我让 Claude 寻找最佳投资机会：它真正找到的是一套 5 步筛选法

编者按：本文根据 Kevin Meneses González 于 2026 年 8 月 9 日在 Medium 发表的文章 “I Asked Claude to Find the Best Investment Opportunities Right Now. Here’s What It Found” 改编整理，并结合 Anthropic 当前的连接器说明补充了使用与安全提示。文中个股与价格状态只是原作者当日筛选的历史案例，不是今天的推荐。

风险提示：本文仅用于介绍 AI 辅助研究方法，不构成投资、交易或税务建议。市场数据会快速变化，AI 也可能误读数据、遗漏事件或给出错误推断。任何交易决定都应由读者独立核验，并根据自身风险承受能力作出。

一个周六下午，Kevin 把 Claude 接入实时市场数据，然后让它筛选所有市值超过 100 亿美元的美国上市公司。咖啡还没凉透，他已经得到一张由 40 个候选者逐层压缩而来的 10 强清单，包含可能的入场区间、止损位、简要逻辑与最大风险。

乍看之下，这像是“让 AI 替你选股”。但实验真正有价值的部分，并不是那十个股票代码，而是把原本分散在选股器、图表工具、新闻页面和电子表格之间的工作，变成了一段可以连续追问、反复运行的研究流程。

人人都在谈论的股票，往往已经不是好入场

当时 Palantir 在三个交易日内上涨约 36%，社交媒体到处都是走势图和“早知道就买”的评论。可是真正有用的问题不是它为什么涨，而是：上涨之后还有没有合理的风险收益比，还是最佳入场已经过去？

这正是多数动量交易容易犯的错误。人们在涨幅已经足够醒目时才注意到标的，随后买入新闻热度，而不是买入一个事先定义好的交易结构。一旦价格回撤，原本的“强势逻辑”很容易变成替亏损找理由。

Kevin 的目标不是让 Claude 找到 Palantir，而是发现还没有变成头条、但已经出现可验证催化剂与技术结构的候选者。

真正的瓶颈不是数据，而是追问速度

传统做法并不神秘：先列出大盘股，计算最近五日回报，再打开图表检查支撑与阻力，最后比较 52 周高点和长期均线，避免在极端位置追涨。难点是每更新一次分析，都要在多个工具之间重复搬运数据。

市场研究的瓶颈经常不是“没有数据”，而是无法在机会失效前快速提出下一层问题。例如：这次上涨来自财报、上调指引或合同，还是整个行业一起被情绪推高？价格靠近支撑，还是刚刚无回调地穿越阻力？十个候选者中是否有四个其实是同一项半导体行业押注？

MCP 改变的是 Claude 获取事实的方式

MCP，即 Model Context Protocol（模型上下文协议），让 Claude 可以在对话中调用外部工具。没有数据连接时，让通用模型“分析现在的股市”很危险：它可能使用过期知识，也可能用听起来很确定的语言填补事实空白。

Kevin 将 Claude 连接到 EODHD 的金融数据服务。于是价格、市值、近期回报、枢轴支撑阻力、基本面和新闻等数字可以来自实时查询，而不是模型记忆。Claude 的作用从“凭训练数据谈市场”变成“调用数据、整理结果并协助追问”。

这个区别很重要，但也不能被夸大：实时数据不等于正确结论。数据可能延迟、缺失或调整，指标计算方法也可能不同。模型仍可能把相关性说成因果关系。因此，每个关键数字和事件都应回到原始数据源核验。

如何把实时数据接入 Claude

原作者使用 EODHD 提供的远程 MCP 服务，并通过 OAuth 版本连接 Claude。具体入口和服务地址可能随产品更新而变化，因此应从 EODHD 官方页面取得最新连接信息，不要复制来历不明的 MCP 地址。

按照 Anthropic 当前的远程 MCP 连接器文档，自定义远程连接器面向 Claude Pro、Max、Team 和 Enterprise 用户开放。在 Claude 的设置 → 连接器中添加自定义连接器，或从对话的搜索与工具菜单进入连接器目录，然后完成 OAuth 授权。Team 与 Enterprise 环境可能还需要组织管理员先启用连接器。

连接之后，先问一个可立即核验的问题，例如“请通过 EODHD 返回 AAPL 的最新价格，并附上数据时间戳”。如果回答只有模糊区间，或没有明确说明调用了哪个工具，就不要假设连接已经生效。

安全提醒：Anthropic 建议只连接可信机构在其官方网站公布的服务器，仔细检查 OAuth 权限，并只启用当前任务需要的工具。对于纯研究场景，优先使用只读权限；不要把“始终允许”授予含有交易、写入或账户操作能力的未知工具。

