Kurze Zusammenfassung
Dieses Video zeigt, wie man ein KI-gestütztes technisches Analyse-Dashboard mit Streamlit, Gemini 2.0 und verschiedenen Python-Bibliotheken erstellt. Es werden die notwendigen Schritte zur Einrichtung der Umgebung, zum Abrufen von Aktiendaten, zur Erstellung von Charts mit technischen Indikatoren und zur Verwendung der Gemini 2.0 API zur Analyse der Charts und zur Generierung von Kauf-, Halte- oder Verkaufsentscheidungen erläutert.
- Verwendung von Gemini 2.0 zur automatischen Aktienanalyse.
- Erstellung eines interaktiven Dashboards mit Streamlit.
- Integration verschiedener Python-Bibliotheken wie yFinance, Pandas und Plotly.
Motivation und Einführung
Das Video behandelt die Entwicklung eines KI-gestützten Dashboards für die technische Analyse, das auf dem Gemini 2.0 Modell von Google basiert. Im Gegensatz zu einem früheren Projekt mit dem Llama 3.2 Vision Modell, das sich als ungeeignet erwiesen hat, zielt dieser Ansatz auf Automatisierung und Skalierbarkeit ab. Das Dashboard soll Kauf-, Halte- und Verkaufsentscheidungen für ein gesamtes Portfolio innerhalb von Sekunden liefern.
Wie man diese Analyse noch erweitern kann
Das erstellte Dashboard dient als Ausgangspunkt und bietet Raum für weitere Innovationen. Es wird vorgeschlagen, mehrere KI-Agenten zu orchestrieren, um technische Analysen zu verifizieren und zu verfeinern, oder spezifische Strategien zu testen, um deren potenzielle Ergebnisse zu bewerten. Die Entscheidung, dieses Tool einzusetzen, hängt von den eigenen Marktvorstellungen und dem Vertrauen in KI und technische Analyse ab.
Überlegungen zur Durchführung dieser technischen Analyse
Die Eignung und der Einsatz dieses Tools hängen von den individuellen Marktvorstellungen und dem Vertrauen in KI und technische Analyse ab. Es ist wichtig, die Ergebnisse kritisch zu hinterfragen und das eigene Fachwissen einzubringen, da LLMs experimentell sind und hohe Fehlerraten aufweisen können.
Bibliotheken und Modelle, die zur Erstellung des Dashboards verwendet wurden
Das Tool wird mit Streamlit erstellt, einem Framework für interaktive Dashboards. Es werden verschiedene Python-Bibliotheken verwendet, darunter yFinance zum Abrufen von Aktiendaten, Pandas zur Datenverarbeitung und Plotly zur Erstellung von Datenvisualisierungen. Das Gemini 2.0 Modell von Google wird für die Verarbeitung von Chartbildern eingesetzt.
Ablauf des Workflows
Der Workflow umfasst das Abrufen von Aktienkursdaten mit yFinance, die Verarbeitung mit Pandas und die Visualisierung mit Plotly, um ein Candlestick-Chart mit technischen Indikatoren zu erstellen. Das Chart wird als Bilddatei gespeichert und zusammen mit einer Prompt an die Google AI Studio API gesendet. Die Antwort der KI wird zurückgesendet, um die Analyse zu überprüfen und in den Entscheidungsprozess einzubeziehen.
Wo man den Code für dieses Tutorial sowie Premium-Code findet
Der Code für das Tutorial ist in der Videobeschreibung verfügbar. Es gibt auch einen Link zu einer erweiterten Version, die neben täglichen Candlesticks auch wöchentliche und minutenweise Candlesticks anzeigen kann, was die Nutzung für langfristige Investitionen und Daytrading verbessert. Diese Version bietet auch anpassbare technische Indikatoren.
Haftungsausschluss - dies ist keine Finanz- oder Anlageberatung
Es wird betont, dass das Video keine Finanz- oder Anlageberatung darstellt, sondern ein Tutorial zur Verwendung von LLM Vision Modellen in Python mit Finanzdaten. LLMs sind experimentell und können hohe Fehlerraten aufweisen, daher ist kritisches Denken und Fachwissen bei der Überprüfung der Ergebnisse erforderlich.
So erstellen Sie einen Google AI Studio API-Schlüssel für Gemini 2.0 Flash
Um zu beginnen, muss man sich bei Google AI Studio anmelden und einen API-Schlüssel erstellen. Dies ermöglicht die Nutzung der Gemini API, wobei ein kostenloses Kontingent verfügbar ist, aber auch die Möglichkeit besteht, ein Google Cloud-Abrechnungskonto zu verknüpfen, um höhere Nutzungslimits zu erhalten. Es wird empfohlen, ein Budget festzulegen, um Benachrichtigungen bei Erreichen des Budgets zu erhalten.
So richten Sie Ihre Python-Umgebung für dieses Tutorial ein
Es wird eine neue virtuelle Umgebung mit Python 3.9 erstellt und die erforderlichen Bibliotheken installiert: Streamlit, Google Generative AI, yFinance, Pandas, Plotly und Kido. Es ist wichtig, die exakten Versionen der Bibliotheken zu installieren, um die Funktionalität des Dashboards zu gewährleisten.
Streamlit Technical Analysis Dashboard Code Walkthrough
Der Code beginnt mit dem Importieren der relevanten Pakete und Hilfsprogramme wie tempfile, os, JSON und datetime. Der Google AI Studio API-Schlüssel wird konfiguriert, und das Gemini 2.0 Flash-Modell wird als generatives Modell festgelegt. Die Streamlit-Seite wird mit einem breiten Layout konfiguriert, und die Sidebar dient als Bedienfeld, in dem Benutzer Aktienticker und Datumsbereiche eingeben können. Es werden technische Indikatoren wie Simple Moving Average, Exponential Moving Average und Bollinger Bands zur Auswahl angeboten. Ein Button in der Sidebar lädt historische Aktiendaten mit der yFinance-Bibliothek herunter und speichert sie im Streamlit-Session-State. Die Funktion analyze_ticker erstellt ein interaktives Candlestick-Chart mit Plotly und fügt technische Indikatoren hinzu. Das Chart wird als PNG-Datei gespeichert, und die Bilddaten werden zusammen mit einer Prompt an die Gemini 2.0 API gesendet, um eine technische Analyse durchzuführen. Die Antwort der API wird geparst, und das Chart zusammen mit der Analyse wird im Dashboard angezeigt.
Demo des technischen Analyse-Dashboards
Nach der Einrichtung kann das Dashboard durch Ausführen von streamlit run in der Python-Umgebung gestartet werden. Benutzer können Aktienticker-Symbole hinzufügen, einen Datumsbereich auswählen, technische Indikatoren auswählen und die technische Analyse initialisieren. Das Dashboard zeigt eine Zusammenfassung der Empfehlungen und detaillierte Begründungen für jede Aktie an. Der Link zum vollständigen Code und einer erweiterten Version ist in der Videobeschreibung verfügbar.
