Az előző blogbejegyzésem egyenes folytatásaként a SimFin gyakorlatán keresztül – több részben – bemutatom a buy-and-hold Tudatos KisBefektetők számára is elérhető pénzügyi adatgyűjtés AI által támogatott, data science alapú lépéseit. Hűűű, ez most ijesztően hangzott, és inkább eltávolít, mint közelhoz. Pedig nincs többről szó, mint amit a SimFin maga is megfogalmaz – szabad fordításban:
„A pénzügyi adatok hosszú időn keresztül egy szűk elit kiváltságai voltak. A minőségi adatszolgáltatás egy éves előfizetés ára gyakran 10–20 ezer dollár körül mozog, ami automatikusan kizárja az átlagos felhasználót (tőlem: Tudatos KisBefektető). Az adatok bankoknál, hedge fundoknál és az akadémiai világban koncentrálódnak – utóbbi pedig látványosan képtelen arra, hogy a pénzügyeket valódi, az átlagemberek számára is hasznos gyakorlattá tegye.
Az XBRL-kötelezettség megjelenésével az amerikai vállalatok pénzügyi adatai végre digitális formában, automatizálható módon váltak elérhetővé. Bár az adatok feldolgozása technikailag továbbra sem triviális, megjelentek azok a szolgáltatók, amelyek ezt a problémát fillérekért oldják meg.
A baj csak az, hogy az új adatforrások API-jai gyakran a fejlesztőknek, nem pedig az átlagos felhasználóknak készültek. A SimFin Python API ebben hoz valódi áttörést: eltünteti az infrastruktúrát a kutató és az adat közül. Ráadásul az alap adatkészletek ingyenesek, így a kutatás nemcsak olcsóbb, hanem reprodukálható és könnyen megosztható is.
Ez nem egyszerűen egy műszaki finomítás, hanem strukturális változás. Ha az adatokhoz való hozzáférés demokratizálódik, akkor a pénzügyi gondolkodás, tudatosság is szükségszerűen megváltozik.”
(az eredeti szöveg: SimFin Tutorial 01 – The Basics | Introduction)
Amit pedig még én teszek hozzá, hogy ez a demokratizálódás még tovább növelhető az AI és némi data science alap elsajátításával.
Ebben a részben áttekintjük a Tudatos KisBefektetők számára jellemző adatgyűjtési módokat, és eljutunk a fentebb említett API használatának igazolásához. Ennek eredményeként az ijesztő Pythont közelebb hozzuk a – legalábbis névrokonának számító – szórakoztató Monty Python világához . Persze ne áltassuk magunkat: a Python tanulása kezdetben nagyobb kihívás lesz, mint egy Monty Python epizód megnézése. De az AI segítségével, strukturált tanulással és némi türelemmel a folyamat sokkal élvezetesebb, mint gondolnád, és a befektetett idő bőven megtérül. Kezdjünk is bele!
A hosszú távú részvénybefektetésben utazó Tudatos KisBefektetők és úgy általában az online kis- és középvállalatok (pl. digitális marketing) számára a döntéstámogatáshoz szükséges adatgyűjtés tipikus formái:
A fentiekhez használhatsz valamilyen okos eszközt (pl. marketinghez Google Analytics, Hotjar, Google Optimize, CrazyEgg), vagy szolgáltatót (lásd a példákat az előző bejegyzésem alján a táblázatban, tipikusan részvényelemzéshez). A másik irányzat, amerre kicsit mi is elindulunk, az az, hogy teljesen magadtól csinálsz mindent, ám ez már a vegytiszta data science területe lesz.
Ami most neked fontos, hogy a fenti 1–4 pontból jelenleg az API-ra koncentrálunk (később teszünk egy kis kirándulást a web scraping világába is). Miért? Mert szeretünk nem elugrani a nehézségek elől, hanem beleállni .
És a nehézségnek tűnő dolog itt a Python (és úgy általában a kódolás – R, SQL, Bash), ami elkerülhetetlen lesz. Az van ugyanis, hogy bár elsőre kézenfekvőnek tűnik a kódolási ismeretekkel nem rendelkezők számára a nyers adatok letöltése és manuális, illetve ilyen-olyan Excel-okosságokkal való kezelése, ez nem célravezető. Legalábbis nem hatékony.
Ha érted és komolyan veszed a fundamentális elemzést, nagyon hamar „letérdel” az adott esetben feketeöves Excel-tudásod. Gondold meg: csak az alapvető screeninghez (a további elemzéshez való részvénykiválasztáshoz) több ezer (ha csak az USA-ban gondolkodsz) és több tízezer (globálisan) vállalatot kell rendszeresen frissítve végignyálaznod. Ezeknek a vállalatoknak legalább a hivatalos pénzügyi beszámolóikban szereplő adataira szükséged lesz (eredménykimutatás, mérleg, cashflow), és lehetőleg legalább az elmúlt tíz évre, de inkább többre.
Miért is? A gazdaságban jól azonosítható ismétlődő minták, hullámok befolyásolják a vállalati működést (amik ráadásul kölcsönhatások, tehát visszafelé is hatnak, egymást alakítják). Ezek lehetnek rövid távúak (szezonális hatások), lehetnek ciklusok (átlagosan 8–12 év), és lehetnek hosszú távú hullámok (több évtizeden átívelő megatrendek). Minket itt most az átlagosan 8–12 éves ciklusok érdekelnek.
