財務分析的提示策略

有效的提示能幫助您高效且準確地使用 Claude 的財務分析能力。本指南提供撰寫清晰、具體提示的策略，以產生您所需的結果，同時避免可能導致輸出不完整或過於龐雜的常見問題。

探索 Claude 可以存取哪些數據

在開始任何財務分析之前，了解 Claude 可用的數據來源至關重要。不同的整合提供不同類型的數據——Daloopa 專注於 SEC 申報文件和基本面數據，而 Kensho 則提供全面的 S&P Global 市場數據和業務關係。了解可存取的內容可避免浪費時間請求無法取得的數據。

在分析工作開始時，先確認數據的可用性：

• 「您可以透過 Kensho 存取哪些 S&P Global 財務數據？」

• 「您可以透過 Daloopa 取得分部數據嗎？」

這個初步步驟可避免請求需要無法取得數據的分析，並幫助您了解應針對不同類型的分析指定哪個整合。

核心提示原則

具體且清晰

Claude 可透過多個來源存取大量財務數據。若沒有具體指示，您可能會收到比所需更多的數據，或遺漏關鍵指標。清晰的規範可確保您準確獲得分析所需的內容，節省時間並提高準確性。

請考慮以下對比範例：

這個模糊的請求可能會觸發跨多年的數百個數據點的檢索，使得難以識別相關的洞見。Claude 不會知道您想要的是估值指標、營運表現，還是競爭定位。

這個具體的請求明確指出了數據來源、公司股票代碼、確切的指標、時間段以及所需的計算。Claude 確切知道要檢索什麼以及如何處理。您的提示應包含公司股票代碼、確切的指標名稱、具體的時間段以及所需的輸出格式。

僅請求相關資訊

財務整合可以提取涵蓋多年數百個指標的廣泛數據集。請求所有可用的內容會浪費時間、增加處理複雜度，並使聚焦於您特定分析所需的重點變得更加困難。有針對性的請求能產生更清晰、更具可操作性的結果。

這個請求可能會返回數千個數據點，包括不相關的指標，使得難以進行聚焦分析。

這個聚焦的請求僅檢索營運比較所需的指標。在撰寫提示時，先思考您的分析目標，然後僅請求直接支持該分析的數據。這種方法能產生更易於管理的輸出和更清晰的洞見。

控制數據量

大量的數據請求會拖慢分析速度，並產生難以解讀的龐雜輸出。管理範圍可確保 Claude 能有效處理請求，並以易於理解的格式呈現結果。在處理多家公司或延長的時間段時，這一點尤其重要。

由於涉及的數據量龐大，這個請求很可能會失敗或產生無法使用的結果。

這個可管理的請求聚焦於一個具有明確指標和合理時間範圍的特定同業群組。作為一般準則，將詳細分析的請求限制在 3-5 家公司，請求具體的項目而非整份財務報表，並使用符合您分析需求的日期範圍，而非請求所有可用的歷史數據。

構建複雜分析

先請求分析計畫

複雜的財務分析涉及多個步驟、數據來源和假設。讓 Claude 先概述方法，可讓您在花費時間進行計算之前發現潛在問題。這對於估值、建模或多公司比較尤其有價值，因為方法選擇會顯著影響結果。清晰的計畫也能確保您的期望與 Claude 預期的方法保持一致。

這個開放式的請求將太多決策留給 Claude，可能導致分析結果不符合您的要求或使用了不適當的假設。

這種方法讓您在執行開始之前，就能了解計畫的方法。您可以審閱 Claude 打算使用的數據來源，驗證關鍵假設是否合理，識別任何缺失的組成部分，並在投入時間進行詳細計算之前調整方法。這種初步審閱通常能發現在分析完成後才修正會很昂貴的問題。

使用逐步方法

將複雜的分析拆分為離散的步驟，可讓您透明地了解 Claude 的過程，並允許進行路線修正。您可以在步驟之間驗證數據準確性、檢查計算並調整方法，而不是僅在最終結果中才發現問題。當處理多個數據來源或計算彼此建立在前一步基礎上時，這種方法特別有價值。

這個請求會產生一個黑箱分析，您無法驗證底層的數據或邏輯。

這種漸進式方法讓您能夠及早發現錯誤、根據初步發現調整分析、了解 Claude 在每個階段的推理，並在數據用於計算之前驗證其準確性。每個步驟都成為一個檢查點，讓您確保分析保持在正確的軌道上。

逐步建構

在進行分析之前先從數據檢索開始，可確保您使用的是準確、完整的資訊。這種方法可避免在使用不完整數據進行計算時浪費精力，並有助於在數據缺口影響結論之前識別出來。它還能讓您根據實際可用的數據調整分析。

典型的漸進式工作流程可能如下所示：

每個步驟都建立在前一個步驟的基礎上，確保您在繼續之前擁有必要的基礎。當探索不熟悉的公司或行業時，這種方法特別有用，因為您可能在開始分析之前並不確切知道有哪些數據可用。

常見問題與解決方案

數據可用性挑戰

問題： 請求不存在或目前整合無法取得的數據，可能會使您的分析偏離方向。

解決方案： 先詢問有哪些可用的內容。例如：「Daloopa 對 Spotify 有哪些營運指標？」這個初步檢查可避免圍繞無法取得的數據建構分析。

不同的公司報告不同的指標，並非所有歷史數據都可能可用。事先確認可用性可節省時間，並讓您根據實際可存取的數據調整分析方法。

範圍管理

問題： 一次請求分析 50 家以上的公司，可能會產生過於龐雜的結果，或導致分析完全失敗。

解決方案： 將大型分析拆分為 5-10 家公司的較小群組，然後合併結果。

例如，與其說「分析所有 REIT，」不如更具體一些：「先分析這 5 家工業 REIT：PLD、DRE、FR、TRNO、STAG。」在審閱初步結果後，您可以繼續進行其他群組。這種方法可確保每批都能獲得徹底的分析，並讓您根據初步發現調整標準。

模糊的請求

問題： 像「好公司」或「強勁表現」這樣的術語，對不同的分析師來說意味著不同的事情，可能導致結果不符合您的標準。

解決方案： 使用量化門檻明確定義您的標準。

以下是一個範例：

具體的標準可確保 Claude 識別出符合您投資理念和篩選參數的公司。在建立篩選條件或識別投資候選對象時，這種精確性尤其重要。

高效提示的技巧

• 事先說明您的最終目標，以便 Claude 能建議適當的方法。
• 在整個分析過程中使用一致的術語。
• 為重複性分析保存成功的提示範本。
• 在擴大規模之前，先從較小的測試請求開始。
• 在提示中指明具體的數據來源（Daloopa、Kensho/S&P Global）。
• 考慮數據的新鮮度——指明您需要的是最新可用數據還是特定的歷史數據。
• 包含輸出格式偏好（表格、項目符號、敘述性文字）。
• 當準確性至關重要時，請求來源引用。
• 對於重複性分析，建立一個可重複使用的一致提示結構。

這些策略能幫助您從 Claude 的財務分析能力中獲得最大價值，同時避免常見的陷阱。隨著您對系統的使用經驗增加，您將識別出適合您特定分析需求的提示模式。