金融分析的提示策略

有效的提示能帮助您高效、准确地使用Claude的金融分析能力。本指南提供了编写清晰、具体提示的策略，这些提示能产生您所需的结果，同时避免可能导致输出不完整或信息过载的常见问题。

了解Claude可以访问哪些数据

在开始任何金融分析之前，了解Claude可用的数据源至关重要。不同的集成提供不同类型的数据——Daloopa专注于SEC备案文件和基本面数据，而Kensho提供全面的S&P Global市场数据和业务关系数据。了解可访问的内容可以避免浪费时间请求不可用的数据。

在分析会话开始时，先确认数据可用性：

• "通过Kensho，您可以访问哪些S&P Global财务数据？"

• "您能通过Daloopa检索分部数据吗？"

这个预备步骤可以防止请求需要不可用数据的分析，并帮助您了解针对不同类型的分析应指定哪个集成。

核心提示原则

具体而清晰

Claude可以通过多个来源访问大量的金融数据。如果没有具体的指示，您可能会收到比所需更多的数据，或者遗漏关键指标。清晰的规范能确保您准确获得分析所需的内容，从而节省时间并提高准确性。

请看以下对比示例：

这个模糊的请求可能会触发检索跨多年的数百个数据点，使得难以识别相关见解。Claude不会知道您想要的是估值指标、运营表现还是竞争定位。

这个具体的请求明确了数据来源、公司股票代码、确切的指标、时间段以及所需的计算。Claude能准确知道要检索什么以及如何处理。您的提示应包括公司股票代码、确切的指标名称、具体的时间段以及所需的输出格式。

仅请求相关信息

金融集成可以提取涵盖多年数百个指标的大量数据集。请求所有可用数据会浪费时间、增加处理复杂性，并使您更难专注于特定分析所关注的内容。有针对性的请求能产生更清晰、更具可操作性的结果。

这个请求可能会返回数千个数据点，包括不相关的指标，使得难以进行聚焦分析。

这个聚焦的请求仅检索运营比较所需的指标。在构思提示时，先考虑您的分析目标，然后仅请求直接支持该分析的数据。这种方法能产生更易管理的输出和更清晰的见解。

控制数据量

大量的数据请求会拖慢分析速度，并产生难以解读的过载输出。管理范围能确保Claude高效处理请求，并以易于理解的格式呈现结果。在处理多家公司或较长时间段时，这一点尤为重要。

由于涉及的数据量巨大，这个请求很可能会失败或产生无法使用的结果。

这个可管理的请求专注于一个特定的同业群体，具有明确的指标和合理的时间范围。作为一般准则，将详细分析的请求限制在3-5家公司，请求具体的项目而非整份财务报表，并使用与您的分析需求相匹配的日期范围，而不是请求所有可用的历史数据。

构建复杂分析

先请求分析计划

复杂的金融分析涉及多个步骤、数据源和假设。让Claude先概述方法，可以让您在花费时间进行计算之前发现潜在问题。这对于估值、建模或多公司比较尤为重要，因为方法选择会显著影响结果。清晰的计划还能确保您的预期与Claude预定方法之间的一致性。

这个开放式的请求将太多决策留给了Claude，可能导致分析结果不符合您的要求或使用了不恰当的假设。

这种方法让您在执行开始之前就能了解计划的方法。您可以审核Claude打算使用的数据源，验证关键假设是否合理，识别任何缺失的组成部分，并在投入时间进行详细计算之前调整方法。这种预先审核通常能发现在分析完成后才修复会代价高昂的问题。

使用分步方法

将复杂的分析分解为离散的步骤，能让Claude的过程透明化，并允许进行过程中的纠正。您可以在各步骤之间验证数据准确性、检查计算结果并调整方法，而不是只在最终结果中才发现问题。当处理多个数据源或计算相互依赖时，这种方法尤为有价值。

这个请求会产生一个黑箱分析，您无法验证底层数据或逻辑。

这种渐进式方法让您能够及早发现错误，根据初步发现调整分析，理解Claude在每个阶段的推理过程，并在数据用于计算之前验证其准确性。每一步都成为一个检查点，让您确保分析保持在正确的轨道上。

逐步构建

在进行分析之前先从数据检索开始，能确保您使用的是准确、完整的信息。这种方法能防止在不完整数据上进行计算而浪费精力，并有助于在数据缺口影响结论之前发现它们。它还能让您根据实际可用的数据调整分析。

一个典型的渐进式工作流程可能如下所示：

每一步都建立在前一步的基础上，确保您在继续之前拥有必要的基础。当探索不熟悉的公司或行业时，这种方法特别有用，因为在开始分析之前您可能并不确切知道有哪些数据可用。

常见问题及解决方案

数据可用性挑战

问题： 请求不存在或当前集成无法获取的数据会使您的分析脱离正轨。

解决方案： 先询问有哪些可用数据。例如："Daloopa对Spotify有哪些运营指标？" 这种预先检查能防止围绕不可用数据构建分析。

不同的公司报告不同的指标，并非所有历史数据都可用。提前确认可用性能节省时间，并让您根据实际可访问的数据调整分析方法。

范围管理

问题： 一次请求对50家以上公司的分析可能会产生过载的结果，或导致分析完全失败。

解决方案： 将大型分析拆分为5-10家公司的较小组，然后合并结果。

例如，不要说"分析所有REITs"，而是更具体一些："先分析这5家工业REITs：PLD、DRE、FR、TRNO和STAG。" 在审核初步结果后，您可以继续处理其他组。这种方法能确保每一批都得到充分的分析，并让您根据初步发现完善标准。

模糊的请求

问题： 像"好公司"或"强劲表现"这样的术语对不同的分析师意味着不同的含义，可能导致结果不符合您的标准。

解决方案： 使用量化阈值明确定义您的标准。

这里有一个示例：

具体的标准能确保Claude识别出符合您的投资理念和筛选参数的公司。在构建筛选条件或识别投资候选对象时，这种精确性尤为重要。

高效提示的技巧

• 提前说明您的最终目标，以便Claude能建议合适的方法。
• 在整个分析过程中使用一致的术语。
• 保存成功的提示模板，用于重复性分析。
• 在扩大规模之前先从较小的测试请求开始。
• 在提示中指明具体的数据来源（Daloopa、Kensho/S&P Global）。
• 考虑数据的时效性——明确说明您需要的是最新可用数据还是特定的历史数据。
• 包含输出格式偏好（表格、要点列表、叙述性文字）。
• 当准确性至关重要时，请求来源引用。
• 对于重复性分析，建立一个可重复使用的一致提示结构。

这些策略能帮助您从Claude的金融分析能力中获得最大价值，同时避免常见的陷阱。随着您对该系统经验的积累，您将识别出适合您特定分析需求的提示模式。