Perplexity: finance_search Agent API Tool liefert OHLCV, Bilanzen, Transkripte und Analystenschätzungen in einem einzigen Aufruf
Perplexity finance_search ist ein neues Agent-API-Tool, das im Mai 2026 veröffentlicht wurde und strukturierte Finanzdaten für börsennotierte Unternehmen zurückgibt — nahezu Echtzeit-Kurse, OHLCV-Bereiche, Pre-Market- und After-Hours-Daten, Gewinn- und Verlustrechnungen, Bilanzen, Cashflow, Earnings-Call-Transkripte, SEC-Einreichungen, Analystenschätzungen und ETF-Bestandteile. Das KI-Modell entscheidet anhand des Prompts, welche Felder abgerufen werden.
Dieser Artikel wurde mithilfe von künstlicher Intelligenz aus Primärquellen erstellt.
Perplexity hat im Mai 2026 das finance_search-Tool in die Agent API integriert — eine strukturierte Finanzdatenquelle, die alle für quantitative Analysen, Equity-Research-Workflows und automatisiertes M&A-Monitoring benötigten Datentypen abdeckt. Das Tool steht in einer Linie mit der kürzlich eingeführten Multi-Modell-Unterstützung der Agent API (Claude Opus 4.7, GPT-5.5, Grok 4.20 Reasoning).
Welche Finanzdatenkategorien deckt das Tool ab?
Perplexity finance_search gibt fünf Datenkategorien zurück. Pricing: nahezu Echtzeit-Kurse, OHLCV (Open-High-Low-Close-Volume)-Bereiche, Pre-Market- und After-Hours-Daten. Finanzberichte: Gewinn- und Verlustrechnungen, Bilanzen und Cashflow-Statements in quartalsweiser und jährlicher Auflösung. Earnings: neueste Call-Transkripte, SEC-Einreichungen, Beat/Miss-Historie nach Quartalen, Forward Guidance. Marktanalyse: Analystenschätzungen, Top-Gewinner/-Verlierer, Eigentümerstruktur, Unternehmensaktionen. Weiteres: ETF-Bestandteile und Segment-KPIs für börsennotierte Unternehmen.
Wie entscheidet das Modell, welche Felder zurückgegeben werden?
Die Dokumentation hält ausdrücklich fest: „The model decides which fields to fetch based on your prompt, so a single call can return valuation, earnings, and context together.” Der Ansatz eliminiert den klassischen mehrstufigen Prozess, bei dem ein Agent zunächst Bewertungen, dann Ergebnisse und anschließend Nachrichten abfragt — ein einziger Aufruf gibt alle relevanten Felder zurück, die auf die spezifische Anfrage zugeschnitten sind.
Was sind Presets und wozu dienen sie?
Perplexity bietet drei Presets für häufige Anwendungsfälle: Live Quotes (aktueller Kurs + Volumen + Kennzahlen), Single-Company Historical Lookups (mehrjährige Finanzentwicklung) und Multi-Step Cross-Company Research (Peer-Vergleich + Sektoranalyse). Presets reduzieren den Prompt-Engineering-Aufwand für Standardabfragen.
Wie fügt sich das Tool in die Perplexity Agent API-Strategie ein?
Das Tool folgt dem April-Changelog (am 13. Mai im Digest veröffentlicht), der die Agent API um Drittanbieter-Modelle und eine n8n-Integration erweitert hat. Perplexity positioniert sich als Enterprise-Datentool, das mit spezialisierten Plattformen wie dem Bloomberg Terminal API, Refinitiv Eikon und FactSet konkurriert — jedoch über eine Agent API, die dem KI-Modell ermöglicht, finance_search mit anderen Perplexity-Suchwerkzeugen (Web Search, Paper Search) zu kombinieren.
Die Implementierung erfolgt über den Perplexity Agent API-Endpunkt mit der finance_search-Tool-Spezifikation. Die ausführliche Dokumentation ist unter docs.perplexity.ai/docs/agent-api/finance-search verfügbar.
Häufig gestellte Fragen
- Welche konkreten Finanzdaten gibt finance_search zurück?
- Das Tool deckt Pricing (nahezu Echtzeit, OHLCV, Pre/After-Hours), Finanzberichte (GuV, Bilanz, Cashflow, quartalsweise und jährlich), Earnings (Call-Transkripte, SEC-Einreichungen, Beat/Miss-Historie, Forward Guidance), Marktdaten (Analystenschätzungen, Top-Gewinner/-Verlierer, Eigentümerstruktur, Unternehmensaktionen) sowie ETF-Bestandteile ab.
- Wie entscheidet das Perplexity-Modell, welche Felder abgerufen werden?
- Das Modell bestimmt automatisch, welche Datenfelder auf Basis des Nutzer-Prompts abgerufen werden — ein einziger API-Aufruf kann gleichzeitig Bewertung, Ergebnis und Kontext liefern, ohne separate Aufrufe zu erfordern.
Verwandte Nachrichten
arXiv:2605.22681: CUSP-Benchmark zeigt, dass Frontier-Modelle wissenschaftliche Durchbrüche nicht zuverlässig vorhersagen können
arXiv:2605.22337: Meta-Soft führt KV-Cache-Komprimierung mit komponierbaren Meta-Token und lernbaren orthogonalen Basen ein
arXiv:2605.22664: WorkstreamBench testet KI-Agenten auf End-to-End-Tabellenkalkulationsaufgaben im Finanzbereich — und Frontier-Modelle scheitern