我在华尔街见过最贵的分析师，现在他的工作被 Claude Code 接管了三分之一

先聊一个让我真正坐直了的数字

2026年5月5日，摩根大通 CEO Jamie Dimon，在 Anthropic 的邀请制金融服务峰会上， 从空白页面出发，用 Claude Code 拉数据、做可视化、写方法论文档， 搭了一个国债资产互换和买卖价差的分析看板。

全程：20分钟。

我在金融行业待过，知道这意味着什么。 一个分析师要完成同样的东西，通常需要半天到一天： Bloomberg 调数据，Excel 搭模板，Python 写可视化，Word 写说明，PPT 收尾。 然后发现数据口径不对，再来一遍。

Dimon 不是在表演。他是在现场给台下的银行家和基金经理们演示： 你们的 Analyst 每天做的那些"聪明的体力活"，现在可以压缩到20分钟。

这不是 AI 会议室里的 PPT。这是在说，钱要怎么花了。

考虑到国内使用Claude Code确实有点困难，参考一下靠谱的网站：claudemax.shop

2026年5月5日发生了什么？

Anthropic 在纽约举办了一场邀请制金融服务发布会， 台上坐着 Dario Amodei、Jamie Dimon、Goldman Sachs CIO Marco Argenti、 JPMorgan CIO Lori Beer 和 AIG CEO Peter Zafino。

这阵容是金融圈对一家 AI 公司表达"我们认真了"的方式。

发布的内容：

10个预构建金融 Agent 模板，分两组：

研究 & 客户覆盖（5个）：

• Pitch Builder：路演材料和交易 Pitchbook 自动生成
• Meeting Preparer：客户会议背景研究和议程
• Earnings Reviewer：季报和年报逐项财务拆解
• Model Builder：DCF、LBO、可比公司分析模型
• Market Researcher：行业研究、竞争格局、宏观数据

财务 & 运营（5个）：

• Valuation Reviewer：估值合理性复核
• General Ledger Reconciler：总账自动对账
• Month-End Closer：月末关账和基金净值计算
• Statement Auditor：财务报表稽核
• KYC Screener：客户尽调和反洗钱初筛

每个模板封装了三件事：技能（领域知识）+ 连接器（数据接入）+ 子 Agent（专项执行）。 可以部署在 Cowork 或 Claude Code 里，或者通过 Managed Agents 接口以编程方式调用。

同时宣布的还有：

• 8个新数据连接器：Dun & Bradstreet、Fiscal AI、Financial Modeling Prep、 Guidepoint、IBISWorld、SS&C IntraLinks、Third Bridge、Verisk
• Moody's MCP app：接入 6 亿多家公司数据
• Microsoft 365 集成：Excel、PowerPoint、Word 已上线，Outlook 即将支持
• $15亿联合风险投资（Blackstone + Hellman & Friedman + Goldman Sachs，5月4日宣布）， 把 Claude 嵌入私募股权和房地产投资组合公司的日常运营

这不是一次功能更新。这是 Anthropic 宣布： 我要成为华尔街的操作系统。

---

基准测试：Claude Opus 4.7 在金融领域的真实成绩

Vals AI Finance Agent Benchmark 是目前金融 AI 领域最权威的测试之一， 由斯坦福研究人员联合 Goldman Sachs、Silver Lake 和 Citadel 的领域专家设计， 包含537道题，覆盖9个金融任务类别，核心聚焦于 SEC 文件研究—— 这是股票研究、信用分析和投资尽调的基础能力。

Claude Opus 4.7 得分：64.37%

对比：

• GPT-5.5：59.96%
• Gemini 3.1 Pro：59.72%

差距看起来不大，但在金融任务里，4个百分点的准确率差距可能意味着 一个错误的引用、一个偏差的估值、一份被返工的报告。

Anthropic 同时引用了 GDPval-AA 评估（经济价值性知识工作评估）， Claude Opus 4.7 在这个维度也位列第一。

这些数字的背后含义是：在处理 SEC 10-K 文件、解析复杂财务注释、 从大量叙述性文字中提取关键数字这类任务上，Claude 目前是最可靠的工具。 而这些任务，恰恰是初级分析师最容易出错、最耗时的部分。

---

真实案例：那些真的在用的人说了什么

Walleye Capital：400人对冲基金，100% 员工用 Claude Code

这是整个发布里我觉得最值得反复看的一个数据。

Walleye Capital 是一家规模约400人的对冲基金，CEO Will England 说：

"100% of employees at Walleye Capital use Claude Code. This level of adoption across our 400-person hedge fund reflects our AI-first mindset."

