# Claude Code驱动的股票研究Agent：无需付费API的量化分析工作流 > 本文介绍一个创新的股票研究Agentic工作流，利用Claude Code作为智能层，通过GitHub Actions自动化执行股票筛选、证据收集和分析决策，无需LangGraph或付费API即可实现高置信度的科技股选股系统。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-03T09:45:13.000Z - 最近活动: 2026-05-03T09:50:12.098Z - 热度: 163.9 - 关键词: 股票研究, 量化投资, Claude Code, Agentic工作流, GitHub Actions, 自动化分析, 科技股筛选, ReAct循环, 零成本API, 投资研究工具 - 页面链接: https://www.zingnex.cn/forum/thread/claude-codeagent-api - Canonical: https://www.zingnex.cn/forum/thread/claude-codeagent-api - Markdown 来源: ingested_event --- # Claude Code驱动的股票研究Agent：无需付费API的量化分析工作流\n\n在量化投资领域，如何以较低成本构建一个自动化的股票研究系统？传统方案通常依赖昂贵的数据API和复杂的编排框架。今天介绍的这个开源项目展示了一种创新思路：将Claude Code本身作为Agentic层，结合GitHub Actions实现完全自动化的股票研究流程，且无需支付任何API费用。\n\n## 项目概述与设计理念\n\n这个股票研究工作流专注于纳斯达克和印度国家证券交易所（NSE）的科技股，筛选市值超过2亿美元的高贝塔股票。项目的核心设计理念是"简洁优先"——不依赖LangGraph等编排框架，不使用付费API，而是充分利用Claude Code的Agent能力来完成复杂的分析任务。\n\n系统每周四晚上运行，产出0-5个高置信度的选股建议。值得注意的是，项目将"空收件箱"（即没有选出任何股票）视为正常功能而非失败，这体现了对投资质量的严格把控——宁可错过也不犯错。\n\n## 三阶段工作流架构\n\n整个系统分为三个明确的阶段，每个阶段都有清晰的输入输出和责任边界：\n\n### 第一阶段：确定性筛选器\n\n第一阶段是一个完全确定性的自动化流程，通过GitHub Actions定时触发。每周四晚上9点（印度标准时间），工作流自动执行以下操作：\n\n1. 安装项目依赖\n2. 运行单元测试确保代码可靠性\n3. 执行股票筛选脚本 `python -m tools.screen`\n4. 将结果提交回代码仓库\n\n筛选器覆盖约1500只纳斯达克、纽约证券交易所和NSE的股票。由于需要从yfinance获取大量数据，每次运行耗时约30-45分钟。筛选结果分为两类保存：\n\n- **screen_YYYY-MM-DD.csv**：通过初筛的候选股票\n- **screen_YYYY-MM-DD_rejected.csv**：被过滤掉的股票及原因\n\n这种设计使得整个过程透明可审计，用户可以追溯每一步的决策依据。\n\n### 第二阶段：证据收集工具集\n\n第二阶段提供了一套完整的证据收集工具，供分析师（即Claude Code）调用。工具集包含八个功能函数，覆盖从官方文件到市场情绪的多个维度：\n\n**get_sec_filings**：获取美国证券交易委员会（SEC）的EDGAR数据库文件，这是最权威的官方信息源。\n\n**get_company_news**：收集公司相关新闻，了解市场动态和重大事件。\n\n**get_earnings_call_evidence**：分析财报电话会议记录，捕捉管理层对未来业绩的指引和语气变化。\n\n**get_analyst_revisions**：跟踪分析师评级和目标价的调整，识别专业观点的变化趋势。\n\n**get_insider_activity**：监控内部人交易活动，这是判断管理层信心的重要信号。\n\n**get_peer_reaction**：分析同行业公司的股价反应，区分是个股特定事件还是行业整体趋势。\n\n**get_governance_red_flags**：扫描公司治理风险，包括关联交易、审计问题等。\n\n**get_macro_context**：获取宏观经济背景，将个股分析置于更大的市场环境中。\n\n每个工具的返回值都包含sources[]列表，并标注source_tier（信息源等级）：\n\n- **Tier A**：SEC EDGAR官方文件、公司官方公告——最高可信度\n- **Tier B**：路透社、美联社、Finnhub聚合数据——主流媒体验证\n- **Tier C**：低质量来源——在数据摄取阶段直接丢弃\n\n这种分级机制确保了分析基于可靠的信息源，避免了谣言和未经证实的市场传言对决策的干扰。\n\n### 第三阶段：三问题分析师（ReAct循环）\n\n第三阶段是系统的智能核心。当用户向Claude Code发出"run weekly analysis"指令时，系统加载最新的筛选结果，对排名前25的候选股票逐一回答三个关键问题：\n\n#### 问题一：市场定价是否正确？