Bygg en finansiell AI-analytiker i Python med LangChain och BörsAPI

Steg-för-steg-guide till hur du bygger en LLM-driven AI-agent i Python med LangChain och BörsAPI för att svara på komplexa frågor om svenska aktier.

1 augusti 20267 min läsning

AI-agenter och RAG (Retrieval-Augmented Generation) förvandlar hur investerare gör aktieanalys. I den här guiden visar vi hur du i Python använder LangChain tillsammans med BörsAPI för att bygga en AI-analytiker som kan besvara komplexa finansiella frågor.

Steg 1: Installera bibliotek

Installera de nödvändiga Python-paketen:

pip install requests langchain-core langchain-openai pandas

Steg 2: Skapa ett BörsAPI Tool i LangChain

Vi definierar ett anpassat verktyg i LangChain som låter språkmodellen ställa frågor direkt mot BörsAPI:

import requests
from langchain_core.tools import tool

BORSAPI_KEY = "fd_din_api_nyckel_här"
BASE_URL = "https://borsapi.se/api/v1"

@tool
def get_company_financials(isin: str, period: str) -> str:
    """Hämtar finansiella rapporter för ett svenskt bolag angivet med ISIN och period (t.ex. '2024' eller '2024-Q3')."""
    url = f"{BASE_URL}/companies/{isin}/reports/{period}"
    headers = {
        "Authorization": f"Bearer {BORSAPI_KEY}",
        "Accept": "application/json"
    }
    resp = requests.get(url, headers=headers)
    if resp.status_code == 200:
        data = resp.json()
        return f"Omsättning: {data.get('revenue')} SEK, Rörelseresultat: {data.get('operating_income')} SEK, Nettoresultat: {data.get('net_income')} SEK"
    return f"Fel: {resp.status_code} - {resp.text}"

Steg 3: Koppla verktyget till en LLM-agent

Nu kan vi binda verktyget till en modell (t.ex. OpenAI GPT-4o) och ställa frågor på vanlig svenska:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o", temperature=0)
tools = [get_company_financials]
llm_with_tools = llm.bind_tools(tools)

# Ställ en fråga till agenten
query = "Hämta helårsrapporten 2024 för Volvo AB (ISIN: SE0000115446) och beräkna EBIT-marginalen."
response = llm_with_tools.invoke(query)

print(response)

💡 Alternativ: Använd BörsAPI:s färdiga MCP-server

Om du utvecklar i Cursor eller Claude Desktop behöver du inte skriva en egen LangChain-wrapper. Du kan installera vårt officiella npm-paket @borsapi/mcp-server så får din AI-assistent automatiskt tillgång till 14 finansiella verktyg i din editor!

Kom igång med BörsAPI

För att använda dessa mallar och skript behöver du ett personligt konto och en API-nyckel. Det är helt kostnadsfritt under vår beta-period.

1. Skapa konto

Registrera dig på några sekunder via registreringssidan.

2. Generera API-nyckel

Gå till din Dashboard och klicka på "Generera API-nyckel".

3. Anslut i mallen

Ersätt placeholder-nyckeln i källkoden eller kalkylarket med din personliga nyckel.

    Bygg en finansiell AI-analytiker i Python med LangChain och BörsAPI - BörsAPI.se