi specifici di conflitto (ad esempio, Divergenza Tecnica-Fondamentale) ed esegue cicli di riverifica limitati per risolvere autonomamente i problemi di qualità dei dati.
Tuning del Sentiment Specifico per il Dominio: Implementazione di FinBERT con ponderazione del decadimento temporale esponenziale, adattata al rapido ciclo di notizie dei mercati indiani.
Spiegabilità Architetturale: Un design in cui il Large Language Model (LLM) agisce come un renderer per segnali pre-verificati piuttosto che come un predittore, garantendo che tutto il ragionamento generato sia ancorato a evidenze specifiche e tracciabili.

Risultati Sperimentali
Il framework è stato valutato su 10 titoli quotati al NSE attraverso cinque settori durante un periodo di 15 mesi (gennaio 2024 – marzo 2025).

Consenso: Il sistema ha raggiunto un consenso tra gli agenti nel 78% dei casi di test.
Accuratezza Direzionale: Il modello ha raggiunto un'accuratezza direzionale del 72% rispetto ai movimenti di mercato a 5 giorni, superando una strategia buy-and-hold (58%) e l'analisi puramente tecnica (64%).
Latenza: L'inferenza end-to-end ha mediato 32,4 secondi via CLI e 26,1 secondi via REST API, rispettando i target di sub-30 secondi per l'interazione in tempo reale.
Gestione delle Anomalie: Le anomalie sono state rilevate nel 30% delle analisi; il protocollo di riverifica ha risolto il 67% di questi casi.
Correlazione della Confidenza: È stata osservata una correlazione di Pearson di 0,61 tra i livelli di confidenza e l'accuratezza direzionale. Le raccomandazioni ad alta confidenza (>70%) hanno raggiunto l'82% di accuratezza, rispetto al 58% di quelle a bassa confidenza.

Significatività e Rivendicazioni
Il documento posiziona questo lavoro come un'architettura riproducibile e interpretabile che affronta il limite della "black-box" degli attuali sistemi di IA finanziaria. Integrando prospettive analitiche eterogenee con un meccanismo auto-rigenerante e un'evidenza citata guidata dall'LLM, il framework offre uno strumento di supporto decisionale trasparente per i mercati emergenti come l'India. Gli autori affermano che questo approccio democratizza l'analisi avanzata, permettendo agli investitori retail di accedere a insight consapevoli della confidenza e spiegabili senza dipendere da modelli di deep learning opachi. Il sistema è presentato come una prova di concetto che può essere costruita utilizzando strumenti open-source e dati pubblici, con percorsi specifici identificati per miglioramenti futuri, come l'ottimizzazione dinamica dei pesi tramite apprendimento per rinforzo e lo sviluppo di un modello "Indic-FinBERT" per una migliore gestione del gergo finanziario indiano.