EDGAR® dan SEC® adalah merek dagang dari U.S. Securities and Exchange Commission. posting blog ini dan proyek open-source terkait tidak terkait, disetujui, atau terkait dengan U.S. Securities and Exchange Commission. EDGAR® dan SEC® adalah merek dagang dari U.S. Securities and Exchange Commission. posting blog ini dan proyek open-source terkait tidak terkait, disetujui, atau terkait dengan U.S. Securities and Exchange Commission. Pendekatan Pada tahun 1934, Kongres Amerika Serikat menciptakan Securities and Exchange Commission (SEC) untuk mengawasi pasar keuangan dan melindungi investor. Agensi ini dibangun berdasarkan prinsip sederhana: investor layak mendapatkan informasi yang akurat, benar, dan lengkap tentang perusahaan yang ingin mereka investasikan. “Mereka yang ingin menarik uang orang lain harus benar-benar jujur tentang fakta-fakta di mana penilaian investor diminta.” Franklin Delano Roosevelt, Presiden Amerika Serikat ke-32 “Mereka yang ingin menarik uang orang lain harus benar-benar jujur tentang fakta-fakta di mana penilaian investor diminta.” Franklin Delano Roosevelt, Presiden Amerika Serikat ke-32 Selama hampir satu abad, SEC telah berfungsi sebagai pengawas transparansi dunia keuangan, mengharuskan perusahaan publik untuk mengungkapkan segala sesuatu dari penghasilan kuartal ke kompensasi eksekutif, dari risiko bisnis hingga acara perusahaan utama. Melalui dirinya Sistem (dibuka pada 1990-an) SEC telah membuat file ini tersedia secara bebas untuk siapa pun dengan koneksi internet. Pengumpulan data elektronik, analisis, dan retrieval ( EDGAR Secara teoritis, ini menciptakan lapangan bermain yang setara di mana investor individu dapat mengakses data yang sama seperti investor profesional. Investor institusi memiliki analis, perangkat lunak canggih, dan jutaan di infrastruktur teknologi untuk menganalisa, menganalisis, dan mengekstrak wawasan dari catatan SEC. Mereka perlu secara manual menavigasi melalui dokumen yang padat dan kompleks yang sering meliputi ratusan halaman. 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. Investor profesional secara sistematis mengekstrak metrik spesifik, membandingkan tren sepanjang kuartal dan tahun, menganalisis kinerja segmen, dan mengidentifikasi pola yang hampir mustahil untuk diidentifikasi melalui ulasan manual. The problem goes beyond just having access to data. But today things have changed, individual investors can now keep up. Model bahasa besar, Protokol Konteks Model, dan akses program ke data SEC EDGAR akhirnya membuat penelitian keuangan yang canggih dapat diakses oleh investor individu. Anda sekarang dapat menggunakan AI untuk mengekstrak metrik keuangan kunci, melakukan analisis kompleks di berbagai perusahaan dan periode waktu, dan menemukan wawasan yang sebelumnya membutuhkan keahlian khusus dan alat mahal. Bagaimana persis ini bekerja dalam praktek? mari kita menyelam ke dasar teknis yang memungkinkan ini: (Diterbitkan dengan versi pada 21 Juli 2025), sebuah perangkat lunak open source yang dibangun secara publik dan dipelihara oleh komunitas yang mengubah cara investor berinteraksi dengan penelitian keuangan. Spesifikasi SEC Edge MCP Server 1-alpha Bagaimana Dia Mengubah Segalanya Sebelum kita menyelam ke dalam rincian teknis, mari kita memahami apa yang membuat pendekatan ini secara fundamental berbeda dari alat penelitian keuangan tradisional dan alur kerja. Model Context Protocol (MCP) adalah standar terbuka yang memungkinkan asisten AI untuk terhubung dengan aman ke sumber data eksternal dan alat.Pikirkan itu sebagai konektor universal yang memungkinkan asisten AI Anda mengakses dan berbicara langsung ke database, API, dan layanan, termasuk sistem EDGAR SEC. Penelitian keuangan tradisional sering melibatkan melompat antara beberapa platform: mencari perusahaan di satu situs, mengunduh file dari situs lain, dan kemudian menyalin data secara manual ke lembar kerja untuk analisis. With an MCP server, your AI assistant can do all of this seamlessly in a single conversation. Dari data mentah ke intelijen Mari kita lihat