别把 5 套筛选器当成买卖公式：Claude 金融插件真正值得学的是“证据流水线”
一篇“机构的五套量化筛选框架”很容易让人产生错觉：把 P/E、FCF Yield、ROIC、Short Interest、内部人交易这些指标填进筛选器，就能自动找到好股票。 这次把源文、Anthropic 2026 年金融产品更新、官方 GitHub 仓库和 SEC 表单重新对照后，我认为真正值得留下的不是那几组固定阈值，而是一个更重要的工程思想：筛选只负责缩小候选集，证据链才负责决定你是否继
别把 5 套筛选器当成买卖公式：Claude 金融插件真正值得学的是“证据流水线”
一篇“机构的五套量化筛选框架”很容易让人产生错觉：把 P/E、FCF Yield、ROIC、Short Interest、内部人交易这些指标填进筛选器，就能自动找到好股票。
这次把源文、Anthropic 2026 年金融产品更新、官方 GitHub 仓库和 SEC 表单重新对照后，我认为真正值得留下的不是那几组固定阈值，而是一个更重要的工程思想：筛选只负责缩小候选集，证据链才负责决定你是否继续研究。
源文最后其实已经碰到了这个边界——“筛选是起点，不是终点”。但前面的表达仍把许多经验阈值写得太像规则。到了 2026 年，Anthropic 自己对金融 Agent 的定位反而更克制：这些插件可以做研究、建模、筛选、报告，但输出需要专业人士复核；官方仓库明确写着它们不负责投资建议、交易执行或最终审批。
所以如果要把这套内容做成 alphahole 的长期资产，我会把“五套筛子”改造成一条 Screen → Verify → Explain → Falsify → Decide 的研究流水线。
一、先纠正一个认知：开源金融插件 ≠ 一套永远不变的阈值表
Anthropic 的金融仓库在 2026 年已经演进成金融分析核心插件、Equity Research、Investment Banking、Private Equity、Wealth Management 等一组工作流；官方还在 2026 年 5 月发布了新的金融 Agent 模板和数据连接能力。它强调的是“把真实金融数据接进工作流，再产出可审核的分析工作产品”。
这和“P/E < 15 就是价值股”“ROIC > 15% 就是高质量”不是一回事。
阈值只能是一种 heuristic（启发式）。行业、利率周期、会计口径、公司商业模式、地区和数据源变化后，同一个数字的含义会变。
例如：
- 银行的 P/B 与工业公司的 P/B 不在一个语义层；
- SaaS 的 NRR 对传统制造几乎没有意义；
- 高资本开支行业的 FCF 需要结合周期看；
- 内部人卖出可能是负面信号，也可能只是税务、行权或个人资产配置；
- 高 Short Interest 不是“聪明钱已经做空”的充分证据，也可能带来 squeeze 风险。
- valuation discount；
- business reason；
- temporary vs structural；
- primary evidence；
- counter-evidence；
- rerating trigger；
- falsifier。
因此第一条规则应该是：
> Metric without context = weak evidence.
二、把“五套筛子”改成五个研究入口
1. Value：不是找“便宜”，是找“价格和证据之间的错位”
价值筛选可以先用估值倍数、现金流收益率、行业中位数缩小范围，但接下来必须问：
为什么它便宜？
如果市场在给出一个折价，你需要列出折价的候选解释：周期下行、结构性衰退、一次性事件、资本配置差、财务质量问题、监管风险，还是市场确实过度反应。
所以 Value Screen 后面应该自动生成一个 Cheapness Explanation Ledger：
只有“便宜 + 折价原因可解释 + 反证可监控”，才值得进入下一层。
2. Growth：不是增长越快越好，而是增长能否兑现成经济价值
收入同比 15%、利润同比 20% 这类阈值适合做候选过滤，却不能单独决定质量。
增长研究真正应该拆成：
Volume / Price / Mix / New Customer / Existing Customer / M&A / FX。
再继续看：
- 毛利率有没有恶化；
- 销售费用是否比收入增长更快；
- 应收和库存是否异常；
- 资本开支和营运资金吃掉多少现金；
- 增长是否来自一次性合同；
- 管理层的下一季指引是否支持持续性。
- 哪个指标在过去 5 年最稳定；
- 哪个指标最容易在周期里翻转；
- 公司增长需要多少新增资本；
- 现金转换差是业务模型特征，还是会计质量风险。
“高增长 + 高估值”也不是自动危险，关键是市场已经预期了什么，以及你拥有的证据和共识差在哪里。
3. Quality：别被单个 ROE 骗了
高 ROE 可能来自真正的资本效率，也可能来自高杠杆、低净资产或回购后的分母变化。
