11 Min. Lesezeit · KI im Trading · Juni 2026

SEC-Filings mit LLMs auswerten von 10-K bis 8-K.

SEC-Pflichtveröffentlichungen sind eine Goldmine an Information — und gleichzeitig ein Datenformat, das Menschen mühsam und teuer auswerten. Ein 10-K hat oft 80 bis 200 Seiten, ein 10-Q ein paar Dutzend, ein 8-K trifft unangekündigt mitten in der Handelssaison ein. Wer hier systematisch lesen will, was sich gegenüber dem Vorquartal an Risikofaktoren, Segmentzahlen und Sprache verschoben hat, stößt von Hand schnell an Grenzen. LLMs versprechen, genau diese Arbeit zu automatisieren: Dokumente zerlegen, Abschnitte extrahieren, Veränderungen markieren, daraus strukturierte Felder oder sogar Signale ableiten. Das funktioniert — aber nicht als Knopfdruck-Magie, sondern als sorgfältig gebaute Pipeline mit klaren Prüfschritten. Dieser Beitrag zeigt, wie eine belastbare Auswertungspipeline von EDGAR bis zum extrahierten Signal aussieht, welche Teile ein LLM gut kann und welche es zuverlässig falsch macht, wo Halluzinationen den größten Schaden anrichten und welche Kosten- und Latenzgrößen realistisch sind. Ziel ist nicht Hype, sondern ein nüchterner Bauplan.

Was in 10-K, 10-Q und 8-K überhaupt steckt.

Die drei wichtigsten Berichtsformate der US-Börsenaufsicht unterscheiden sich in Frequenz, Umfang und Informationsgehalt deutlich. Wer eine LLM-Pipeline baut, sollte zuerst verstehen, welche Felder pro Format überhaupt verlässlich vorhanden sind und wo der eigentliche Mehrwert liegt.

Format	Frequenz	Typischer Inhalt mit Signalgehalt
10-K	jährlich	Risikofaktoren, MD&A, Segmentberichte, Rechtsstreitigkeiten
10-Q	quartalsweise	verkürzte Finanzdaten, Quartals-MD&A, neue Risiken
8-K	ereignisbasiert	Management-Wechsel, Übernahmen, Guidance, Rücktritte, Materialereignisse

Das 8-K ist für kurzfristige Reaktionen am interessantesten, weil es ereignisgetrieben kommt und oft kursrelevante Fakten enthält, bevor der Markt sie vollständig verarbeitet hat. Das 10-K liefert dagegen den größten Kontext für Veränderungsanalysen über die Zeit — der Vergleich von Risikofaktoren Jahr zu Jahr ist eine der ergiebigsten Quellen überhaupt.

Wichtig ist die ehrliche Einordnung: Vieles in diesen Dokumenten ist Boilerplate — juristisch abgesicherte Standardformulierungen ohne echten Informationsgehalt. Die Kunst liegt nicht im Auslesen, sondern im Herausfiltern dessen, was tatsächlich neu oder verändert ist.

Der grobe Aufbau einer Auswertungspipeline.

Eine produktionsreife Pipeline besteht aus mehreren klar getrennten Stufen. Das LLM ist dabei nur ein Baustein, nicht das Ganze — und gerade das wird oft übersehen.

Beschaffung: Filings werden über das EDGAR-System der SEC abgerufen, idealerweise über die strukturierten Schnittstellen, die Einreichungszeitpunkt und Dokumenttyp sauber liefern.
Vorverarbeitung: Das rohe HTML oder die XBRL-Daten werden in saubere Abschnitte zerlegt — Risikofaktoren, MD&A, Anhänge. Diese deterministische Segmentierung sollte ohne LLM passieren, weil sie billiger und zuverlässiger per Parser läuft.
Extraktion: Erst hier kommt das LLM ins Spiel — es liest Abschnitte und füllt strukturierte Felder oder beantwortet definierte Fragen.
Validierung: Extrahierte Zahlen werden gegen die XBRL-Rohdaten geprüft, Texte gegen das Original verankert.
Persistierung: Ergebnisse landen mit Quellenverweis und Zeitstempel in einer Datenbank.