contoh praktis. katakanlah Anda ingin menganalisis data keuangan Microsoft. Secara tradisional, ini akan melibatkan: Menemukan file MSFT terbaru 10-Q (raport kuartal) atau 10-K (raport tahunan) pada EDGAR Mengunduh dan membuka beberapa dokumen PDF Mencari data pendapatan segmen secara manual Mengcopy angka ke dalam spreadsheet Menghitung tingkat pertumbuhan dan tren Dengan SEC EDGAR MCP, seluruh proses ini menjadi percakapan sederhana: Asisten AI menangani semua kompleksitas teknis di balik adegan dan menyajikan Anda dengan hasil yang bersih dan terformat: "Tunjukkan saya saldo Microsoft, laporan pendapatan, dan data arus kas." https://youtu.be/HEWTR15-xZc?embedable=true Contoh lain adalah menganalisis pendapatan terbaru Apple: https://youtu.be/T-6H3zF8fWU?embedable=true Atau membuat dashboard dengan grafik, pada fly, berdasarkan data keuangan NVIDIA terbaru: https://youtu.be/UH2JPfhuoGU?embedable=true Kami juga dapat mencari transaksi insider terbaru di Amazon: https://youtu.be/k4sVFcHpmfg?embedable=true Atau menyelidiki entri data spesifik perusahaan dari file Apple, dan menyusunnya: https://youtu.be/V2rSkgYZXGg?embedable=true Untuk menggunakan alur kerja ini, Anda akan membutuhkan LLM yang berjalan yang mendukung protokol MCP, seperti: Server berjalan secara lokal melalui Docker. Penulis Desktop Anda dapat mengikuti instruksi tentang cara menginstalnya dan menggunakannya. . di sini Tapi tunggu, SEC menyediakan API untuk mengakses data EDGAR. jadi mengapa tidak hanya menggunakannya secara langsung? Mengapa tidak menggunakan EGAR API? Jawabannya terletak pada kompleksitas dan kegunaan. APIs REST SEC kuat tetapi membutuhkan keahlian teknis untuk digunakan secara efektif. Anda perlu memahami identifikasi perusahaan (CIK), taksonomi pendaftaran, struktur XBRL, dan cara menavigasi respons JSON yang kompleks. Untuk pertanyaan sederhana seperti Anda harus menulis software untuk menemukan Apple. (Central Identifier Key), menemukan file yang tepat, parse data, dan mengekstrak konsep keuangan spesifik. semua ini sebelum Anda bahkan mendapatkan untuk analisis. “Berapa besar pendapatan Apple pada kuartal lalu?” CIK XBRL Kompleksitas ini tentu saja mengarah pada pertanyaan lain: mengapa tidak hanya meminta ChatGPT atau asisten AI lainnya secara langsung tentang data keuangan, tanpa server MCP? Mengapa tidak LLM umum? Tantangan di sini adalah akurasi dan mata uang. model AI umum dilatih pada data dengan tanggal pemotongan, yang berarti mereka tidak memiliki informasi keuangan terbaru. Sementara mereka dapat menavigasi web dan mencoba menemukan data keuangan, mereka mungkin kehilangan rincian penting. Itulah masalah yang dirancang SEC EDGAR MCP server untuk memecahkan. Seperti yang dapat Anda lihat dari ini , LLM yang terhubung ke server MCP mampu mengkonsumsi informasi berdasarkan file asli, sumber informasi terbaik yang tersedia: percakapan Semua data berasal langsung dari file SEC EDGAR NVIDIA (Form 10-Q, diserahkan 28 Mei 2025, Nombor Masuk: 0001045810-25-000116) dengan akurasi yang tepat disimpan dari data XBRL asli. Semua data berasal langsung dari file SEC EDGAR NVIDIA (Form 10-Q, diserahkan 28 Mei 2025, Nombor Masuk: 0001045810-25-000116) dengan akurasi yang tepat disimpan dari data XBRL asli. Fungsi internal dari server MCP Paket ini gratis tersedia untuk siapa saja untuk menggunakan, memodifikasi, dan meningkatkan. paket ini menyediakan lebih dari 20 alat khusus untuk LLM, yang menangani segala sesuatu dari menemukan file perusahaan untuk mengekstrak metrik keuangan yang kompleks: Anda dapat membaca lebih lanjut dalam rincian tentang setiap alat di . Dokumentasi Inilah yang membuatnya kuat: Alih-alih secara manual menganalisa ratusan halaman dokumen keuangan, paket ini dapat secara otomatis mengekstrak metrik spesifik seperti pendapatan berdasarkan segmen geografis, perbandingan kuartal, atau data kompensasi eksekutif. Smart data extraction and parsing Paket ini menekan ke beberapa aliran data SEC, dari database EDGAR utama hingga feed RSS real-time dari file baru, sehingga Anda memiliki akses ke