EDGAR® og SEC® er varemærker tilhørende U.S. Securities and Exchange Commission. Dette blogindlæg og det tilhørende open source-projekt er ikke tilknyttet, godkendt af eller på nogen måde forbundet med U.S. Securities and Exchange Commission. EDGAR® og SEC® er varemærker tilhørende U.S. Securities and Exchange Commission. Dette blogindlæg og det tilhørende open source-projekt er ikke tilknyttet, godkendt af eller på nogen måde forbundet med U.S. Securities and Exchange Commission. Overblik I 1934 oprettede den amerikanske kongres Securities and Exchange Commission (SEC) for at overvåge de finansielle markeder og beskytte investorer. Agenturet blev bygget på et simpelt princip: investorer fortjener nøjagtige, sandfærdige og komplette oplysninger om de virksomheder, de ønsker at investere i. "De, der søger at drage på andres penge, skal være helt ærlige med hensyn til de fakta, hvorpå investorens dom anmodes om." Franklin Delano Roosevelt, USA's 32. præsident "De, der søger at drage på andres penge, skal være helt ærlige med hensyn til de fakta, hvorpå investorens dom anmodes om." Franklin Delano Roosevelt, USA's 32. præsident I næsten et århundrede har SEC fungeret som finansverdenens gennemsigtighedsovervågningsorgan, der kræver, at offentlige virksomheder offentliggør alt fra kvartalsvis indtjening til direktørers kompensation, fra forretningsrisici til store virksomhedsbegivenheder. Gennem sin Systemet (lanseret i 1990'erne) SEC har gjort disse filer frit tilgængelige for alle med en internetforbindelse. Elektronisk dataindsamling, analyse og indhentning ( EDGAR I teorien skabte dette et lige vilkår, hvor individuelle investorer kunne få adgang til de samme data som professionelle investorer. Institutionelle investorer har analytikere, sofistikeret software og millioner i teknologinfrastruktur til at analysere, analysere og udtrække indsigter fra SEC-ansøgninger. De skal manuelt navigere gennem tætte, komplekse dokumenter, der ofte spænder over hundredvis af sider. Retail investors don’t For example, a single Apple annual report ( 10-K filing) contains over 100 pages of financial data, business descriptions, and risk factors. Professionelle investorer udtrækker systematisk specifikke målinger, sammenligner trends over kvartaler og år, analyserer segmentpræstationer og identificerer mønstre, der ville være næsten umulige at spotte gennem manuel gennemgang. The problem goes beyond just having access to data. But today things have changed, individual investors can now keep up. Store sprogmodeller, Model Context Protocol og programmatisk adgang til SEC EDGAR-data gør endelig sofistikeret finansiel forskning tilgængelig for individuelle investorer.Du kan nu bruge AI til at udtrække vigtige finansielle metrikker, udføre komplekse analyser på tværs af flere virksomheder og tidsperioder og opdage indsigter, der tidligere krævede specialiseret ekspertise og dyre værktøjer. Hvordan præcis fungerer dette i praksis? lad os dykke ind i det tekniske fundament, der gør dette muligt: (Udgivet i version 21. juli 2025), en open source-software bygget offentligt og vedligeholdt af samfundet, der forvandler den måde, hvorpå investorer interagerer med finansiel forskning. Læs mere om SEC EDGAR MCP Server 1-alpha Hvordan han ændrer alt Før vi dykker ind i de tekniske detaljer, lad os forstå, hvad der gør denne tilgang fundamentalt forskellig fra traditionelle finansielle forskningsværktøjer og arbejdsprocesser. Model Context Protocol (MCP) er en åben standard, der giver AI-assistenter mulighed for sikkert at oprette forbindelse til eksterne datakilder og værktøjer. Tænk på det som en universel konnektor, der giver din AI-assistent adgang til og taler direkte til databaser, API'er og tjenester, herunder SEC's EDGAR-system. Traditionel finansiel forskning involverer ofte at hoppe mellem flere platforme: søge efter virksomheder på et websted, downloade filer fra et andet, og derefter manuelt kopiere data til regneark til analyse. With an MCP server, your AI assistant can do all of this