Der häufigste Anfängerfehler ist, das gesamte Dokument unstrukturiert in ein LLM zu kippen und auf ein Wunder zu hoffen. Das ist teuer, unzuverlässig und schwer zu prüfen. Die deterministische Vorverarbeitung übernimmt das, was Maschinen ohnehin besser können, und reserviert das teure Sprachmodell für die Aufgaben, bei denen Sprachverständnis wirklich zählt.

Wo die XBRL-Daten dem LLM überlegen sind.

Ein verbreitetes Missverständnis: Man brauche ein LLM, um Finanzkennzahlen aus Filings zu ziehen. Das stimmt nicht. Die SEC schreibt für viele Pflichtangaben das maschinenlesbare XBRL-Format vor — Umsatz, Gewinn, Segmentzahlen liegen dort bereits strukturiert und eindeutig vor.

Wer Umsatz oder Bilanzpositionen über ein LLM aus dem Fließtext extrahieren lässt, riskiert genau die Fehler, die XBRL vermeidet: verwechselte Vorjahres- und Aktuelljahreswerte, falsche Vorzeichen, übersehene Fußnoten. Die belastbare Architektur nimmt Zahlen aus XBRL und nutzt das LLM für das, was XBRL nicht abbildet — die qualitative Sprache.

Die sinnvolle Arbeitsteilung lautet also: Zahlen aus XBRL, Bedeutung aus dem LLM. Das LLM liest die MD&A und erklärt, warum der Umsatz gefallen ist, welche Risiken neu benannt werden, welche Tonalität das Management wählt. Die harten Zahlen kommen aus der strukturierten Quelle und dienen zugleich als Validierungsanker für alles, was das Modell daneben extrahiert.

Veränderungsanalyse als der eigentliche Edge.

Der größte praktische Nutzen liegt selten in der absoluten Aussage eines einzelnen Filings, sondern in der Differenz zum Vorbericht. Genau hier sind LLMs stark — und genau hier rechtfertigt sich ihr Einsatz gegenüber simplem Text-Diffing.

Ein nackter Textvergleich zeigt jede geänderte Formulierung, auch rein kosmetische. Ein LLM kann dagegen einordnen, ob eine geänderte Formulierung inhaltlich relevant ist: Wurde ein Risikofaktor neu aufgenommen? Hat sich die Sprache zu einem Rechtsstreit von beruhigend zu vorsichtig verschoben? Ist eine Garantie weggefallen?

In der Praxis hat sich ein zweistufiger Ansatz bewährt: Zuerst ein deterministischer Abgleich, der die geänderten Abschnitte identifiziert, dann ein LLM, das nur diese Änderungen bewertet und klassifiziert. Das spart Kosten — das Modell liest nicht das ganze Dokument, sondern nur die Deltas — und es liefert nachvollziehbarere Ergebnisse. Studien und Praxiserfahrung deuten darauf hin, dass insbesondere Erweiterungen im Risikofaktoren-Abschnitt mit nachfolgender Volatilität zusammenhängen, auch wenn solche Effekte schwach, verrauscht und keineswegs garantiert sind.

Halluzinationen — wo sie am gefährlichsten sind.

Die größte Gefahr bei LLM-gestützter Filing-Auswertung ist nicht, dass das Modell Texte missversteht, sondern dass es Fakten erfindet, die plausibel klingen. Bei Finanzdaten ist das besonders heikel, weil ein erfundener Wert eine Handelsentscheidung auslösen kann, die echtes Geld kostet.

Drei Bereiche sind besonders anfällig. Erstens Zahlen: LLMs neigen dazu, Beträge geringfügig zu verfälschen oder Einheiten zu verwechseln — deshalb gehören Zahlen aus XBRL und nicht aus dem Sprachmodell. Zweitens Zuordnungen: Das Modell ordnet eine Aussage dem falschen Segment oder dem falschen Zeitraum zu. Drittens Schlussfolgerungen: Das Modell zieht aus dem Text eine Bewertung, die so nicht dasteht.

Die wirksamste Gegenmaßnahme ist Verankerung: Jede extrahierte Aussage muss mit einem wörtlichen Zitat aus dem Originaltext belegt werden, das sich automatisch im Quelldokument wiederfinden lässt. Findet sich das Zitat nicht exakt, wird die Extraktion verworfen. Das fängt einen großen Teil der Halluzinationen ab — nicht alle, aber genug, um den Output verlässlich genug für nachgelagerte Prüfung zu machen.