data historis dan pembaruan terbaru perusahaan. Multiple data sources File SEC modern menggunakan XBRL (Extensible Business Reporting Language), sebuah format terstruktur yang membuat data keuangan dapat dibaca mesin. XBRL analysis Perusahaan yang berbeda melaporkan data secara berbeda. Apple mungkin membagi pendapatan dengan "Amerika, Eropa, dan China Besar" sementara Microsoft menggunakan kategori regional yang berbeda. Company-specific insights Open Source, Mengapa Itu Penting? The decision to make this package open source isn't just about free access, it's about transparency and community-driven innovation. Ketika Anda membuat keputusan investasi, Anda perlu mempercayai tidak hanya data, tetapi metode yang digunakan untuk mengekstrak dan menganalisisnya. Open source berarti Anda dapat memeriksa persis bagaimana paket bekerja, berkontribusi pada perbaikan, dan menyesuaikannya dengan kebutuhan spesifik Anda. Melihat ke depan SEC telah mengumpulkan pengungkapan perusahaan selama hampir 90 tahun. data ada di sana, tersedia secara bebas untuk siapa pun. tetapi sampai sekarang, mengekstrak wawasan yang berarti dari data itu membutuhkan waktu, keahlian teknis yang mendalam, dan alat analisis yang mahal. Dengan MCP dan LLM, investor individu dapat mengajukan pertanyaan dalam bahasa Inggris yang sederhana dan mendapatkan jawaban yang akurat didukung oleh file SEC resmi. SEC EDGAR sudah menyediakan API, perusahaan sudah file dalam format terstruktur, asisten AI sudah ada. The MCP just connects these pieces together in a way that's actually useful for investors. Roosevelt menginginkan pasar di mana investor individu dapat membuat keputusan yang terinformasi. Apa yang membutuhkan tim analis sebelumnya sekarang dapat dilakukan dalam percakapan oleh siapa saja. Now open-source tools are providing the accessibility Maybe the information advantage that Wall Street has held for decades is disappearing. Pengakuan Pekerjaan ini tidak akan mungkin tanpa fondasi yang diletakkan oleh banyak orang lain. layak diakui untuk pekerjaan yang luar biasa dalam mempertahankan salah satu sistem pengungkapan perusahaan yang paling komprehensif dan mudah diakses di dunia. database EDGAR dan REST API menyediakan basis data yang dapat diandalkan yang memungkinkan alat-alat seperti ini. The US SEC menciptakan standar Model Context Protocol dan terus memajukan bidang keamanan dan kemampuan AI. komitmen mereka terhadap standar terbuka memungkinkan jenis interoperabilitas yang menguntungkan semua orang. Anthropic Kiri Informasi tentang SEC EDGAR MCP Package GitHub Repository: https://github.com/stefanoamorelli/sec-edgar-mcp Dokumen: https://sec-edgar-mcp.amorelli.tech Sumber Daya SEC Database dari EDGAR: https://www.sec.gov/edgar SEC REST API: https://www.sec.gov/edgar/sec-api-documentation EDGAR Perusahaan Pencarian: https://www.sec.gov/edgar/searchedgar/companysearch SEC Investor.gov: https://www.investor.gov/ Investasi.gov Protokol Konteks Model (MCP) Spesifikasi MCP: https://modelcontextprotocol.io/ Dokumen MCP Anthropic: https://docs.anthropic.com/en/docs/build-with-claude/computer-use MCP Server Repository: https://github.com/modelcontextprotocol/server Paket Open Source edgartools (dengan Dwight Gunning): https://github.com/dgunning/edgartools datamule (dengan John Friedman): https://github.com/john-friedman/datamule-python Data dan Analisis Keuangan XBRL Internasional: https://www.xbrl.org/ SEC XBRL Informasi: https://www.sec.gov/structureddata/osd-inline-xbrl.html OpenFIGI (Global Identifier Instrumen Keuangan): https://www.openfigi.com/ Undang-Undang Transparansi Data Keuangan: https://www.congress.gov/bill/117th-congress/house-bill/2989 konteks historis Akta Sekuritas tahun 1933: https://www.investor.gov/introduction-investing/investing-basics/role-sec/laws-govern-securities-industry#secact1933 Akta Pertukaran Sekuritas tahun 1934: https://www.investor.gov/introduction-investing/investing-basics/role-sec/laws-govern-securities-industry#secexact1934 Perpustakaan Presiden Franklin D. Roosevelt: https://www.fdrlibrary.org/
