Finansal Raporlar İçin Doküman Analizi ve RAG Boru Hattı
S&P 500 şirketlerinin SEC 10-K yıllık finansal raporlarını anlamsal parçalara ayıran ve ChromaDB ile sorgulayan RAG prototipi. Yatırım tavsiyesi içermez.
Projenin hikâyesi
Nereden başladık
Karmaşık ve yüzlerce sayfadan oluşan finansal dokümanların standart anahtar kelime aramalarıyla taranması zaman alıyor; geleneksel dil modelleri ise bağlam penceresi sınırlamaları nedeniyle dipnotlardaki kritik finansal detayları kaçırabiliyordu.
Ne yaptım
Python, LangChain ve ChromaDB vektör veritabanını entegre ederek dokümanları yapılandırılmış anlamsal parçalara (semantic chunking) ayıran bir boru hattı kurdum. Gömme (embedding) modelleri ve yerel açık kaynak çıkarım motoru üzerinden kaynak referanslı soru-cevap zinciri kurguladım.
Sonuç ne oldu
Finansal raporlar üzerinde kaynak referanslı ve bağlam odaklı soru-cevaplama yapılabilen çalışan bir prototip elde edildi. Finansal metin mühendisliği ve vektör arama desenleri deneysel ortamda doğrulandı.
Proje hakkında
Yüzlerce sayfalık kurumsal finansal raporların (SEC 10-K) içerisindeki risk faktörlerini, yönetim değerlendirmelerini ve dipnotları anlamsal olarak sorgulamak amacıyla geliştirilen deneysel RAG (Retrieval-Augmented Generation) boru hattı. Bu çalışma akademik ve mühendislik araştırma konsepti olup kesinlikle finansal danışmanlık veya yatırım tavsiyesi içermez.
Bu projede tasarım ve geliştirmenin tamamı Ahmet Mert Yiğitbaşı tarafından yapıldı.
Teknolojiler
- Python 3.10
- LangChain
- ChromaDB
- Vektör Veritabanı
- RAG Mimarisi
- Metin Parçalama & Embedding