💻 computer science

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

Dit artikel presenteert een vijf-agent generatief AI-framework dat technische, fundamentele en sentimentanalyse integreert met anomaliedetectie en LLM-gebaseerde redenering om verklaarbare, vertrouwensbewuste aandelenmarktvoorspellingen voor Indiase aandelen te bieden, waarbij een directionele nauwkeurigheid van 72% en een cross-agent consensus van 78% wordt bereikt.

Oorspronkelijke auteurs: R Ashok Kumar, Prashanth Gowda G D

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: R Ashok Kumar, Prashanth Gowda G D

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je moet beslissen of je een specifiek aandeel op de Indiase markt wilt kopen. Meestal moet je tegelijkertijd optreden als een detective, een wiskundige, een psycholoog en een historicus. Je kijkt naar prijsgrafieken (technisch), leest balansen (fundamenteel), scant het nieuws op geruchten (sentiment) en vergelijkt het bedrijf met zijn buren (sectorbenchmarking). Dit allemaal alleen doen is uitputtend, en vaak spreken de aanwijzingen elkaar tegen.

Dit artikel introduceert een oplossing: een digitaal team van vijf expert-robots (agenten) die samenwerken om je een duidelijk, eerlijk antwoord over een aandeel te geven, inclusief een "waarom" dat je daadwerkelijk kunt begrijpen.

Hier is hoe dit "team" werkt, onderverdeeld in eenvoudige delen:

1. De Vijf Experts (De Agenten)

In plaats van één grote, verwarrende computerbrein, gebruikt het systeem vijf gespecialiseerde agenten, elk met een specifieke taak. Ze werken allemaal tegelijkertijd (zoals een estafette waarbij iedereen tegelijk begint te rennen) om tijd te besparen.

De Grafieklezende (Technische Agent): Deze agent kijkt naar de prijsgeschiedenis van het aandeel. Het controleert of het aandeel stijgt of daalt, of het "oververhit" is (te snel duur geworden) of dat het een goed moment is om te kopen op basis van momentum. Het is als een surfer die de golven observeert om te weten wanneer hij in moet springen.
De Boekhouder (Fundamentele Agent): Deze agent duikt in de financiële gezondheid van het bedrijf. Het controleert of het bedrijf winst maakt, of het te veel schulden heeft en of de prijs eerlijk is in verhouding tot de winst. Het is als een inspecteur die de fundering en het dak controleert voordat je een huis koopt.
De Stemmingslezer (Sentiment Agent): Deze agent leest duizenden nieuwsartikelen en berichten op sociale media over het bedrijf. Het gebruikt een speciale AI (FinBERT) die getraind is op financiële taal om te bepalen of het nieuws goed, slecht of neutraal is. Het weet dat nieuws van gisteren minder belangrijk is dan nieuws van vandaag, dus het weegt recente verhalen zwaarder.
De Buurtwacht (Sector Agent): Deze agent vergelijkt het doelbedrijf met zijn concurrenten. Doet dit bedrijf het beter of slechter dan de rest van de sector? Het is also kind te controleren of een leerling de beste van de klas is of slechts gemiddeld.
De Rechter (Synthese Agent): Dit is de teamleider. Hij neemt de rapporten van de andere vier over, weegt ze op basis van hoe zelfverzekerd elke expert is, en combineert ze tot één definitieve score.

2. Het "Zelfhelende" Mechanisme

Wat gebeurt er als de Grafieklezer "Kopen" zegt, maar de Boekhouder "Verkopen" zegt? Bij veel AI-systemen veroorzaakt dit een crash of een verwarrend antwoord.

In dit systeem is er een Scheidsrechter (Anomalie Detectie). Als de experts te veel van mening verschillen, stopt de Scheidsrechter het proces en zegt: "Wacht eens even, er is iets mis. Laten we de gegevens dubbelchecken." Het systeem voert de controle automatisch opnieuw uit met verse gegevens. Het probeert dit twee keer. Als de experts na twee pogingen nog steeds van mening verschillen, markeert het systeem het resultaat voor menselijke controle, in plaats van te gokken. Dit maakt het systeem "zelfhelend", omdat het probeert zijn eigen fouten te herstellen voordat het je een antwoord geeft.

3. De "Vertaler" (Explainable AI)

De meeste AI-systemen geven je een getal (bijv. "Kopen") maar vertellen je niet waarom. Ze zijn "black boxes".

Dit systeem gebruikt een Google Gemini AI niet om de beslissing te nemen, maar om de beslissing te vertalen naar begrijpelijk Engels. Zie de vijf agenten als het "bewijs" en de Gemini AI als een advocaat die de zaak in de rechtbank presenteert. Het schrijft een korte paragraaf die zegt: "We raden aan dit aandeel te kopen omdat de prijs stijgt (Technisch), het bedrijf een lage schuldenlast heeft (Fundamenteel) en het nieuws positief is (Sentiment)." Het citeert de specifieke cijfers die het heeft gebruikt, zodat je de redenering kunt vertrouwen.

