Claude for Financial Services CN：当华尔街AI落地中国金融

参考：Anthropic官方原版（anthropics/financial-services）
中国改造版：ccq1/cn-financial-services-plugins（AKShare）｜NBreeze-Eric/financial-services-plugins-cn（iFinD）｜duhu2000/financial-services-qcc（企查查）
写作风格：wenbai-detox，去机气，去翻译腔，以文言骨填白话肉

一、从华尔街到陆家嘴：一场金融AI的本土化迁徙

2025年，Anthropic把一套完整的金融服务Agent系统丢上了GitHub。41个Skills、38个Commands、11个MCP数据连接器——从可比公司分析到LBO模型，从业绩点评到投委会备忘录，整套投行工作流被拆解成纯Markdown和JSON，零代码、零构建、即装即用。

但问题是：这套系统里连的都是Daloopa、FactSet、S&P Global、Morningstar、LSEG这些海外数据终端。你让陆家嘴的分析师用Morningstar查A股？不现实。

于是，中国开发者动手了。

三个月内，至少三个独立fork出现，各自选择了不同的中国数据源：

• AKShare路线（ccq1/cn-financial-services-plugins）：42个工具，东方财富/新浪/腾讯/同花顺多源fallback，零API Key
• iFinD路线（NBreeze-Eric/financial-services-plugins-cn）：同花顺专业终端，4个MCP覆盖个股/基金/宏观/新闻
• 企查查路线（duhu2000/financial-services-qcc）：企业工商信息核验，面向银行KYB和投融资尽调

这不是简单的汉化。这是把一套面向纽约投行的AI工作流，硬生生接上了中国的金融基础设施。

二、架构拆解：纯文件驱动的金融Agent系统

2.1 原版架构：Anthropic的"无代码金融工作台"

官方项目（anthropics/financial-services）的架构极其简洁：

plugins/
  agent-plugins/           # 命名Agent（Pitch Agent、GL Reconciler...）
  vertical-plugins/        # 按垂直领域拆分的Skills+Commands+MCP
  partner-built/           # LSEG、S&P Global等合作伙伴插件
managed-agent-cookbooks/   # 无头部署模板（agent.yaml + 子Agent）

每个插件只有四个部分：

• plugin.json — 清单文件，声明版本和依赖
• .mcp.json — MCP连接器，指向外部数据源
• commands/*.md — 斜杠命令，如/comps、/dcf、/earnings
• skills/*/SKILL.md — 领域知识和工作流，Claude自动调用

所有组件都是纯文件——Markdown和JSON。没有Docker，没有Python脚本，没有编译步骤。这意味着什么？一个分析师可以直接在GitHub上修改SKILL.md，把自己的估值方法写进去，Claude下次就会按你的方式建模。

2.2 中国改造版：三路由线的核心差异

三条路线的选择反映了不同金融场景的痛点：

• AKShare版瞄准的是"研报工厂"——用零成本方案覆盖最全的数据工具
• iFinD版瞄准的是"专业终端用户"——用付费数据换质量，Excel直接输出
• 企查查版瞄准的是"合规与风控"——企业信息核验是银行开户和信托发行的第一道关卡

三、技能图谱：14个Commands能做什么

以AKShare版（最完整的中国改造版）为例，14个斜杠命令覆盖了从研究到投行到财富管理的大部分场景：

3.1 核心金融分析（cn-financial-analysis）

这些不是玩具。/comps命令会：

1. 通过AKShare搜索申万行业分类下的同行业公司
2. 拉取最新财务指标（PE、PB、ROE、营收增速）
3. 计算中位数、均值、分位数统计
4. 生成带live formula的Excel

/dcf命令则默认使用：

• Rf = 中国十年期国债收益率
• 市场溢价 = 中国A股历史风险溢价
• Beta = 个股对沪深300的回归
• 终值计算 = Gordon Growth Model

这不是把英文模板翻译成中文。这是把估值框架的每一个参数都换成了中国市场的数字。

3.2 股票研究（cn-equity-research）

/initiate是最耗时的命令。它会输出一份完整的首次覆盖报告：

• 公司概况与商业模式
• 行业分析（TAM/SAM/SOM、竞争格局、政策环境）
• 财务分析（三表拆解、杜邦分析、同行对比）
• 估值分析（PE/PB/DCF三法合一）
• 投资逻辑与风险因素
• 盈利预测与目标价

