AI Broker Agent: jak zbudowaliśmy agenta do analizy giełdowej w 7 dni
Analityk spędza 3-4 godziny na raporcie o jednej spółce. Zbudowaliśmy agenta, który robi to samo w 2 minuty - 8-sekcyjny PDF z danymi fundamentalnymi, DCF, analizą techniczną i rekomendacją AI. Poniżej pokazuję jak to zbudowaliśmy w 7 dni i co z tego wynika.
Opublikowano: 8 kwietnia 2026 | Czas czytania: ok. 7 minut
1. Problem: analiza spółki trwa godziny zamiast minut
Każdy, kto pracował w domu maklerskim lub zarządzał portfelem inwestycyjnym, wie jak wygląda typowy poranek analityka: otwierasz Bloomberg, ściągasz dane finansowe z kilku źródeł, wklejasz je do Excela, obliczasz wskaźniki P/E, P/BV, EV/EBITDA. Potem sprawdzasz wykresy techniczne. Szukasz newsów o spółce, analizy sektora, ryzyk makroekonomicznych. Na końcu piszesz raport.
Przy jednej spółce - minimum 3 godziny. Przy portfelu 20 spółek do monitorowania co tydzień - to 60 godzin pracy analitycznej, które pochłaniają czas ludzi z najcenniejszą wiedzą w organizacji.
Zapytaliśmy kilka firm z sektora finansowego: jaka część tej pracy wymaga prawdziwego osądu eksperckiego, a jaka to zbieranie i formatowanie danych? Odpowiedź była zaskakująca - ponad 70% czasu to mechaniczne agregowanie informacji z różnych źródeł, zanim analityk w ogóle zacznie myśleć.
To był punkt wyjścia do naszego proof of concept. Postanowiliśmy zbudować agenta AI, który wykona tę pierwszą, mechaniczną część - zbierze dane, przeliczy wskaźniki, przygotuje strukturę raportu - żeby analityk mógł od razu przejść do tego, co naprawdę wymaga jego ekspertyzy.
Cel: 7 dni, działający demon, raport gotowy w 2 minuty. Udało się.
2. Co potrafi AI Broker Agent - 8 sekcji raportu
Demo przyjmuje jeden input: ticker spółki (np. KGHM, CDR, PKN, ALE, JSW). Po kliknięciu "Generuj raport" uruchamia się pipeline agentyczny, który zbiera dane z kilku źródeł równolegle i składa gotowy PDF. Każdy raport ma 8 sekcji:
Profil spółki
Podstawowe informacje: sektor, kapitalizacja, giełda, opis działalności, główne segmenty przychodów. Agent pobiera aktualne dane i przygotowuje jeden-dwa akapity kontekstu bez potrzeby ręcznego szukania.
Analiza fundamentalna
Sekcja z czterema kluczowymi wskaźnikami wyceny: P/E (cena do zysku), P/BV (cena do wartości księgowej), EV/EBITDA (wartość przedsiębiorstwa do EBITDA) oraz ROE (zwrot z kapitału własnego). Każdy wskaźnik zestawiony z medianą sektora, żeby inwestor widział czy spółka jest tania czy droga na tle konkurencji.
Model DCF
Uproszczona wycena metodą zdyskontowanych przepływów pieniężnych. Agent korzysta z historycznych danych finansowych, przyjmuje założenia co do wzrostu i stopy dyskontowej, a wynik prezentuje jako przedział wyceny. Ważne: to narzędzie orientacyjne, nie precyzyjna prognoza.
Analiza techniczna
Podstawowe wskaźniki techniczne: trend cenowy, poziomy wsparcia i oporu, RSI, SMA. Agent analizuje dane historyczne kursów i interpretuje sygnały - bez potrzeby otwierania platformy transakcyjnej.
Kontekst sektorowy
Gdzie spółka stoi na tle branży? Agent wyszukuje aktualne informacje o trendach w sektorze, głównych ryzykach makroekonomicznych i regulacyjnych, oraz pozycji konkurencyjnej analizowanej spółki.