4. Hoe Snel en Nauwkeurig is het?

De onderzoekers hebben dit systeem getest op 10 verschillende Indiase aandelen uit 5 verschillende sectoren (zoals IT, Bankwezen en Energie) over een periode van 15 maanden.

Snelheid: Het is zeer snel. Het duurt ongeveer 26 tot 32 seconden om een aandeel te analyseren en een rapport te geven. Dat is snel genoeg om te gebruiken terwijl je wacht op je koffie.
Nauwkeurigheid: Wanneer het systeem voorspelde dat een aandeel zou stijgen of dalen, had het 72% van de tijd gelijk over de volgende vijf dagen. Dit is beter dan simpelweg gokken of het gebruik van slechts één type analyse.
Overeenstemming: De vijf experts waren in 78% van de gevallen het met elkaar eens. Wanneer ze het met elkaar eens waren, was het systeem zelfs nog zelfverzekerder in zijn antwoord.

De Kernboodschap

Dit artikel presenteert een framework dat de chaotische, verwarrende wereld van aandelenanalyse transformeert in een gestructureerd, teamgebaseerd proces. Het geeft je niet alleen een "Kopen" of "Verkopen" signaal; het geeft je een onderbouwde argumentatie gesteund door data vanuit meerdere invalshoeken. Het is specifief ontworpen voor de Indiase markt, waarbij rekening wordt gehouden met lokale nieuwsberichten en marktkuren, en het bevat veiligheidscontroles om te voorkomen dat de AI wilde gokken doet wanneer de gegevens rommelig zijn.

Kortom, het is alsof je een persoonlijk beleggingscomité hebt van vijf experts die hun werk controleren, hun standpunten beargumenteren en je binnen 30 seconden een helder, gemakkelijk leesbaar rapport schrijven.

Technische Samenvatting: Een Multi-Agent Generatieve AI-framework voor Verklaarbare Aandelenmarktanalyse in Indiase Aandelenmarkten

Probleemstelling
Retailbeleggers en financieel onderzoekers in de Indiase markt worden geconfronteerd met een kritieke uitdaging: analytische fragmentatie. Technische, fundamentele en sentimentele signalen worden traditioneel geïsoleerd verwerkt, wat een verenigde, vertrouwensbewuste analyse verhindert. Bovendien geven bestaande AI-gestuurde aandelenvoorspellingsinstrumenten vaak prioriteit aan nauwkeurigheid boven interpreteerbaarheid, waarbij ze vertrouwen op "black-box" deep learning-modellen (bijv. LSTM, GRU) die puntvoorspellingen leveren zonder transparante redeneerketens. Dit gebrek aan verklaarbaarheid belemmert de naleving van regelgeving en het vertrouwen van beleggers, aangezien besluitvormers de logica achter algoritmische aanbevelingen niet kunnen verifiëren.

Methodologie
De auteurs stellen een heterogeen, vijf-agent framework voor dat specifelijk is ontworpen voor Indiase aandelen (NSE en BSE). Het systeem werkt op basis van een modulaire, state-managed pipeline met behulp van Python asyncio voor parallelle uitvoering en LangGraph voor orchestratie.

Data Ingestie: Het systeem haalt OHLCV-data en fundamentele metrieken op via yfinance en scraapt financieel nieuws van Moneycontrol en Economic Times met behulp van BeautifulSoup4. Tekstgegevens worden geëmbed via sentence-transformers en geïndexeerd in duale vector stores (FAISS en ChromaDB) voor retrieval-augmented generation.
Specialistische Agents (Parallelle Uitvoering):
- Technische Analyse Agent: Berekent RSI, MACD, multi-periode EMAs (9, 21, 50, 200) en ondersteunings-/weerstandsniveaus. Het genereert een gewogen score en vertrouwen op basis van indicator-uitlijning.
- Fundamentele Analyse Agent: Evalueert intrinsieke waarde met behulp van waardering (P/E, P/B, PEG), winstgevendheid (ROE, ROA), financiële gezondheid (Debt/Equity, Current Ratio) en groeimetrieken. Het maakt gebruik van Z-score normalisatie tegenover sectorgemiddelden.
- Sentiment Analyse Agent: Maakt gebruik van ProsusAI FinBERT voor drieledige sentimentclassificatie, verbeterd met een exponentiële tijdverval-wegingsfunctie ( $\lambda=0.9$ ) om recente nieuwsberichten te prioriteren. Een regelgebaseerde fallback (Loughran-McDonald lexicon) wordt geactiveerd als de LLM faalt.
- Sector Benchmarking Agent: Vergelijkt het doelwit-aandeel met 2–5 peer-effecten binnen 10 vooraf gedefinieerde Indiase sectoren, waarbij percentielrangen voor P/E, rendement en groei worden berekend.
Orchestratie en Anomaliedetectie: Een orchestrator beheert de gedeelde staat (AnalysisState). Een Anomaliedetector monitort op conflicten (bijv. tegengestelde hoge-vertrouwen-signalen, prijs-nieuws divergentie, of outputs met een laag vertrouwen). Bij detectie activeert deze een begrensde re-verificatielus (maximale twee cycli) met uitgebreide datavensters of fallback-bronnen. Als anomalieën aanhouden, markeert het systeem het resultaat voor menselijke inspectie en past het een vertrouwensstraf toe.
Synthese en Redenering:
- Synthese Agent: Aggregeert agent-outputs met behulp van een vertrouwensgewogen formule. Het past een consensus boosting mechanisme toe: als 3 van de 4 agents instemmen met een richting met >60% vertrouwen, wordt het signaal geüpgraded (bijv. BUY $\to$ STRONG BUY).
- Generatieve Redenering: Het systeem roept Google Gemini 2.0 Flash aan, niet als analyse-engine, maar als een gestructureerde renderer. Het ontvangt de geaggregeerde scores, bewijslijsten en anomalie-flags om natuurlijke taal investeringsredenering te genereren met expliciete citaties van bewijsvoering.
Interfaces: Het systeem stelt een FastAPI REST-backend beschikbaar voor programmeerbare toegang en een Streamlit dashboard met Plotly-visualisaties voor interactieve screening.