3.3 投行业务（cn-investment-banking）

/ipo命令的一个细节很到位：它会自动对比科创板、创业板、主板、北交所四套上市标准的财务门槛，然后判断目标公司符合哪一套。这不是通用模板能解决的问题——中国四板并行，每套规则都不同。

四、MCP数据源：中国金融数据的"毛细血管"

4.1 AKShare版：42个工具，零成本覆盖

AKShare版通过MCP协议连接了42个金融数据工具，涵盖：

关键优势：无需API Key。AKShare是一个开源的Python金融数据接口库，直接抓取东方财富、新浪、腾讯等公开数据源。这意味着——

一个刚入职的券商研究员，不需要申请公司Wind账号，不需要等IT审批，不需要任何预算，在自己的笔记本上装一套Claude Code + AKShare插件，就能开始做可比公司分析和DCF估值。

4.2 iFinD版：专业终端的4个MCP

iFinD版走的是另一条路：用付费数据换质量。

同花顺iFinD是国内主流的金融数据终端之一，覆盖：

• 个股数据（行情、财务、估值、股东）
• 基金数据（净值、持仓、评级、业绩归因）
• 宏观数据（GDP、CPI、PPI、PMI、利率、汇率）
• 新闻公告（公司公告、研报、新闻、舆情）

iFinD版的一个核心卖点是Excel输出质量。由于iFinD的数据精度更高（尤其是历史财务数据和行业对比），/dcf和/comps命令生成的Excel模型更接近专业研报标准。

但代价是：需要iFinD账号和WCP Token（Bearer Token），且数据配额有限。

4.3 企查查版：KYB和尽调的自动化

企查查版不是面向二级市场研究，而是面向一级市场和银行业务：

• KYB（Know Your Business）：企业客户开户时的自动化核验
• IC Memo（Investment Committee Memo）：投融资尽调报告
• 风险信号：工商变更、司法诉讼、经营异常、股权冻结

对于银行对公业务、信托发行、PE/VC尽调来说，企查查的数据是第一道关卡。这个版本把企查查MCP接入Claude，让AI可以自动：

1. 查询企业工商信息（法人、股东、注册资本、经营范围）
2. 扫描风险信号（诉讼、失信、被执行、经营异常）
3. 生成KYB报告或IC Memo初稿

五、中国金融场景的本土化细节

5.1 会计准则适配

原版Skills基于US GAAP和IFRS。中国改造版全部换成了中国企业会计准则（CAS）：

• 利润表：营业收入 → 营业成本 → 营业税金及附加 → 销售/管理/研发费用 → 财务费用 → 资产减值损失 → 公允价值变动 → 投资收益 → 营业利润 → 利润总额 → 净利润 → 归母净利润 → 扣非净利润
• 资产负债表：流动资产（货币资金、交易性金融资产、应收票据、应收账款、预付款项、存货）→ 非流动资产 → 流动负债 → 非流动负债 → 所有者权益
• 现金流量表：经营活动 → 投资活动 → 筹资活动

一个关键细节：扣非净利润。这是中国特色指标——净利润扣除非经常性损益。中国改造版的Skills会特别标注扣非净利润，因为A股投资者很看重这个指标。

5.2 估值体系差异

5.3 交易制度与监管框架

Skills文件中还嵌入了中国的交易制度和监管知识：

• T+1交易制度（原版是T+0）
• 涨跌停板：主板10%、科创板/创业板20%、北交所30%
• 监管框架：证监会、上交所、深交所、北交所、交易商协会
• IPO制度：注册制、四板并行（科创板/创业板/主板/北交所）
• 并购规则：《重大资产重组管理办法》、业绩承诺与补偿、增厚/摊薄分析
• 债券品种：企业债、公司债、短融、中票、超短融、PPN、ABS

这些不是文档注释，而是直接影响模型行为的参数。比如做IPO分析时，Claude会知道科创板要求"预计市值不低于人民币10亿元"，创业板要求"最近两年净利润均为正且累计不低于5000万元"——这些规则被写进了SKILL.md，Claude会按这些条件筛选和判断。

六、应用场景：谁在用？怎么用？

6.1 券商研究所：研报工厂的加速器

场景：某券商电子行业研究员覆盖30只A股，每季度要出业绩点评、每年要更新模型。

传统流程：

1. 打开Wind/同花顺，导出Excel数据
2. 手动更新财务模型（3-4小时）
3. 写业绩点评（2-3小时）
4. 领导审核修改（1-2小时）

Claude Agent流程：

1. 输入/earnings 立讯精密 2025Q1
2. Claude自动从AKShare/iFinD拉取最新财报数据
3. 自动更新Excel模型（live formula）
4. 生成业绩点评Word文档（8-12页）
5. 研究员审核修改（30分钟）

