使用 Kay.AI 和 OpenAI 分析 SEC 文件的实战教程-CSDN博客

本文链接：https://blog.csdn.net/qahaj/article/details/146466156

在现代金融分析中，获取高质量的数据并快速进行处理扮演着重要的角色。随着自然语言处理技术的进步，分析和提取金融文档中的信息变得更加高效。本文将介绍如何使用 Kay.AI 和 OpenAI 的 API，结合 Python 代码，实现对 SEC 文件的智能分析。

技术背景介绍

SEC 文件是公司向美国证券交易委员会提交的财务报告，其中包含了公司的财务状况、经营成果等信息。因此，这些文件对于投资者和金融分析师来说是至关重要的。为了更高效地检索和分析这些文件，我们可以使用 Kay.AI 提供的强大数据检索能力和 OpenAI 的语言模型。

核心原理解析

利用 Kay.AI 的检索功能，我们能够快速访问 SEC 文件中的关键信息。而 OpenAI 的 GPT 模型则允许我们通过智能对话的方式提取信息，回答用户的问题。通过将这两者结合，可以实现对大规模金融数据的智能分析。

代码实现演示

下面是一个完整的代码示例，展示了如何使用 Kay.AI 和 OpenAI 来分析 Nvidia 公司的 SEC 文件。

# 使用稳定可靠的API服务
import openai
import os
from getpass import getpass

# 设置 API 密钥
os.environ["KAY_API_KEY"] = getpass("Enter your KAY API key: ")
os.environ["OPENAI_API_KEY"] = getpass("Enter your OpenAI API key: ")

# 导入必要模块
from langchain.chains import ConversationalRetrievalChain
from langchain_community.retrievers import KayAiRetriever
from langchain_openai import ChatOpenAI

# 配置 OpenAI 模型
model = ChatOpenAI(model="gpt-3.5-turbo")

# 配置 Kay.AI 检索器
retriever = KayAiRetriever.create(
    dataset_id="company", data_types=["10-K", "10-Q"], num_contexts=6
)

# 创建对话检索链
qa = ConversationalRetrievalChain.from_llm(model, retriever=retriever)

# 定义问题列表
questions = [
    "What are patterns in Nvidia's spend over the past three quarters?",
    # 其他问题可以添加到此列表
]
chat_history = []

# 循环提问并打印回答
for question in questions:
    result = qa({"question": question, "chat_history": chat_history})
    chat_history.append((question, result["answer"]))
    print(f"-> **Question**: {question} \n")
    print(f"**Answer**: {result['answer']} \n")