seamlessly in a single conversation. Fra rå data til intelligens Lad os se på et praktisk eksempel. Antag, at du vil analysere Microsofts finansielle data. Traditionelt ville dette indebære: Find MSFTs seneste 10-Q (kvartalsrapport) eller 10-K (årsrapport) filer på EDGAR Download og åbning af flere PDF-dokumenter Manuelt søge efter segmentindtægtsdata Kopiering af tal i et regneark Beregning af vækstrater og tendenser Med SEC EDGAR MCP bliver hele denne proces en simpel samtale: AI-assistenten håndterer al den tekniske kompleksitet bag kulisserne og præsenterer dig med rene, formaterede resultater: "Vis mig Microsoft-balance, indtægtserklæring og cashflowdata." https://youtu.be/HEWTR15-xZc?embedable=true Et andet eksempel ville være at analysere Apples seneste indtægter: https://youtu.be/T-6H3zF8fWU?embedable=true Eller oprette et dashboard med diagrammer, på flyet, baseret på de nyeste NVIDIA finansielle data: https://youtu.be/UH2JPfhuoGU?embedable=true Vi kunne også søge efter de seneste insider-transaktioner på Amazon: https://youtu.be/k4sVFcHpmfg?embedable=true Eller undersøge virksomhedsspecifikke dataindtastninger fra Apple filer, og planlægge dem: https://youtu.be/V2rSkgYZXGg?embedable=true For at bruge denne arbejdsproces skal du have en løbende LLM, der understøtter MCP-protokollen, såsom Serveren kører lokalt via Docker. af Claude Desktop Du kan følge instruktionerne om, hvordan du installerer og bruger den . Her er Men vent, SEC giver API'er til adgang til EDGAR-data. Så hvorfor ikke bare bruge dem direkte? Hvorfor ikke EGAR API? Svaret ligger i kompleksitet og anvendelighed. SEC's REST API'er er kraftfulde, men kræver teknisk ekspertise for at bruge effektivt. Du skal forstå virksomhedens identifikatorer (CIK'er), filing taxonomier, XBRL-strukturer og hvordan man navigerer komplekse JSON-svar. Et simpelt spørgsmål som du har brug for at skrive en software til at finde Apples (Central Identifier Key), finde den rigtige fil, parse data, og udtrække det specifikke finansielle koncept. Alt dette, før du selv kommer til analyse. "Hvad var Apples indtægter i sidste kvartal?" CIK XBRL Denne kompleksitet fører naturligvis til et andet spørgsmål: Hvorfor ikke bare spørge ChatGPT eller andre AI-assistenter direkte om finansielle data, uden en MCP-server? Hvorfor ikke generelle LLMs? Udfordringen her er nøjagtighed og valuta. Generelle AI-modeller er uddannet på data med udløbsdatoer, hvilket betyder, at de mangler seneste finansielle oplysninger. Mens de kan navigere på nettet og forsøge at finde de finansielle data, kan de gå glip af vigtige detaljer. Det er præcis det problem, som SEC EDGAR MCP-serveren blev designet til at løse. Som du kan se fra dette , den LLM forbundet til MCP-serveren er i stand til at forbruge oplysningerne baseret på den oprindelige filing, den bedste kilde til information til rådighed: samtale Alle data stammer direkte fra NVIDIA's SEC EDGAR-filing (Form 10-Q, indsendt den 28. maj 2025, Tilslutningsnummer: 0001045810-25-000116) med nøjagtighed bevaret fra de oprindelige XBRL-data. Alle data stammer direkte fra NVIDIA's SEC EDGAR-filing (Form 10-Q, indsendt den 28. maj 2025, Tilslutningsnummer: 0001045810-25-000116) med nøjagtighed bevaret fra de oprindelige XBRL-data. Interne funktioner i MCP-serveren Denne open source-pakke er frit tilgængelig for alle at bruge, ændre og forbedre. pakken giver over 20 specialiserede værktøjer til LLM'er, der håndterer alt fra at finde virksomhedens filer til at udtrække komplekse finansielle metrikker: Du kan læse mere i detaljer om hvert værktøj i . Dokumentation af Her er hvad der gør den stærk: I stedet for manuelt at analysere gennem hundredvis af sider af finansielle dokumenter, kan pakken automatisk udtrække specifikke målinger som indtægter efter geografiske segmenter, kvartalsmæssige sammenligninger eller eksekutiv aflønningsdata. Smart data extraction and parsing Pakken trykker på flere SEC-datastrømme, fra den vigtigste EDGAR-database til realtids-RSS-feeds af nye filer, så du har adgang