五步提示词框架

Kevin 没有把所有要求塞进一个超长提示词，而是让每一步的结果成为下一步输入。下面是经过中文重写、可以按自己的数据源调整的版本。

第一步：撒一张足够大的网

通过已连接的市场数据工具，筛选市值超过 100 亿美元的美国上市公司，按最近五个交易日的价格回报排序。列出前 40 名，并把市值超过 5000 亿美元的超大盘股与 100 亿至 5000 亿美元的中大型公司分组。请同时返回数据时间戳。

这一轮只生产候选集，不急着判断好坏。宽筛的目的，是避免一开始就被熟悉的名字或社交媒体热度绑架。

第二步：把真实催化剂与市场噪声分开

逐一检查候选者近期上涨是否有可核验的公司级催化剂，例如超预期财报、上调指引、重大合同或监管进展；把仅随行业情绪上涨的标的分开。最近三个交易日累计涨幅超过 20% 的候选者标为“可能过度延伸”，但不要自动删除。

这一步会把“公司发生了变化”与“整个板块都在涨”区分开。被标记为过度延伸不代表公司差，只表示短线入场条件可能已经恶化。

第三步：寻找可以定义风险的入场位置

为保留的候选者读取最近五个交易日的日线枢轴支撑和阻力。区分正在接近支撑、可建立明确失效点的标的，与已经突破阻力却没有回踩、容易追高的标的。说明采用的指标计算方法。

动量本身不是入场理由。好的入场结构至少要回答两个问题：如果判断正确，价格还有多少空间？如果判断错误，在哪里承认错误？

第四步：检查隐藏风险和组合集中度

比较每个候选者的现价、52 周高点、50 日与 200 日均线，标出已经接近历史高位或显著偏离均线的标的。统计行业分布；如果超过三个候选者来自同一行业，明确提示组合可能只是在重复押注同一个主题。

十个股票代码并不一定代表十种风险。四家半导体设备公司可能在同一天因同一个行业因素上涨，表面分散，实质仍是一笔集中交易。

第五步：强迫系统给出整洁、可审计的输出

生成最终候选表：标的、数据时间、可能入场区间、技术失效位、止损参考、一句话逻辑、最大风险和信息来源。把结果分成“结构仍新鲜”与“已经过度延伸，避免追涨”两组。不要给出保证性语言；存在数据缺口时明确写出。

这一步不是为了让 AI 替你下单，而是让它暴露假设。一个候选者如果无法写出失效条件、最大风险或数据来源，就不应该因为排名靠前而进入交易。

当时的筛选结果说明了什么

原作者在 2026 年 8 月 9 日运行筛选时，结果大致分成两组。

结构相对新鲜：Microsoft 和 Meta 刚经历强劲的财报反应，云业务和广告收入表现提供了公司级催化剂，但价格当时接近日线枢轴支撑，而不是刚突破后继续加速。原文还称 Meta 距离其 52 周高点仍有约 25% 的空间。

已经过度延伸：Palantir 在三个交易日上涨超过 30%，跳空穿越多个阻力，并明显高于自身中期均线。筛选器没有说 Palantir 是坏公司；它说的是短线入场数学已经不理想。

这些数字到读者看到本文时很可能已经失效。案例的意义是：同一天、使用相同标准，可以把“有催化剂且风险可定义”与“故事很好但不值得追价”并排比较。

原作者执行交易前坚持的五条规则

一、先定义止损，再考虑入场。支撑位既是潜在入场参考，也是判断被证伪的位置。如果价格有效跌破，必须按计划处理，而不是临时修改故事。

二、仓位匹配持有周期。一到两个月的动量交易与五年持有的长期投资，不应该占用相同的组合比例。短期逻辑失效更快，因此战术仓位应更小。

三、不追没有计划过的跳空。看到股票三天上涨 20% 至 30% 时，制造回报的那笔交易通常已经发生。等待回撤不会产生交易损失，追高后的快速反转却会。

四、警惕行业集中。看起来不同的公司，可能共同暴露于相同的利率、芯片周期或监管风险。筛选结果必须放回整个组合，而不是逐只孤立判断。

五、把投资逻辑当成假设。“财报反应强劲，而且尚未触及 52 周高点”只是可测试的条件，不是保证。筛选器缩小了搜索范围，却没有消除不确定性。

真正值得保留的不是股票名单

那张周六生成的名单很快就会过期，但这套问题顺序不会：先宽筛，再确认催化剂；接着寻找可定义风险的入场位；然后检查长期位置和行业集中；最后强迫系统输出假设、证据、失效条件与风险。

这也是 AI 辅助投资研究最合理的定位：它可以帮助你更快地收集、交叉检查和组织信息，却不应该成为替你承担风险的“答案机器”。更聪明的模型，不如一个能暴露错误、允许复核、并在数据变化后重新运行的流程。

原文作者：Kevin Meneses González；原文发表于 Medium。本文为中文改编与评论。文中的市场案例截至 2026 年 8 月 9 日，任何价格和技术位置都可能已经变化。版权归原作者所有。