Valorisation d'actions avec des agents IA
Valorisation d'actions avec des agents IA
Chez bosq, nous aimons transformer des idées complexes en systèmes fiables, clairs et prêts pour la production. finance-ai est né exactement de cette ambition : une application open-source pour expérimenter la valorisation d'actions grâce à une architecture multi-agents, une interface conversationnelle et un souci constant de transparence sur les hypothèses de calcul.
Qu'est-ce que finance-ai ?
finance-ai est une application de chat dédiée à l'évaluation d'actions. Elle associe une interface Streamlit à une équipe d'agents chargés d'interpréter la demande de l'utilisateur, de collecter des données fondamentales et d'exécuter les calculs de valorisation. Le projet a été construit avec CrewAI, Claude et Streamlit, et conçu comme un module expérimental open-source pour explorer concrètement des flux d'analyse financière assistés par l'IA.
Pourquoi nous avons construit cela chez bosq
Chez bosq, notre approche repose sur la clarté du périmètre, une exécution incrémentale et des livrables vérifiables. Plutôt que de traiter l'IA comme une couche « magique », nous préférons concevoir des systèmes où chaque étape dispose d'une responsabilité claire, d'une observabilité et d'une capacité d'audit. finance-ai est un bon exemple de cette philosophie appliquée à un problème concret : structurer un flux d'analyse financière assisté par des agents.
Ce type de projet montre également comment les copilottes et les automatisations peuvent sortir du registre de la démo générique pour s'inscrire dans des cas d'usage plus spécifiques, avec un contexte métier, une validation humaine et des règles explicites. C'est précisément la direction que nous visons dans les produits et modules développés par bosq.
Comment fonctionne l'architecture multi-agents
La logique de l'application est simple à expliquer et puissante en pratique. L'interaction de l'utilisateur transite par une crew composée de trois rôles principaux :
- Orchestrateur : comprend la demande, identifie le ticker et la méthode de valorisation, et sollicite des paramètres supplémentaires si nécessaire.
- Chercheur : collecte des données fondamentales sur le web.
- Calculateur : exécute les méthodes de valorisation implémentées dans le projet.
Cette séparation réduit le couplage, rend le flux plus auditable et offre une expérience bien plus robuste qu'un agent unique qui tenterait de tout faire en même temps.
Méthodes de valorisation supportées
L'application prend déjà en charge cinq approches de valorisation :
- DCF 3 étapes, flux de trésorerie actualisés avec phase de forte croissance, phase de transition et perpétuité
- Graham ajusté au taux directeur brésilien (Selic), adaptation du modèle classique au contexte brésilien
- Bazin, prix plafond basé sur les dividendes
- Peter Lynch, juste valeur via le PEG implicite
- Gordon DDM, modèle perpétuel d'actualisation des dividendes
En pratique, cela permet aussi bien des questions directes comme « Quel est le prix juste de PETR4 selon le DCF ? » que des comparaisons entre méthodes pour un même actif. Et lorsque des paramètres manquent, le système les demande dans le chat avant de lancer le calcul.
L'expérience produit en pratique
L'une des parties les plus intéressantes de finance-ai est la combinaison entre une interface épurée et une exécution transparente. L'utilisateur formule une demande comme « Évalue l'entreprise BBAS3 », et le système affiche non seulement le résultat final, mais aussi la progression des agents ainsi que les étapes de recherche et de calcul.
Sur la capture ci-dessus, le positionnement du produit est déjà visible : une interface conversationnelle, un journal d'exécution des agents et une mention claire sur le caractère expérimental de l'application.
L'écran d'utilisation illustre bien la proposition de l'application : permettre à l'utilisateur de demander des évaluations selon différentes méthodes de façon directe, avec des exemples de prompts et un retour textuel du système tout au long du processus.
Le rapport final va bien au-delà d'un simple chiffre isolé. Il compare les résultats entre les différentes méthodes, met en évidence les alertes et les hypothèses importantes, et liste les sources consultées, un point fondamental lorsqu'on parle de confiance dans les systèmes d'aide à la décision.
Autre point différenciant : l'exposition des données fondamentales utilisées dans le calcul, telles que le prix actuel, le BPA, la valeur comptable par action, le dividende moyen par action, la croissance des bénéfices, le taux Selic, le ROE et le nombre d'actions. Cela rapproche l'utilisateur de la logique de valorisation et évite la sensation de « boîte noire ». Les informations visibles dans la démo de BBAS3 témoignent de ce souci de traçabilité et d'explicabilité.
Ce que ce projet démontre
Plus qu'une simple application de valorisation, finance-ai illustre un modèle de construction que nous considérons comme précieux :
- des agents aux rôles bien définis ;
- une interface simple pour des tâches complexes ;
- une séparation claire entre collecte de données, orchestration et calcul ;
- une explication des hypothèses et des limites ;
- une base open-source propice à l'évolution et à l'expérimentation.
Ce modèle peut être réutilisé dans de nombreux autres domaines : analyse de documents, copilottes internes, automatisation opérationnelle, triage de données, assistants de recherche et workflows avec validation humaine. C'est le même raisonnement qui guide notre travail d'exploration, de construction et d'exploitation de systèmes IA chez bosq.
Stack et structure du projet
Pour ceux qui aiment regarder sous le capot, le dépôt affiche clairement son organisation : une interface Streamlit, la crew principale, des agents spécialisés, des outils de recherche web et des wrappers pour les fonctions de valorisation. La mise en place est simple : Python 3.11, uv, variables d'environnement et exécution locale via Streamlit.
Cette simplicité structurelle est une qualité essentielle. Les projets expérimentaux en IA échouent souvent par excès d'abstraction ou de dépendances superflues. Ici, la proposition est claire : organiser un flux multi-agents fonctionnel, observable et facile à faire évoluer.
Open source, avec responsabilité
Comme tout système appliqué à la finance, finance-ai doit être utilisé avec discernement. Le dépôt lui-même souligne qu'il s'agit d'un module de test, dépendant d'hypothèses telles que le taux de croissance et le taux d'actualisation, et que les données peuvent ne pas être à jour. Cette transparence dans la communication fait partie intégrante du projet, et c'est un principe que nous prenons très au sérieux chez bosq.
Explorez le projet
Si vous souhaitez tester l'application, étudier l'architecture ou utiliser cette base comme point de départ pour un produit financier plus complet, le dépôt est fait pour vous :
- Dépôt : github.com/bosq-dev/finance-ai
Si votre entreprise cherche à transformer des flux complexes en systèmes fiables grâce à l'IA, avec clarté, gouvernance et un vrai focus sur la mise en production, parlez-en à bosq. Nous concevons des modules, des copilottes, des automatisations et des pipelines qui passent du concept à l'opérationnel réel.
Tags: #ValorisationActions #IntelligenceArtificielle #AgentsIA #FinanceAI #CrewAI #ArchitectureMultiAgents #OpenSource #AnalyseFinancière #DCF #MéthodeGraham #Bazin #PeterLynch #GordonDDM #Streamlit #Python #FinTech #IAFinancière #Bosq #CopilottesIA #AutomatisationFinancière