Ryzyka i szanse
Osobna sekcja z listą zidentyfikowanych ryzyk (regulacyjne, surowcowe, walutowe, makroekonomiczne) oraz szans (nowe rynki, zmiany regulacji na korzyść, trendy popytu). Agent szuka aktualnych newsów i syntezuje je w punkty.
Rekomendacja AI
Na podstawie wszystkich powyższych sekcji agent formułuje syntetyczną ocenę: co przemawia za spółką, co przeciw, na co zwrócić uwagę. Nie jest to rekomendacja inwestycyjna w sensie prawnym - to podsumowanie zebranych danych przez model językowy.
Disclaimer: Raport nie stanowi rekomendacji inwestycyjnej w rozumieniu przepisów o obrocie instrumentami finansowymi. Jest narzędziem analitycznym wspierającym pracę specjalistów.
Źródła
Każdy raport zawiera pełną listę źródeł: linki do danych finansowych, artykułów newsowych, raportów sektora. Przejrzystość jest tu priorytetem - analityk może zweryfikować każdą informację.
Czas od kliknięcia do gotowego PDF: około 2 minuty. Przetestowaliśmy na KGHM, CD Projekt, PKN Orlen, Allegro i JSW.
3. Stack technologiczny: Next.js, Yahoo Finance, Tavily, Claude
Wybór technologii był celowy - chcieliśmy pokazać, że taki agent można zbudować szybko i bez egzotycznych narzędzi. Pełny stack:
Frontend: Next.js 15 + Tailwind CSS
Interfejs użytkownika zbudowany w Next.js 15. Prosty formularz z polem na ticker, przycisk generowania, widok postępu w czasie rzeczywistym (agent informuje co robi: "Pobieram dane finansowe... Obliczam wskaźniki... Generuję raport..."), i finalne pobieranie PDF.
Dane finansowe: Yahoo Finance CLI (Python)
Do pobierania danych giełdowych - kursy historyczne, dane finansowe ze sprawozdań, wskaźniki rynkowe - używamy biblioteki yfinance przez skrypt Python uruchamiany na backendzie. Yahoo Finance daje darmowy dostęp do solidnej bazy danych bez potrzeby płatnych API giełdowych.
Research newsowy: Tavily Research API
Tavily to API do przeszukiwania internetu zaprojektowane z myślą o agentach AI. Agent wysyła zapytanie o spółkę i sektor, a Tavily zwraca przetworzone, relewantne wyniki - bez szumu typowego dla zwykłego wyszukiwania. To zasilanie sekcji newsowej i analizy sektorowej.
Model językowy: Claude Sonnet via Vercel AI SDK
Całą inteligencję analityczną zapewnia Claude Sonnet. Vercel AI SDK ułatwia integrację - strumieniowanie odpowiedzi, obsługę błędów, zarządzanie promptami. Agent działa na zestawie promptów per sekcja raportu, każdy z precyzyjnie zdefiniowanym zadaniem i formatem wyjścia.
Generowanie PDF: @react-pdf/renderer
Raport wychodzi jako sformatowany PDF z nagłówkami, tabelami wskaźników i sekcjami tekstowymi. Biblioteka @react-pdf/renderer pozwala definiować układ dokumentu w JSX - ta sama składnia co React, ale wynikiem jest plik PDF gotowy do pobrania.
Deploy: GCP Cloud Run, region europe-central2
Demo działa na Google Cloud Run w regionie europe-central2 (Warszawa). Cloud Run to serwis serverless - aplikacja uruchamia się na żądanie, skaluje automatycznie, nie wymaga zarządzania serwerami. Dla dema i PoC to idealne rozwiązanie: niskie koszty przy małym ruchu, gotowość na skalowanie.
Koszt jednego raportu: 3-6 PLN. To głównie koszt wywołań API modelu językowego. Przy skali kilkuset raportów dziennie koszty są zarządzalne - i bez porównania niższe niż godzina pracy analityka.
Więcej o architekturze agentic workflows i jak działają takie pipelines opisaliśmy w osobnym artykule.