Belangrijkste Bijdragen

Heterogeen Multi-Agent Architectuur: Integratie van technische, fundamentele, sentimentele en sectorale analyse in een verenigde, state-managed pipeline, waarmee men verder gaat dan homogene ensemble-methoden.
Vertrouwensgewogen Synthese: Een mechanisme dat multidimensionale overeenstemming kwantificeert en de signaalsterkte verhoogt wanneer de consensus tussen agents de drempel van 75% overschrijdt.
Zelfhelende Anomaliedetectie: Een module die specifieke conflicttypen classificeert (bijv. Technical-Fundamental Divergence) en begrensde re-verificatielussen uitvoert om problemen met de datakwaliteit autonoom op te lossen.
Domeinspecifieke Sentiment Tuning: Implementatie van FinBERT met exponentiële tijdverval-weging, afgestemd op de snelle nieuwscyclus van Indiase markten.
Architecturale Verklaarbaarheid: Een ontwerp waarbij het Large Language Model (LLM) fungeert als een renderer voor vooraf geverifieerde signalen in plaats van een voorspeller, wat ervoor zorgt dat alle gegenereerde redeneringen gegrond zijn in specifieke, traceerbare bewijsvoering.

Experimentele Resultaten
Het framework werd geëvalueerd op 10 aan de NSE genoteerde aandelen over vijf sectoren gedurende een periode van 15 maanden (januari 2024 – maart 2025).

Consensus: Het systeem bereikte cross-agent consensus in 78% van de testgevallen.
Directionele Nauwkeurigheid: Het model behaalde 72% directionele nauwkeurigheid ten opzichte van 5-daagse marktbewegingen, waarmee het een buy-and-hold strategie (58%) en pure technische analyse (64%) versloeg.
Latentie: De end-to-end inferentie bedroeg gemiddeld 32,4 seconden via CLI en 26,1 seconden via REST API, waarmee de doelstelling van onder de 30 seconden voor real-time interactie werd behaald.
Anomalie Afhandeling: Anomalieën werden gedetecteerd in 30% van de analyses; het re-verificatieprotocol loste 67% van deze gevallen op.
Vertrouwenscorrelatie: Er werd een Pearson-correlatie van 0,61 waargenomen tussen vertrouwensniveaus en directionele nauwkeurigheid. Aanbevelingen met een hoog vertrouwen (>70%) behaalden 82% nauwkeurigheid, vergeleken met 58% voor die met een laag vertrouwen.

Betekenis en Claims
Dit artikel positioneert dit werk als een reproduceerbare, interpreteerbare architectuur die de "black-box" beperking van huidige financiële AI aanpakt. Door heterogene analytische perspectieven te integreren met een zelfhelend mechanisme en LLM-gestuurde bewijscitatie, biedt het framework een transparant besluitvormingsinstrument voor opkomende markten zoals India. De auteurs beweren dat deze aanpak geavanceerde analyses democratiseert, waardoor retailbeleggers toegang krijgen tot vertrouwensbewuste, verklaarbare inzichten zonder te hoeven vertrouwen op opieke deep learning-modellen. Het systeem wordt gepresenteerd als een proof-of-concept die gebouwd kan worden met open-source tools en publieke data, waarbij specifieke paden zijn geïdentificeerd voor toekomstige verbetering, zoals dynamische gewicht-optimalisatie via reinforcement learning en de ontwikkeling van een "Indic-FinBERT" model voor een betere behandeling van Indiase financiële jargon.