1. Ce este API-ul ChatGPT și de ce îl folosim?

API-ul OpenAI permite integrarea modelelor AI în propriile aplicații.Prin intermediul lui, putem trimite date și instrucțiuni către un model și putem primi răspunsuri structurate, pe care software-ul nostru le interpretează.Diferența față de utilizarea obișnuită a ChatGPT este că aplicația noastră controlează întregul proces.

De exemplu, putem construi un program care, la fiecare oră:

1. Preia ultimele cotații ale instrumentelor urmărite.
2. Calculează indicatorii tehnici.
3. Colectează știrile economice relevante.
4. Trimite un rezumat structurat către modelul AI.
5. Primește o evaluare a pieței și a riscurilor.
6. Verifică evaluarea prin reguli matematice și limite de risc.
7. Pregătește o tranzacție sau trimite o notificare.

Astfel, ChatGPT devine componenta de interpretare și raționament a unui sistem financiar mai complex. Un lucru important: modelul AI nu primește automat cotații live și nu poate tranzacționa singur pe bursă. Pentru acestea avem nevoie de furnizori de date, API-uri de brokeraj și componente software suplimentare.

2. Arhitectura unui agent financiar automatizat

Pentru a construi un agent funcțional, putem împărți sistemul în șase componente.

Componenta 1: Colectarea datelor financiare

Agentul trebuie să primească informații din surse actualizate.Putem utiliza API-uri de date de piață și servicii precum Polygon/Massive, Alpha Vantage, Finnhub sau fluxuri de date furnizate de broker.În funcție de furnizor și abonament, putem obține prețuri, volume, date istorice, rezultate financiare și alte informații.

Componenta 2: Motorul de analiză cantitativă

Înainte să apelăm la modelul AI, folosim Python pentru calcule deterministe.

De exemplu:

• RSI — Relative Strength Index.
• MACD — Moving Average Convergence Divergence.
• Medii mobile SMA și EMA.
• ATR — Average True Range.
• Volatilitate și corelații.
• Drawdown și expunere pe active.

Aceste calcule trebuie realizate de cod specializat, nu estimate de modelul lingvistic.

Componenta 3: Motorul AI prin API-ul OpenAI

Aici interpretăm informațiile.Modelul primește un set structurat de date și poate evalua dacă piața se află într-un trend, dacă știrile susțin sau contrazic semnalele tehnice și ce riscuri trebuie analizate.

De exemplu, agentul poate concluziona:„Trendul tehnic este pozitiv, însă volatilitatea a crescut, iar în următoarele 24 de ore este programat un eveniment macroeconomic important. Condițiile necesită prudență.”Această evaluare nu trebuie tratată ca o predicție sigură, ci ca o contribuție la procesul decizional.

Componenta 4: Motorul de management al riscului

Aceasta este una dintre cele mai importante componente.Un agent financiar nu ar trebui să poată deschide orice poziție doar pentru că un model AI consideră că există o oportunitate.

Stabilim limite explicite:

• Expunere maximă pe instrument.
• Pierdere maximă permisă într-o zi.
• Număr maxim de tranzacții.
• Restricții privind efectul de levier.
• Condiții de oprire a tranzacționării.
• Verificări ale lichidității și costurilor.

Aceste reguli trebuie implementate independent de modelul AI, astfel încât să nu poată fi ignorate printr-un simplu răspuns generat.

Componenta 5: Execuția prin broker

Pentru transmiterea ordinelor, putem integra un broker care oferă API, precum Interactive Brokers sau Alpaca, în funcție de piață, jurisdicție și disponibilitatea serviciului.Brokerul este cel care gestionează efectiv ordinele.Agentul nostru transmite cereri printr-un modul de execuție care verifică parametrii, autorizațiile și starea portofoliului.Este recomandat să începem cu un cont demonstrativ sau paper trading, fără bani reali.

Componenta 6: Monitorizarea și raportarea

Agentul trebuie să înregistreze fiecare decizie:

• Ce date a analizat?
• Ce semnal a identificat?
• Ce reguli de risc au fost aplicate?
• De ce a fost acceptată sau respinsă tranzacția?
• Ce ordin a fost transmis și care a fost rezultatul?