4. Jak działa - od kliknięcia do raportu w 2 minuty
Warto zobaczyć, co dzieje się pod maską. Gdy użytkownik wpisuje ticker i klika "Generuj":
Krok 1: Równoległy odczyt danych (0-30 sek)
Backend uruchamia trzy równoległe zadania: skrypt Python pobiera dane finansowe z Yahoo Finance (kursy, bilans, rachunek wyników, przepływy pieniężne), Tavily wyszukuje najnowsze newsy o spółce i sektorze, a z danych kursowych obliczane są wskaźniki techniczne. Równoległość skraca czas oczekiwania - wszystko dzieje się jednocześnie.
Krok 2: Kalkulacje wskaźnikowe (30-45 sek)
Na zebranych danych liczone są wskaźniki fundamentalne (P/E, P/BV, EV/EBITDA, ROE) oraz model DCF. To czysta matematyka - agent nie "wymyśla" liczb, liczy na podstawie pobranych danych finansowych.
Krok 3: Generowanie sekcji przez agenta (45-90 sek)
Model językowy dostaje dane jako kontekst i generuje kolejne sekcje raportu - profil, analizę fundamentalną z interpretacją wskaźników, kontekst sektorowy, ryzyka i szanse, rekomendację. Każda sekcja to osobne wywołanie z dedykowanym promptem. Strumieniowanie w UI daje użytkownikowi poczucie, że coś się dzieje.
Krok 4: Składanie i generowanie PDF (90-120 sek)
Wszystkie sekcje są składane w strukturę dokumentu. @react-pdf/renderer renderuje PDF - nagłówki, tabele z wskaźnikami, sekcje tekstowe, stopka z disclaimerem i listą źródeł. Plik jest gotowy do pobrania.
Cały flow to nic innego jak impureim sandwich: najpierw zebranie danych z zewnątrz (Yahoo Finance, Tavily), potem czyste obliczenia i generowanie tekstu, na końcu zapis do PDF. Ta architektura sprawia, że każdy etap jest testowalny i wymienialny niezależnie.
5. Ograniczenia i disclaimer prawny
Przejrzystość jest ważna - szczególnie przy narzędziach finansowych. Kilka rzeczy, które warto wiedzieć przed wdrożeniem czegoś podobnego w produkcji:
To jest proof of concept, nie system produkcyjny
Demo pokazuje możliwości. Dane z Yahoo Finance mają opóźnienie - nie nadają się do handlu intraday. Przy wdrożeniu w instytucji finansowej należy podłączyć licencjonowane źródła danych w czasie rzeczywistym.
Model DCF to orientacja, nie prognoza
Uproszczony DCF oparty na historycznych przepływach i standardowych założeniach daje punkt odniesienia, nie precyzyjną wycenę. Analityk musi zweryfikować założenia i dostosować je do specyfiki spółki.
Disclaimer inwestycyjny
Generowane raporty nie stanowią rekomendacji inwestycyjnych w rozumieniu ustawy o obrocie instrumentami finansowymi. Nie zastępują analizy sporządzonej przez licencjonowanego analityka. Każde wdrożenie w instytucji regulowanej wymaga dostosowania do wymogów MiFID II i nadzoru KNF.
Jakość zależy od jakości danych
Garbage in, garbage out. Jeśli dane finansowe spółki są niekompletne lub nieaktualne w źródle, raport to odzwierciedla. Przy wdrożeniu produkcyjnym kluczowe jest podłączenie rzetelnych, licencjonowanych źródeł danych.
To nie są powody żeby nie budować takich narzędzi - to lista rzeczy do zaadresowania przy przejściu z PoC na produkcję.
6. Dla kogo budujemy takich agentów
AI Broker Agent to jeden przykład szerszej kategorii - agentów AI do automatyzacji pracy analitycznej i raportowania. Rozmawiamy z firmami z sektora finansowego o wdrożeniu podobnych rozwiązań.