Latenz, Kosten und die Frage der Aktualität.

Für ereignisgetriebene Strategien zählt Geschwindigkeit. Ein 8-K, das eine Guidance-Senkung enthält, ist in Minuten wertlos, wenn es erst Stunden später ausgewertet wird. Hier kollidieren zwei Realitäten: Große, gründliche Modelle brauchen für ein vollständiges 10-K spürbar länger, schlanke Modelle sind schnell, aber ungenauer.

Eine pragmatische Architektur staffelt: Für zeitkritische 8-Ks läuft ein schnelles, günstiges Modell, das nur prüft, ob das Ereignis überhaupt materiell ist. Nur wenn ja, folgt eine tiefere Analyse. Für 10-Ks, die ohnehin nicht sekundenkritisch sind, kann die gründliche Variante laufen.

Bei den Kosten gilt grob: Die vollständige Auswertung eines großen 10-K liegt je nach Modellwahl und Detailgrad im niedrigen einstelligen Euro-Bereich pro Dokument; ein gezielter Delta-Ansatz, der nur Änderungen liest, drückt das deutlich. Wer ein breites Universum von einigen Tausend Unternehmen quartalsweise abdeckt, landet bei monatlichen Betriebskosten, die meist im niedrigen vierstelligen Bereich liegen — überschaubar, aber nicht vernachlässigbar, und stark abhängig davon, wie viel Volltext tatsächlich durch das teure Modell läuft.

Vom extrahierten Feld zum handelbaren Signal.

Extraktion ist nicht gleich Signal. Aus sauber ausgelesenen Risikofaktor-Änderungen wird erst dann ein nutzbares Trading-Signal, wenn man die Verbindung zwischen Textmerkmal und nachfolgender Kursbewegung empirisch prüft — und genau hier wird es anspruchsvoll.

Das zentrale Problem ist, dass solche Text-Signale schwach und stark verrauscht sind. Ein neu aufgetauchter Risikofaktor sagt für sich genommen wenig über die Richtung der nächsten Kursbewegung. Erst in Kombination mit anderen Faktoren — Bewertung, Momentum, Marktphase — kann ein Mehrwert entstehen, und auch dann ist er klein.

Hinzu kommt die ehrliche Warnung vor Look-Ahead-Effekten: Ein modernes LLM kennt aus seinem Training oft schon, wie sich ein Unternehmen entwickelt hat. Wer einen Backtest mit einem Modell baut, das die Zukunft kennt, misst Phantasiewerte. Eine belastbare Pipeline trennt deshalb strikt zwischen dem, was zum Berichtszeitpunkt bekannt war, und allem Späteren.

Wann sich der Aufbau lohnt — und wann nicht.

Eine LLM-Filing-Pipeline lohnt sich, wenn man ein breites Universum systematisch und wiederholt überwachen will und wenn qualitative Sprachänderungen für die Strategie tatsächlich relevant sind. Für einen Einzelinvestor, der zehn Titel hält und sie ohnehin von Hand liest, ist der Aufwand selten gerechtfertigt.

Ein realistischer Pilot beginnt mit einem klar abgegrenzten Anwendungsfall — etwa der automatischen Risikofaktor-Delta-Analyse für ein Sektoruniversum — und braucht typischerweise sechs bis zwölf Wochen, bis er belastbare, geprüfte Ergebnisse liefert. Der größte Aufwand steckt nicht im Modellaufruf, sondern in der Beschaffung, der sauberen Segmentierung und der Validierung.

Die ehrliche Erwartung: Eine solche Pipeline liefert keinen alleinstehenden Geldautomaten, sondern eine strukturierte, durchsuchbare und vergleichbare Sicht auf Pflichtveröffentlichungen, die manuell so nicht erreichbar wäre. Der Wert liegt in der Systematik und Vollständigkeit — und darin, dass ein Analyst sich auf die Fälle konzentrieren kann, die das System als auffällig markiert hat.

Sie wollen prüfen, ob sich für Ihr Universum und Ihre Strategie eine LLM-gestützte Filing-Pipeline rechnet? Unverbindlich anfragen — wir schauen gemeinsam auf Datenzugang, sinnvolle Architektur und den realistisch erreichbaren Edge, bevor Sie in den Aufbau investieren.