En principio, los datos fundamentales de las empresas pueden utilizarse para seleccionar acciones con una alta probabilidad de aumentar o disminuir su precio. Muchas de las reglas comúnmente conocidas o explicaciones utilizadas para dicho proceso de selección de acciones son demasiado vagas para aplicarse en casos concretos, y al mismo tiempo, es un desafío analizar datos de alta dimensión con un bajo número de casos para derivar explicaciones utilizables y basadas en datos. Este trabajo propone un enfoque de IA explicable (XAI) sobre los datos fundamentales disponibles trimestralmente de las empresas que cotizan en el mercado de valores alemán. En la XAI, se identifican estructuras basadas en la distancia en los datos (DSD) que guían la inducción de árboles de decisión. Las hojas del árbol de decisión seleccionadas adecuadamente contienen subconjuntos de acciones y proporcionan explicaciones viables que pueden ser evaluadas por un humano. La predicción de las tendencias de precios futuras de acciones específicas se hace posible utilizando las explicaciones y una calificación. En cada trimestre, la selección de acciones mediante DSD-XAI se basa en la comprensión de las explicaciones y tiene una tasa de éxito más alta que la selección arbitraria de acciones, un sistema de IA híbrido y un árbol de decisión no supervisado reciente llamado eUD3.5.