Ich habe mit US-Aktien Geld verloren und dann einfach eine AI die Analyse übernehmen lassen.
(rallypi.com)Ich war es leid, immer wieder Nachrichten zu suchen, zu sortieren und zu bewerten.
Also habe ich einfach eine AI gebaut, die die Analyse für mich übernimmt.
Wenn man reingeht, erstellt sie auf Basis von News und SEC-Offenlegungsdaten automatisch Berichte
und fasst außerdem die Entwicklung nach Börsenschluss separat zusammen.
✔️ Kaum noch Zeitaufwand für die Analyse einzelner Werte
✔️ Man sieht sofort nur die Kernaussagen aus den News
✔️ Der Tagesverlauf lässt sich schnell erfassen
So funktioniert es.
- Tägliche automatische Erstellung von US-Börsenschlussberichten und aktienspezifischer Research
- Die Research pro Wertpapier wird beim Klick einmal täglich erstellt und kann danach schnell abgerufen werden
- Es werden nicht die Originalnachrichten gezeigt, sondern nur die analysierten Kerninhalte zusammengefasst
- ETF-Zusammensetzung / Entwicklung kann ebenfalls mit angesehen werden
Ein paar realistische Einschränkungen gibt es auch.
- Wegen Lizenzthemen werden Indizes auf Basis von DIA / SPY / QQQ bereitgestellt
- Für Charts werden um 15 Minuten verzögerte Daten verwendet
- Beim ersten Abruf gibt es wegen der Berichtserstellung eine kleine Verzögerung
Login ist nur mit Google-Konto oder Telegram möglich,
die Berichte selbst habe ich kostenlos geöffnet.
Ich sammle keine sensiblen Daten, und ein Login ist nur für Leute nötig, die abstimmen möchten.
Ich habe das alleine mit Vibe Coding gebaut,
daher gibt es sicher noch viele Schwächen, aber ich würde mich über Feedback freuen und es nach Möglichkeit einarbeiten.
Was ich beim Bauen gemerkt habe
- Entwicklung mit AI fühlt sich eher nach „Verstärkung“ als nach „Ersatz“ an
Zurzeit wird viel darüber gesprochen, dass Entwickler ersetzt werden,
aber als ich es selbst gemacht habe, merkte ich:
Diese drei Punkte
Validierung / Erklärung / Korrektur
ließen sich allein mit AI deutlich schwerer lösen, als ich gedacht hatte.
Am Ende musste ein Mensch die Richtung ständig weiter vorgeben.
- Wenn man an einem Problem hängen bleibt, ist der Tag schnell verloren
Wenn etwas blockiert, muss man ständig weiter mit GPT arbeiten, um es zu lösen,
und das dauert länger, als man denkt.
Oft saß ich den ganzen Tag daran und konnte es trotzdem nicht lösen,
was mental ziemlich belastend war.
- Ohne Blick auf die „Kosten“ anzufangen ist wirklich gefährlich
Am Anfang
wollte ich bei jeder Anfrage den Bericht in Echtzeit erzeugen.
Aber weil die Kosten für LLM + Daten-APIs nicht tragbar waren,
habe ich die Struktur am Ende auf „einmalige Erstellung nach Börsenschluss + Caching“ umgestellt.
Da auch die Betriebskosten selbst weiter anfallen,
halte ich das Ganze aktuell mit minimal eingeblendeten AdSense-Anzeigen am Laufen.
Das ist wirklich ein Punkt, der einem um die Ohren fliegt, wenn man nicht vorher daran denkt.
Falls hier Nicht-Entwickler mit Vibe Coding unterwegs sind,
würde ich empfehlen, zuerst die Kostenstruktur anzuschauen.
- Infrastruktur ist noch schwieriger als gedacht
Ich habe statt Firebase AWS angebunden,
weil ich dachte, das würde günstiger werden, aber
das Fazit war: Beide sind Geldfresser.
Vor allem bei der Verbindung von GitHub Actions + AWS
habe ich ungefähr drei Wochen verloren und war kurz davor, mental auszusteigen.
- Auch die Modellwahl ist wichtiger als gedacht
Ich habe Claude Sonnet ausprobiert,
aber in der Validierungsphase gab es Auslassungen.
Am Ende habe ich deshalb zusätzlich GPT Codex genutzt, um das auszugleichen.
(Codex extension in VSCode verwendet)
- Am Ende war „Architektur“ das Entscheidende
Anfangs dachte ich, AI würde alles erledigen,
aber
- wann etwas erzeugt werden soll
- was gecacht werden soll
- wie weit die Automatisierung gehen soll
Das festzulegen war viel wichtiger.
- Emotional ist es auch nicht einfach
Das ist etwas persönlich, aber
wenn GPT nicht verstanden hat, was ich meinte (meistens lag es wohl an meiner Erklärung),
hat sich ziemlich viel Stress aufgebaut.
Weil ich ständig daran saß,
gab es mehrere Momente, in denen ich am liebsten die Tastatur zerlegt hätte.
Zusätzlich habe ich noch eine Frage.
In der aktuellen Struktur sind ECS-Tasks / RDS-Ressourcen ausreichend vorhanden,
aber das erste Laden der Website wirkt trotzdem langsamer als erwartet.
(vor allem bei der ersten Anfrage)
Von GPT und Claude kommt immer wieder nur die Antwort „Ressourcen sind ausreichend“,
aber die gefühlte Performance ist klar langsam, also scheint der Flaschenhals woanders zu liegen.
- Liegt es daran, dass bei einem Cache-Miss gleichzeitig auch die Erzeugungslogik läuft?
- Oder ist die Struktur der API-Antworten das Problem?
Ich kann im Moment nicht gut einschätzen, wo hier der Flaschenhals entsteht.
Falls jemand mit einer ähnlichen Architektur schon Performance-Probleme hatte,
würde ich mich über Ratschläge freuen, wo man am besten zuerst hinschauen sollte.
Vielleicht lag es auch daran, dass ich fast ohne Programmierkenntnisse angefangen habe,
aber ich habe ganze zwei Monate dafür gebraucht.
Wenn ich Leute sehe, die in nur ein paar Tagen einen Service bauen,
finde ich das wirklich beeindruckend.
Großen Respekt an alle Entwickler.
Falls jemand auf ähnliche Weise schon einmal mit AI einen Service gebaut hat,
würde mich auch interessieren, woran ihr am meisten hängen geblieben seid.
Ich habe zusätzlich auch eine Telegram-Mini-App ergänzt und poste den Link gleich mit dazu.
https://t.me/rallypi_bot
Noch keine Kommentare.