FinGenius: KI-Finanzagent für A-Aktien, der seinen Bericht im Streitgespräch erarbeitet

FinGenius ist eine KI-Anwendung zur Finanzanalyse für den chinesischen A-Aktienmarkt. Die Idee: Die Arbeitsweise eines Research-Teams, bei der mehrere Spezialisten dieselbe Frage aus verschiedenen Blickwinkeln betrachten und sie danach durchstreiten, wird an eine Gruppe von Agenten übergeben. Die Unterlagen beschreiben eine Multiagenten-Architektur auf spieltheoretischer Grundlage, in der 16 spezialisierte Agenten (Stimmung, spekulatives Kapital, Risikokontrolle und weitere) die Arbeit aufteilen und einen zusammengeführten Finanzbericht erzeugen.

Der Unterschied zum Chatbot mit einer Runde liegt im Ablauf: Eine Research-Umgebung übernimmt die gemeinsame Analyse, eine Battle-Umgebung das strukturierte Streitgespräch, und das vollständige Ergebnis wird von einer zur anderen weitergereicht. Die Unterlagen nennen außerdem Spieltheorie zur Optimierung von Entscheidungen und einen Gedächtnis-Algorithmus, der die Angewohnheiten des Nutzers erfasst, um die Analyse zu personalisieren. Das Ergebnis ist Analysematerial, keine Anlageberatung.

Was es tut

• Multiagenten-Streitgespräch: Die Agenten für Stimmung, spekulatives Kapital und Risikokontrolle betrachten jeweils eine andere Seite desselben Titels, anschließend werden die Befunde zu einem Bericht zusammengeführt. Die Unterlagen beschreiben das als Nachbildung der Interaktion von Marktteilnehmern statt einer Antwort eines einzelnen Modells in einem Durchgang.
• Zwei Umgebungen: Die Research-Umgebung verantwortet die gemeinsame Analyse, die Battle-Umgebung das strukturierte Streitgespräch, also den realen Weg von der Recherche zur Entscheidung.
• Kumulatives Streitgespräch: Die Battle-Umgebung übernimmt alle vorherigen Beiträge der Spezialisten als Kontext. Jede Runde baut auf den vorigen auf, statt unverbundene Statements aneinanderzureihen.
• Datenintegration und Berichte: Mehrere Datenquellen werden zu einem strukturierten, multimodalen Bericht zusammengeführt, der Kerninformationen und Risikopunkte herausarbeitet.
• Echtzeitverarbeitung und Risikowarnungen: Die Unterlagen nennen Verarbeitung großer Finanzdatenmengen im Millisekundenbereich und Echtzeitüberwachung von Marktanomalien, um Risiken früh zu erkennen.
• MCP-Werkzeugeinbindung: Die Zusammenarbeit zwischen Modellen läuft über das Model Context Protocol, das die Unterlagen als steckbares Ökosystem für Finanzwerkzeuge beschreiben.

So wird es benutzt

1. fingenius.cn öffnen oder die mobile App installieren (laut Unterlagen in den Stores von Honor, Xiaomi und Vivo), dann registrieren und anmelden.
2. Analyseparameter und Warnbedingungen nach den eigenen Gewohnheiten einstellen. Die Unterlagen nennen das Anpassung; welche Einstellungen es tatsächlich gibt, prüft man besser im Produkt.
3. Titel oder Frage einreichen und einen vollständigen Durchlauf zulassen: zuerst die gemeinsame Analyse der Agenten, danach die Debattenphase.
4. Beim Lesen des Berichts auf drei Dinge achten: auf welchen Daten die Schlussfolgerung ruht, welche Risiken markiert wurden und welche Meinungsverschiedenheiten unaufgelöst blieben. Der letzte Punkt ist oft der nützlichste.
5. Für den Eigenbetrieb den Code aus dem Repository HuaYaoAI/FinGenius auf GitHub nehmen und wie in der Anleitung mit conda oder uv installieren.
6. Nach dem Deployment die Konfigurationsdatei bearbeiten und den API-Schlüssel eintragen, dann per Kommandozeilenparameter Ausgabeformat, Speichern der Ergebnisse und Sprachausgabe steuern. Schrittzahl der Agenten und Debattenrunden sind ebenfalls einstellbar.