时间节省：从6-9小时压缩到1-2小时。

6.2 投行部： pitch book和CIM的初稿

场景：某投行准备为一个新能源项目做pitch book，需要可比公司分析和估值。

传统流程：

1. junior analyst花2天做comps和DCF
2. associate花1天改格式和叙事
3. VP花半天审核

Claude Agent流程：

1. 输入/comps 宁德时代和/dcf 宁德时代
2. 5分钟后拿到Excel模型
3. 输入/pitch 某新能源项目
4. Claude生成PPT初稿（基于模板）
5. 团队审核修改

时间节省：从3-4天压缩到半天。

6.3 银行对公部：企业开户KYB

场景：某城商行对公客户经理要为新开户企业做背景调查。

传统流程：

1. 企查查/天眼查手动查询
2. 整理Excel表格
3. 写KYB报告
4. 合规部审核

Claude Agent流程：

1. 输入/qcc-kyb-profile 某科技公司
2. Claude自动查询企查查MCP
3. 生成KYB报告（含风险信号标注）
4. 客户经理审核

时间节省：从2-3小时压缩到15分钟。

6.4 财富管理：客户review和再平衡

场景：某私人银行客户经理要为一个高净值客户做季度review。

Claude Agent流程：

1. 输入/client-review 某客户
2. Claude自动分析客户持仓表现
3. 生成review报告（含业绩归因、drift分析、talking points）
4. 输入/rebalance 某客户
5. Claude生成再平衡建议（tax-aware）

价值：客户经理可以把时间从数据整理转移到客户沟通。

七、局限性与风险

7.1 数据质量

AKShare的数据来自公开抓取，存在以下问题：

• 实时性：非实时，通常延迟15分钟到1天
• 准确性：与Wind/iFinD等付费终端存在差异
• 覆盖度：部分中小市值公司数据不完整
• 稳定性：数据源接口变更可能导致工具失效

建议：AKShare适合初筛和快速分析，正式报告仍需用Wind/iFinD交叉验证。

7.2 模型幻觉

Claude在金融分析中可能产生以下幻觉：

• 行业分类错误：把公司分到错误的申万行业
• 财务数据误读：把"归母净利润"当成"净利润"，或忽略"扣非"
• 估值假设离谱：WACC算错，或增长假设脱离实际
• 政策理解偏差：对注册制、退市新规等理解不准确

建议：所有AI生成的模型和报告必须由持证分析师审核。这是官方免责声明的要求，也是监管合规的底线。

7.3 合规与监管

中国金融行业对AI应用有严格限制：

• 投资建议：AI不能直接给出买入/卖出评级（需要持牌投资顾问）
• 研报发布：AI生成的研报不能署AI名字，必须有持牌分析师签字
• 数据合规：使用客户数据时需注意隐私保护（个人信息保护法）
• 模型备案：如果用于对外服务，可能需要算法备案

建议：当前阶段把Claude Agent定位为"分析师助手"而非"分析师替代"。

7.4 技术门槛

虽然项目标榜"零代码"，但安装过程对非技术人员仍有门槛：

• 需要安装Claude Code或OpenClaw
• 需要配置MCP（理解stdio/sse等概念）
• 需要处理Python依赖（AKShare版）
• 需要配置Token（iFinD版）

建议：金融机构需要IT部门支持部署，或者使用更上层的SaaS封装。

八、生态观察：金融AI的中国路径

8.1 为什么是中国的开发者在做这件事？

原版项目开源后，美国用户的反馈主要是"好，但我用FactSet"——他们已经付费了，没有动力换。而中国用户的反馈是"好，但我没有FactSet"——他们需要一套零成本或低成本的替代方案。

这解释了为什么三个中国fork都选择了免费或低成本数据源（AKShare、iFinD、企查查），而原版连接的是付费高端终端（Daloopa、S&P Global、LSEG）。

8.2 金融AI的"最后一公里"

这三个项目揭示了一个行业痛点：大模型有了，金融知识有了，但数据连接是最后一公里。

原版项目用MCP解决了这个问题——11个付费MCP连接器。中国开发者用MCP+开源数据/本土终端解决了同样的问题。下一步可能是：

• Wind MCP：如果Wind推出官方MCP，质量会大幅提升
• 交易所直连：上交所/深交所/北交所的API直连
• 监管数据：证监会、银保监会的公开数据接口
• 私有化部署：金融机构的私有数据+MCP+本地模型