Gdzie widzimy największy potencjał:
- Domy maklerskie i biura analityczne - automatyzacja pierwszego etapu przygotowania raportu; analityk dostaje gotowy draft i skupia się na interpretacji i rekomendacji
- TFI i fundusze inwestycyjne - monitoring portfela: regularne raporty statusu dla wszystkich spółek w portfelu bez angażowania czasu analityków
- Family offices i zamożni inwestorzy indywidualni - dostęp do analiz jakości instytucjonalnej bez utrzymywania etatowego analityka
- Platformy inwestycyjne - value-add dla użytkowników: automatyczne karty spółek przy każdym instrumencie
Wspólny mianownik: wszędzie tam, gdzie analiza jest powtarzalna, oparta na znanych źródłach danych, i gdzie czas analityka jest zbyt cenny żeby go marnować na zbieranie i formatowanie informacji.
Podobne podejście stosujemy przy automatyzacji innych procesów - nie tylko w finansach. Przewodnik po wdrożeniu AI w firmie pokazuje, jak identyfikować takie procesy w każdej organizacji.
Jeśli prowadzisz firmę, która przetwarza duże ilości danych i regularnie produkuje podobne raporty, prawdopodobnie jesteś dobrym kandydatem do podobnego rozwiązania. Nie musisz być w sektorze finansowym.
Budujemy takie systemy w 7 dni. Jeśli chcesz zobaczyć, jak to mogłoby wyglądać w Twojej firmie - umów rozmowę.
7. FAQ
Czy AI Broker Agent zastąpi analityków giełdowych?
Nie. Agent automatyzuje pierwszą, mechaniczną fazę pracy - zbieranie danych i obliczenia wskaźnikowe. Ocena jakościowa, interpretacja kontekstu biznesowego i ostateczna rekomendacja inwestycyjna nadal wymagają eksperta. Agent to narzędzie dla analityka, nie jego zamiennik.
Ile kosztuje wdrożenie takiego systemu?
Demo zbudowaliśmy w 7 dni. Koszt wdrożenia produkcyjnego zależy od zakresu: licencjonowane źródła danych, integracja z systemami wewnętrznymi, wymogi compliance, UI/UX dopasowany do organizacji. Zakres ustalamy indywidualnie - skontaktuj się, żebyśmy mogli ocenić Twój przypadek.
Jakie dane giełdowe obsługuje agent?
Demo działa na danych z Yahoo Finance - głównie spółki z GPW i dużych giełd zachodnich. Przy wdrożeniu produkcyjnym można podłączyć dowolne licencjonowane źródło danych: Bloomberg, Refinitiv, lokalne systemy transakcyjne. Agent jest agnostyczny wobec źródła danych.
Czy raporty są zgodne z MiFID II?
Demo nie jest projektem dla instytucji regulowanej - to proof of concept. Wdrożenie w domu maklerskim czy TFI wymagałoby dostosowania do wymogów MiFID II, w tym odpowiednich disclaimerów, procesów zatwierdzania rekomendacji i nadzoru compliance. To dotyczy każdego narzędzia analitycznego, nie tylko AI.
Jak szybko można zbudować podobne narzędzie dla innej branży?
Architektura jest generyczna: dane wejściowe z zewnętrznych źródeł, kalkulacje, generowanie raportu przez model AI, output w PDF. Zamieniamy źródła danych i strukturę raportu - i mamy agenta dla innej branży. Dla relatywnie prostych przypadków - 7-14 dni od kickoffu do działającego dema.
Czy agent rozumie kontekst polskiego rynku?
Tak - Claude Sonnet rozumie polskie realia gospodarcze, strukturę GPW, specyfikę lokalnych sektorów. Prompty zawierają kontekst polskiego rynku. Testowaliśmy na spółkach z WIG20 i wyniki były satysfakcjonujące jakościowo.
Co odróżnia to od gotowych robo-doradców na rynku?
Gotowe robo-doradców są produktami generycznymi dla inwestorów detalicznych. My budujemy narzędzia dedykowane: dostosowane do procesu konkretnej firmy, zintegrowane z jej systemami, z własnymi kryteriami analizy i formatem raportu. To custom agent, nie off-the-shelf produkt.
Chcesz zobaczyć demo na żywo?
Rozmawiamy z firmami z sektora finansowego i nie tylko - wszędzie tam gdzie raporty analityczne pożerają za dużo czasu specjalistów. 30 minut, zero pitch decku, pokażę agent w akcji na konkretnej spółce.
kontakt@lessmanual.ai