til både historiske data og de seneste virksomhedsopdateringer. Multiple data sources Moderne SEC filer bruger XBRL (eXtensible Business Reporting Language), et struktureret format, der gør finansielle data maskinlæsbare. XBRL analysis Forskellige virksomheder rapporterer data forskelligt. Apple kan opdele indtægter efter "America, Europe, and Greater China", mens Microsoft bruger forskellige regionale kategorier. Company-specific insights Open Source – hvorfor er det vigtigt? The decision to make this package open source isn't just about free access, it's about transparency and community-driven innovation. Når du træffer investeringsbeslutninger, skal du stole på ikke kun dataene, men de metoder, der anvendes til at udtrække og analysere det. Open source betyder, at du kan kontrollere præcis, hvordan pakken fungerer, bidrage til forbedringer og tilpasse det til dine specifikke behov. Ser fremad SEC har indsamlet virksomhedsoplysninger i næsten 90 år.Data er alle der, frit tilgængelige for alle.Men indtil nu, udtrække meningsfulde indsigter fra disse data krævede tid, dyb teknisk ekspertise og dyre analytiske værktøjer. Med MCP og LLMs kan individuelle investorer stille spørgsmål på almindelig engelsk og få præcise svar understøttet af officielle SEC-ansøgninger. Det er ikke en revolutionerende teknologi, det er simpelthen god teknik anvendt på et reelt problem. SEC EDGAR allerede giver API'er, virksomheder allerede fil i strukturerede formater, AI assistenter allerede eksisterer. The MCP just connects these pieces together in a way that's actually useful for investors. Roosevelt ønskede markeder, hvor individuelle investorer kunne træffe informerede beslutninger. Hvad der før var nødvendigt for team af analytikere, kan nu gøres i en samtale af enhver. Now open-source tools are providing the accessibility Maybe the information advantage that Wall Street has held for decades is disappearing. Anerkendelser Dette arbejde ville ikke være muligt uden fundamentet lagt af mange andre. fortjener anerkendelse for det utrolige arbejde med at vedligeholde et af verdens mest omfattende og tilgængelige corporate disclosure-systemer. EDGAR-databasen og REST-API'erne giver den pålidelige database, der gør værktøjer som dette muligt. The US SEC skabelsen af Model Context Protocol-standarden og fortsætter med at fremme området for AI-sikkerhed og kapacitet. Deres engagement i åbne standarder muliggør den slags interoperabilitet, der gavner alle. Anthropic Venstre SEC EDGAR MCP pakke GitHub Repository: https://github.com/stefanoamorelli/sec-edgar-mcp Dokumentation: https://sec-edgar-mcp.amorelli.tech SEC ressourcer EDGAR Database: https://www.sec.gov/edgar SEC REST API'er: https://www.sec.gov/edgar/sec-api-documentation EDGAR Company Søgning: https://www.sec.gov/edgar/searchedgar/companysearch SEC Investor.gov: https://www.investor.gov/ Udvikler.gov Modellen af kontekstprotokollen (MCP) MCP specifikation: https://modelcontextprotocol.io/ Antropisk MCP Dokumentation: https://docs.anthropic.com/en/docs/build-with-claude/computer-use MCP servere Repository: https://github.com/modelcontextprotocol/servers Open source pakker edgartools (af Dwight Gunning): https://github.com/dgunning/edgartools datamule (af John Friedman): https://github.com/john-friedman/datamule-python Finansielle data og analyse XBRL International: https://www.xbrl.org/ SEC XBRL Oplysninger: https://www.sec.gov/structureddata/osd-inline-xbrl.html OpenFIGI (den globale identifikator for finansielle instrumenter): https://www.openfigi.com/ Lov om gennemsigtighed i finansielle data: https://www.congress.gov/bill/117th-congress/house-bill/2989 Historisk kontekst Værdipapirloven af 1933: https://www.investor.gov/introduction-investing/investing-basics/role-sec/laws-govern-securities-industry#secact1933 Securities Exchange Act af 1934: https://www.investor.gov/introduction-investing/investing-basics/role-sec/laws-govern-securities-industry#secexact1934 Franklin D. Roosevelt præsidentbibliotek: https://www.fdrlibrary.org/