所以质量筛选应该从单指标改成一个 Quality Bridge：
ROIC → Margin → Cash Conversion → Balance Sheet → Reinvestment → Governance。
其中最有用的不是“全部通过才买”，而是把质量拆成稳定性和脆弱点：
4. Short / Red Flag：对个人投资者更像“反证筛选”
做空筛选最容易被写成刺激内容，但对多数普通研究者，它更适合作为持仓的 Falsifier Scanner。
应收增长快于收入、库存异常、利润率下降、审计师变化、重述财报、管理层大额卖出，都值得看，但不能单点定罪。
SEC 的 Form 4 可以看内部人交易；Schedule 13D 用于一定比例的实益持股披露；8-K 可查看重大事项；Form 10 系列可以看到部分分拆相关注册信息。真正严谨的工作流不是“看见一个红旗就卖”，而是：
Signal → Filing → Context → Management explanation → Peer comparison → Falsifier status。
5. Special Situation：把“事件”拆成时间轴
分拆、重组、锁定期、激进投资者介入、管理层更换，最常见的问题不是“不知道事件”，而是把事件发生和价值兑现混成同一天。
因此特殊事件必须有 Event State：
Announcement → Filing → Approval → Effective Date → Forced Flow → Operating Change → Financial Recognition。
这和我们在前面批次已经积累的 Claim State 很像：Announcement 不等于 Agreement，Agreement 不等于 Closing，Closing 不等于经济效果已经进入报表。
三、真正专业的筛选器应该输出什么？
不是“买入名单”。
一个更安全、也更有长期价值的输出应该是：
Candidate Card
- 为什么进入候选；
- 哪些指标触发；
- 使用的行业/历史基准；
- 数据日期；
- 数据来源。
Evidence Gap
- 还有哪些关键字段没有证据；
- 哪些指标只有二手数据；
- 哪些披露需要查原始 filing。
Counter Case
- 如果市场是对的，最可能是什么原因；
- 当前最强反证是什么。
Falsifier
- 哪个未来数据出现，就应该放弃原假设。
Next Research Action
- 读哪份 10-K/10-Q/8-K；
- 查哪个同行；
- 做哪个估值敏感性；
- 等哪个催化剂。
- Universe：研究哪些公司；
- Screen Logic：为什么进入候选；
- Source Portfolio：数据从哪里来；
- Freshness：数据日期；
- Evidence Grade：一手还是二手；
- Context：行业/周期/会计口径；
- Counter Evidence：反方证据；
- Falsifier：什么会推翻观点；
- Human Gate：哪一步必须人工判断；
- Output：候选、待核验、排除，而不是买入/卖出按钮。
- 候选筛选理由；
- 指标相对行业位置；
- 需要核验的 SEC/公司披露；
- 数据 freshness；
- 反证；
- Falsifier；
- 下一步研究任务。
这才是“AI + 筛选”的优势：不是让 AI 替你决定，而是让它更一致地暴露你还不知道什么。
四、AI 金融 Agent 最有价值的地方，是把研究动作变成可审核的 Contract
Anthropic 当前金融插件把技能、命令、数据 connector 放进统一工作流，这里最值得 alphahole 学的不是“Claude 会炒股”，而是它把很多金融任务写成可以复用的结构。
我们可以把它抽象成 Research Contract：
这比再造一套“AI 选股公式”有价值得多。
五、这条内容对 alphahole 真正能变成什么产品？
不是股票推荐器。
更好的方向是增强我们已有的 Evidence Research OS，增加一个 Financial Screening Pipeline 模块：用户输入公司池或主题后，系统不输出“买什么”，而是输出：
免费入口可以是“单公司筛选解释”；会员价值来自批量 Watchlist、动态更新和历史证据账本；高价服务应该是研究工作流搭建，而不是代客投资决策。
六、最后留下一个最重要的边界
公式负责缩小搜索空间，不能替你承担结果。
任何筛选框架只是在做信息压缩。它可以让 5000 家公司变成 50 家候选，但从 50 家到 5 家、从 5 家到真正的投资决策，中间还隔着行业理解、估值、风险承受、反证、仓位和时间。
所以这篇内容最后应该留下的不是五套阈值，而是一条更耐用的链：
> Screen → Verify → Explain → Falsify → Human Decision。
这条链比任何固定 P/E 数字活得更久。