Wofür es passt

• Grundlage für Entscheidungen: Analysematerial zu Einzeltiteln und Portfolios, das Informationssammlung und erste Argumentation verkürzt.
• Risikomanagement: Anomalieüberwachung und Risikohinweise als Routine statt nachträglicher Ursachensuche.
• Trendbeobachtung: eine fortlaufende, über die Zeit vergleichbare Aufzeichnung von Branchen- und Marktbewegungen.
• Research-Arbeit: Datenintegration und ein Erstentwurf für Analysten, wobei ein Mensch entscheidet, welche Schlüsse tragen.
• Quantitative Forschung: Ausgangspunkte für Signale und Strategiehypothesen, weiterhin per Backtest zu prüfen.

Grenzen, die man kennen sollte

• Die Unterlagen nennen keine Preise oder Tarife, daher sind Kostenfreiheit und Abrechnung an der aktuellen offiziellen Beschreibung zu prüfen.
• Formulierungen wie weltweit erste oder präzise stammen aus den Unterlagen und sind Aussagen des Anbieters; dieser Artikel behandelt sie nicht als unabhängig geprüfte Ergebnisse.
• Millisekundenverarbeitung und 16 Agenten sind Angaben der Unterlagen; tatsächliche Latenz, Agentenzahl und Arbeitsteilung können sich je Version ändern.
• Die Unterlagen nennen die Stores von Honor, Xiaomi und Vivo und sagen nicht, ob weitere Plattformen unterstützt werden.
• Der Bericht ist Analysematerial, keine Anlageberatung. Märkte sind unsicher; Schlussfolgerungen selbst prüfen, denn Gewinn und Verlust bleiben beim Nutzer.
• Das Multiagenten-Streitgespräch macht Uneinigkeit sichtbar, löst sie aber nicht auf. Oft ist gerade die Uneinigkeit der lesenswerteste Teil.
• Die Unterlagen legen weder Datenquellenliste noch Aktualisierungsfrequenz, historische Tiefe oder regulatorische Zulassungen offen; vor der Einbindung in formale Abläufe beim Anbieter klären.

Häufige Fragen

Ist FinGenius für Privatpersonen oder für Institutionen?

Für beide, mit unterschiedlichem Schwerpunkt. Privatpersonen nutzen es zur Analyse von Einzeltiteln und Portfolios und zur Beobachtung von Risikopunkten; Institutionen für Datenintegration, Berichtsentwürfe und Risikowarnungen. Die Unterlagen trennen die Funktionsumfänge nicht.

Worin unterscheidet es sich von einem normalen KI-Chat?

Ein normaler Chat antwortet in einem Zug. FinGenius durchläuft einen Ablauf: mehrere Rollen analysieren getrennt, gehen in eine Debattenphase und hinterfragen sich, am Ende wird zusammengeführt. Die Unterlagen führen diesen Unterschied auf die Multiagenten-Architektur und die zwei Umgebungen zurück.

Kann der Bericht als Anlageberatung dienen?

Nicht empfehlenswert. Es ist Analysematerial, das Informationen und Argumente auf den Tisch legt, doch Markturteil und wirtschaftliches Ergebnis bleiben beim Nutzer. Die Unterlagen versprechen auch keine Rendite.

Muss man es selbst betreiben?

Nein. Website und mobile App lassen sich direkt nutzen. Den Code von GitHub einzusetzen lohnt, wenn man den Ablauf ändern, Modelle tauschen oder eigene Datenquellen anbinden will; dafür braucht es einen API-Schlüssel und eine Python-Umgebung.

Sind mehr Debattenrunden besser?

Nicht zwangsläufig. Mehr Runden sammeln Kontext, können eine Uneinigkeit aber auch verstärken und die Laufzeit verlängern. Die Unterlagen nennen nur die Einstellbarkeit ohne empfohlenen Wert, daher an der eigenen Aufgabe testen.