\n\n通过分析同行反应、新闻动态和近期8-K文件，系统判断当前股价波动属于以下哪种情况：\n\n- **mispricing_real**：真正的错误定价，存在投资机会\n- **sector_wide**：整个行业都在波动，非个股特有\n- **market_right**：市场定价正确，没有明显机会\n- **insufficient_data**：信息不足，无法判断\n\n每个股票最多调用12次工具来回答这个问题，确保分析有足够的证据支撑。\n\n#### 问题二：错配是暂时性还是结构性？\n\n如果确认存在错配，进一步分析其性质：\n\n- **temporary**：暂时性问题，如季度业绩波动、短期供应链中断——符合选股条件\n- **medium**：中期调整，如产品线更替——符合选股条件\n- **structural**：结构性变化，如商业模式过时——自动跳过\n- **permanent_impairment**：永久性损害，如核心专利失效——自动跳过\n\n这一区分至关重要，因为价值投资的核心是识别暂时被市场低估但长期价值 intact 的资产。\n\n#### 问题三：最大的风险是什么？\n\n通过分析治理风险和内部人活动，识别可能推翻投资 thesis 的最大风险因素。系统会明确列出：\n\n- 具体的风险事件\n- 触发条件（什么情况下会改变判断）\n- 风险等级评估\n\n这种"事前验尸"（premortem）分析帮助投资者在买入前就了解最坏情况，做好心理准备和风险管理。\n\n## 规则驱动的批评家机制\n\n三问题分析完成后，一个基于规则的Critic组件综合所有信息做出最终决策：\n\n- **PICK**：高置信度推荐，满足所有正向条件且风险可控\n- **WATCH**：值得关注，但某些条件尚未完全满足，需持续观察\n- **SKIP**：跳过，不符合投资标准\n\n决策过程完全透明，完整的推理轨迹（包括所有引用来源）被写入runs/YYYY-MM-DD_react.md文件。用户可以随时查看某只股票为什么被选中或被拒绝。\n\n## 技术实现亮点\n\n### 无需付费API\n\n项目最大的特色是零API成本。数据来自yfinance（免费）、SEC EDGAR（公开）、Finnhub（免费层级）等免费源，智能层使用Claude Code（开发者已订阅），不需要额外购买任何API额度。\n\n### 无编排框架\n\n与许多Agent项目不同，该系统不使用LangGraph、LangChain等编排框架。Claude Code本身就是Agentic层，通过自然语言指令和工具调用完成复杂任务。这种简化降低了系统复杂度，提高了可维护性。\n\n### GitHub Actions自动化\n\n第一阶段完全自动化，利用GitHub Actions的定时触发功能。用户也可以手动触发工作流，灵活性高。\n\n### 可审计的决策记录\n\n所有运行结果都以Markdown和CSV格式保存在runs/目录下，形成完整的历史档案。这不仅便于回溯分析，也为策略优化提供了数据基础。\n\n## 使用方式与工作流程\n\n系统的使用非常直观：\n\n1. **周四晚上**：GitHub Actions自动运行第一阶段筛选\n2. **用户介入**：在Claude Code中输入"run weekly analysis"\n3. **等待分析**：Claude Code自动完成25只股票的深度分析\n4. **查看结果**：检查runs/目录下的输出文件\n\n整个过程将人类的角色定位为"监督者"和"决策者"，而非"执行者"。用户不需要手动收集数据、计算指标或撰写报告，只需要审阅AI的分析结论并做出最终投资决策。\n\n## 对投资研究的启示\n\n这个项目展示了AI Agent在金融领域的应用潜力：\n\n**效率提升**：将原本需要数小时的研究工作压缩到几分钟，分析师可以将精力集中在高价值的判断和决策上。\n\n**纪律性增强**：规则驱动的筛选和评估流程消除了情绪化决策，确保每次分析都遵循相同的标准。\n\n**知识沉淀**：所有的分析逻辑和决策依据都被记录在案，形成可复用的知识资产。\n\n**低成本门槛**：零API费用的设计使得个人投资者和小型团队也能使用专业级的研究工具。\n\n## 局限性与改进方向\n\n当然，这个系统也有一些需要注意的局限：\n\n**数据覆盖**：目前主要覆盖美股和印度科技股，其他地区和行业需要扩展\n**实时性**：依赖yfinance等免费数据源，可能存在延迟\n**模型依赖**：Claude Code的分析质量直接影响结果，不同版本可能有差异\n**回测缺失**：项目没有内置回测框架，无法历史验证策略有效性\n\n未来可能的改进方向包括：\n- 增加更多市场覆盖（A股、港股、欧洲市场）\n- 集成回测功能，验证策略的历史表现\n- 添加组合管理模块，跟踪已选股票的表现\n- 开发可视化界面，降低使用门槛\n\n## 结语\n\n这个股票研究Agentic工作流是一个优秀的开源项目范例，展示了如何在有限资源下构建实用的AI系统。它证明了复杂的金融分析任务不一定需要昂贵的商业API和复杂的框架，通过巧妙的设计和对现有工具的充分利用，同样可以实现专业级的功能。对于希望探索AI在投资领域应用的开发者和投资者，这个项目提供了很好的起点和参考。