Ez az, amit úgy érzékelünk, hogy konjunkturális emelkedés, majd menetrendszerűen érkező gazdasági összeomlás. Elemzői oldalról ez azért érdekes, mert többek között arra vagyunk kíváncsiak, hogy hogyan viselkedett egy vállalat (és a menedzsmentje) egy teljes ciklus során. Ha túl rövid időszakot vizsgálsz, akkor lehet, hogy hibás képet kapsz.
Könnyű szupervállalatnak és sztármenedzsernek lenni, amikor minden rózsaszín, a pénzt észnélkül nyomtatják, mindenki optimista. És fordítva: nem biztos, hogy egy globális összeomlás kellős közepén mért értékek hosszú távon minősítik a céget és a vezetőségét. Ahogy Warren Buffett mondta (saját fordítás): „minden kacsa boldogan hápog, amikor emelkedik a vízszint” (1997-es Berkshire Hathaway éves részvényesi levél), „de azt, hogy ki fürdött gatya nélkül, csak akkor látjuk, ha elvonul a dagály” (2001-es Berkshire Hathaway éves részvényesi levél).
Na már most, ha látni szeretnéd, hogy „ki fürdött gatya nélkül”, akkor több ezer vagy éppen tízezer vállalatra nézve, hosszú évekre visszamenőleg (majd pedig a jövőben folyamatosan frissítve) sok-sok pénzügyi paramétert kell strukturált formában kezelned (kvantitatív elemzés). És akkor itt még a rendezetlen adatok – pl. negyedéves earnings callok, mindenféle megszólalások, elemzések szöveges, audiovizuális verziói (kvalitatív elemzés) – szóba sem kerültek.
Visszatérve a pragmatikumra: már az első lépésnél az a minimum, hogy több különböző adattáblát kell kezelned. Azaz már itt belépsz a relációs adatbázis-kezelés világába, ahol nagyon hamar befigyel az SQL, majd ahogy az adatok komplexebbé válnak és számosságukban elképesztő méreteket öltenek, elkerülhetetlenül szembetalálod magad egy ijesztőnek tűnő óriáskígyóval: a Pythonnal. És még nem elemeztél, csak adatot gyűjtöttél…
Összefoglalva az eddigieket: Tudatos KisBefektetőként ugyan, de törekedve – a saját érdekedben – a professzionális elemzési gyakorlatra, hamar be fogod látni, hogy muszáj megismerkedned az eredetileg fejlesztőknek szánt, és korábban valóban csak a fejlesztők által értett megoldások alkalmazásával, mint az API-k, és még általánosabban a Python programozási nyelv megismerése.
Ez a rossz hír. A jó hír, hogy a poszt elején idézett SimFin-filozófiának megfelelően, kiegészítve az AI segítségével és némi data science praktikummal, a teljes folyamat demokratizálható, azaz az átlagember által is megtanulható és sikeresen alkalmazható.
A következő részben fejest ugrunk a témába: megmutatom, hogy Python területén teljesen fogalmatlanként, tisztán AI használatával hogyan tudtam felállítani környezetet és használni a SimFin API-t pénzügyi adatok letöltéséhez. 
**Fontos figyelmeztetés:** Ez a bemutató azt célozza majd, hogy érzékeld az AI lehetőségeit mint segédeszközt – de önmagában NEM elegendő. Senkinek nem ajánlom, hogy kódolási és Data Science alapok elsajátítása nélkül tisztán AI-ra hagyatkozva végezzen befektetési döntéselőkészítést. Az AI hibázik, hallucinál, és elavult kódot generálhat. A későbbi részekben bemutatom, hogyan kombinálj AI-t valódi tudással a biztonságos használathoz.
Hamarosan visszatérek .
Jogi disclaimer:
Hogy mindenki ügyvédje nyugodtan aludhasson, itt újra szeretném hangsúlyozni, hogy a poszt nem ajánlás a SimFin használatára. Bármely adatszolgáltató, így a SimFin használata is a te döntésed. A blog a részvénybefektetésekhez szükséges adatelemzési módszerekkel kapcsolatos személyes véleményemről szól, amelyhez szemléltetésként a SimFin adatgyűjtési folyamatát választottam ki. Módszertani személyes tapasztalatmegosztás és nem befektetési ajánlás.
Az adatvezérelt döntéshozásról ma már minden cég beszél, de jóval kevesebben csinálják jól. Hárombetűs rövidítések (KPI, OKR, ERP, CRM) lepik el a prezentációkat, miközben a valódi kérdés az lenne: tényleg azt mérjük, ami a tulajdonosok számára értéket teremt? Vagy csak kipipáljuk az „adatvezéreltség” és a „digitalizáció” buzzwordjeit, miközben csendben égetjük a tőkét.
Az adatvezérelt döntéstámogatás folyamatának egyik kritikus lépése a megfelelő metrikák megválasztása.
Tudtad, hogy a rosszul meghatározott KPI ok és ösztönzők alapján simán el lehet vezetni egy vállalatot hatalmas bónuszokért úgy, hogy valójában a menedzsment nem tesz le valódi hozzáadott értéket az asztalra?
Tudtad, hogy még ha a vezetés jóhiszemű és hozzáértő is, akkor is tud tulajdonosi értéket rombolni egyszerűen a rosszul megválasztott metrikák eredményeként?
Tudtad, hogy külön irodalma van annak, hogyan lehet a klasszikus számviteli mutatókat törvényes keretek között – akár akaratlanul, akár szándékosan – manipulálni a vezetés érdekében, a tulajdonosok rovására? Olvass tovább a részletekért!