Putem crea un dashboard în care vedem performanța, tranzacțiile și comportamentul sistemului.

3. Cum arată o zi de lucru pentru agentul nostru AI?

Să presupunem că urmărim un portofoliu de acțiuni americane și ETF-uri.

08:00 — Analiza informațiilor

Agentul colectează știrile financiare, evenimentele economice și informațiile publicate de companiile urmărite.

09:00 — Pregătirea strategiei

Sistemul analizează datele disponibile, indicatorii și riscurile pentru sesiunea de tranzacționare.

La deschiderea pieței americane

Agentul începe să monitorizeze cotațiile și verifică semnalele conform strategiei configurate.

În timpul sesiunii

Dacă apare un semnal valid, sistemul calculează dimensiunea poziției și verifică limitele de risc.În prima etapă, poate solicita aprobarea unui operator. Ulterior, pentru strategii testate și în limite stricte, anumite operațiuni pot fi automatizate.

După închiderea pieței

Agentul generează un raport cu tranzacțiile, rezultatele, abaterile de la strategie și riscurile observate.Orele exacte se configurează în funcție de bursa urmărită, fusul orar și calendarul de tranzacționare.

4. Exemplu practic: folosim Python și API-ul OpenAI

Să presupunem că motorul nostru de date a calculat deja indicatorii pentru un instrument financiar.Putem trimite aceste date către model și solicita un răspuns structurat.

import os
import json
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["OPENAI_API_KEY"]
)

market_data = {
    "symbol": "AAPL",
    "price": 250.0,
    "rsi": 62.5,
    "macd": 1.8,
    "trend": "bullish",
    "volatility": "medium"
}

response = client.responses.create(
    model="gpt-4.1",
    instructions=(
        "Esti un analist de risc financiar. "
        "Analizeaza exclusiv datele primite. "
        "Nu inventa preturi sau stiri. "
        "Nu emite ordine de tranzactionare. "
        "Raspunde concis cu riscuri si scenarii."
    ),
    input=json.dumps(market_data)
)

print(response.output_text)

Datele sunt fictive, exclusiv pentru demonstrație. Modelul din exemplu poate fi înlocuit cu un model disponibil în contul API, potrivit pentru această sarcină.

Acest cod nu tranzacționează și nu prezice evoluția prețului. El demonstrează cum putem integra analiza AI într-un program Python.Într-o implementare de producție, vom folosi ieșiri JSON validate prin schemă, tratarea erorilor, timeout-uri, jurnalizare și verificarea versiunilor modelelor.

5. Cum conectăm agentul la tranzacționarea automată?

Aici facem trecerea de la analiză la acțiune.Sistemul poate genera o propunere de tranzacție pe baza unei strategii definite.De exemplu, strategia poate cere simultan:

• Confirmarea trendului prin medii mobile.
• Îndeplinirea unor condiții RSI și MACD.
• Un nivel minim de lichiditate.
• Absența unor restricții de risc.
• Respectarea expunerii maxime din portofoliu.

Dacă toate condițiile sunt îndeplinite, motorul de execuție poate pregăti ordinul.Dar decizia de execuție trebuie validată de reguli programatice independente de modelul AI.Pentru tranzacționarea reală, mai avem nevoie de verificări privind ordinele duplicate, pozițiile existente, programul bursei, spread-ul, slippage-ul, confirmările brokerului și oprirea de urgență a sistemului.

6. Putem automatiza și analiza fundamentală?

Da. Un agent AI nu trebuie să fie limitat la analiza tehnică.Îl putem conecta la rapoarte trimestriale, bilanțuri, situații de profit și pierdere, comunicate oficiale și documente ale companiilor.

Agentul poate extrage și compara indicatori precum:

• Creșterea veniturilor
• Marjele operaționale
• Fluxul de numerar
• Nivelul îndatorării
• Evoluția profitabilității
• Modificările din perspectivele prezentate de conducerea companiei.

Putem construi inclusiv un sistem care monitorizează publicarea rezultatelor financiare și generează automat un raport comparativ cu trimestrele anterioare.Pentru calcule și comparații numerice, vom utiliza funcții Python dedicate, iar AI-ul va interpreta rezultatele.