8.3 开源金融AI的商业模式

这三个项目都是Apache-2.0开源。但生态可能演化出以下商业模式：

• 数据层：AKShare免费，iFinD/企查查收费
• 插件层：开源免费，但企业定制收费
• 平台层：类似"金融AI应用商店"，集成数据+模型+工作流
• 服务层：咨询公司帮金融机构部署和定制

九、如何上手体验

9.1 AKShare版（零成本，最推荐体验）

# 1. 安装Claude Code或OpenClaw
# 2. 克隆数据源
git clone https://github.com/ccq1/cn-financial-mcp.git ~/cn-financial-mcp
cd ~/cn-financial-mcp && pip install -e .

# 3. 克隆插件
git clone https://github.com/ccq1/cn-financial-services-plugins.git
cd cn-financial-services-plugins

# 4. 添加marketplace并安装
claude plugin marketplace add ./cn-financial-services-plugins
claude plugin install cn-financial-analysis@cn-financial-services-plugins
claude plugin install cn-equity-research@cn-financial-services-plugins
claude plugin install cn-investment-banking@cn-financial-services-plugins

# 5. 使用
/comps 贵州茅台
/dcf 宁德时代
/earnings 比亚迪 2025Q1

9.2 iFinD版（有iFinD账号的专业用户）

# 1. 申请iFinD账号 https://www.51ifind.com
# 2. 获取WCP Token（设置→WCP启用）
# 3. 克隆
git clone https://github.com/NBreeze-Eric/financial-services-plugins-cn.git

# 4. 配置 .claude/settings.json
cat > .claude/settings.json << 'EOF'
{
  "enabledPlugins": {
    "financial-analysis@financial-services-plugins": true,
    "equity-research@financial-services-plugins": true
  },
  "extraKnownMarketplaces": {
    "financial-services-plugins": {
      "source": {
        "source": "github",
        "repo": "NBreeze-Eric/financial-services-plugins-cn"
      }
    }
  }
}
EOF

# 5. 配置Token（安全文件，已加.gitignore）
cat > .claude/settings.local.json << 'EOF'
{
  "env": {
    "IFIND_AUTH": "你的Token"
  }
}
EOF

# 6. 使用
/financial-analysis:dcf 600519
/financial-analysis:comps 600519
/equity-research:earnings 000001

9.3 企查查版（银行/信托/PE）

# 1. 获取企查查API Key
# 2. 一键安装
bash <(curl -sL https://raw.githubusercontent.com/duhu2000/financial-services-qcc/main/install_qcc_mcp_financial.sh)

# 3. 配置环境变量
export QCC_MCP_API_KEY="your_api_key"

# 4. 使用
/qcc-kyb-profile 某科技公司
/qcc-full-dd-profile 某科技公司

十、结语：金融AI的"中国时刻"

Claude for Financial Services原版是一套漂亮的华尔街工具箱。但中国开发者没有满足于"汉化"，而是做了三件事：

1. 换数据源：把11个海外MCP换成AKShare/iFinD/企查查
2. 改规则：把US GAAP换成CAS，把GICS换成申万，把T+0换成T+1
3. 加场景：加了IPO四板对比、加了债券全品种、加了KYB自动化

这不是简单的移植。这是在一个完全不同的金融基础设施上，重建了一套AI工作流。

它不完美——数据质量、模型幻觉、合规风险都是真实存在的问题。但它证明了一件事：中国金融行业的AI落地，不是等美国方案漂过来，而是自己的开发者动手解决自己的痛点。

下一步是什么？可能是Wind官方MCP，可能是交易所直连，可能是监管合规的AI审计工具。但无论如何，这个开源生态已经动起来了。

⚠️ 免责声明：本文所述项目辅助金融分析工作流，不构成投资建议。AI生成的分析结果应由金融专业人士审核后方可用于投资决策。

#tag Claude金融AI #AIAgent #MCP #金融科技 #A股研究 #投行自动化 #开源项目 #anthropics #AKShare #iFinD #企查查 #金融大模型 #券商科技 #银行数字化 #财富管理

#金融AI #Claude #AIAgent #MCP #A股研究 #投行自动化 #开源项目 #anthropics #AKShare #iFinD #企查查 #金融科技 #券商科技 #银行数字化 #财富管理