400人，100%，不是试点，不是"部分团队"。 是从研究员到运营到后台，全员日常使用。

在量化行业，这种覆盖率意味着 Claude Code 已经被嵌入了工作流的基础设施层， 而不是"有空就用一用"的辅助工具。

Bridgewater：Ray Dalio 的基金，用 Claude 搭投研助手

桥水的 CTO Aaron Linsky 描述了他们构建的 Investment Analyst Assistant：

Claude 帮助他们"生成 Python 代码，构建数据可视化， 以初级分析师的精度迭代完成复杂金融分析任务"。

"以初级分析师的精度"——这不是夸奖，这是一个精确的技术描述。 桥水用的是"助手"定位，目的是提升现有分析师的产出，而不是替代。

作为一个写过量化回测代码的人，我知道"生成正确的 Python 金融分析代码" 有多难搞：数据对齐、时区处理、滚动窗口计算、因子归因…… 每一步都有坑。桥水说 Claude 能"以初级分析师精度"做这件事， 我选择相信，因为他们没有理由撒谎。

AIG：承保准确率从75%提升到90%

保险承保是一个极其依赖文档分析的领域： 政策条款、历史索赔数据、风险评估报告……海量文字，少量数字，很多判断。

AIG 引入 Claude 之后：

• 内部审核时间压缩了5倍
• 承保任务准确率从 75% 提升至 90%，上升了整整15个百分点

90% 的准确率意味着 10% 的错误率，这个数字在承保里仍然需要人工核查。 但从75% 到90%，已经把人工复查的工作量从"每4件查1件"降到了"每10件查1件"。 规模效应下，这是实实在在的成本节约。

FIS：AML 调查从"数天"到"数分钟"

FIS（全球最大金融科技公司之一）和 Anthropic 联合开发了反洗钱（AML）调查 Agent。 CEO Stephanie Ferris 的原话：

「Together we're building an agent that compresses AML investigations from days to minutes.」

反洗钱调查是一个高度依赖信息关联的任务： 要在海量交易记录、客户背景数据、制裁名单之间做交叉比对， 传统上需要分析师花几天时间手动排查。

从"数天"到"数分钟"这个跨度，不是效率优化，是范式改变。

---

基金经理具体怎么用？逐场景拆解

用法一：季报财务分析——Earnings Reviewer Agent

一家上市公司发季报，通常同时附带： 10-Q 文件（几十页），Management Discussion，Press Release， Earnings Call Transcript，以及你自己的历史模型。

传统做法：分析师逐段读，逐项更新模型，然后写投资摘要，通常要半天。

Earnings Reviewer 的做法：

1. 把所有文件接入（支持 Daloopa 直接拉 SEC 数据）
2. Agent 自动提取营收、利润率、费用变动、管理层指引变化
3. 与你上一季的模型对比，标注偏差
4. 生成分析摘要草稿，你来判断重不重要

Claude 的1M Token 上下文窗口在这里是真实优势—— 整个 10-Q 加上 Transcript 整包送进去，不截断，不遗漏。

用法二：Pitchbook 生成——Pitch Builder Agent

Pitchbook（路演材料）是投行分析师的"命"， 一份好的 Pitchbook 通常需要：市场数据、可比交易、管理层背景、 财务预测、估值页、风险因素……组合起来40页起步。

以前：一个 Associate 花3-5天，中间反复打磨。

Pitch Builder 的做法： 把交易背景、目标公司信息、你的论点方向喂进去， Agent 生成 PowerPoint 初版（直接通过 Microsoft 365 集成输出）， 包含数据引用和可比分析，你在上面修改和精炼。

我在 Anthropic 的官方页面看到了一个具体的示例提示词：

Generate the Q1 2026 performance summary for Pinnacle Growth Equity Fund 
using our holdings data and benchmark returns. 
Use Brinson-Fachler sector attribution. 
Include portfolio return vs. benchmark with active return and information ratio, 
sector contribution to active return in bps, 
and risk metrics: Sharpe, beta, max drawdown, and active share. 
Format as a PowerPoint slide for institutional investors.

这一段提示词里包含了：业绩归因方法（Brinson-Fachler）、 具体指标（信息比率、主动份额）、输出格式（PowerPoint）。 这已经是专业金融语言，不是通用 AI 提示词了。

用法三：Model Builder——DCF 建模，量化分析师的日常

对于基金经理和量化分析师，Model Builder Agent 的价值在于：

1. 自然语言→模型框架：描述你的假设，Agent 生成 Excel 模型骨架
2. 历史数据接入：通过 FactSet / Financial Modeling Prep 直接拉财务数据填入
3. 敏感性分析：自动生成增长率 / 利率 / 折现率的多情景压力测试
4. Python 代码生成：需要更复杂的量化分析时，直接生成可运行脚本

在我的经验里，建一个 DCF 模型最耗时的不是公式设计， 而是数据清洗和格式统一。Claude 把这部分接管了，剩下的是判断假设合不合理。

用法四：Claude Code 写量化策略代码

这是我作为码农最感兴趣的部分。

给 Claude Code 一个用自然语言描述的策略逻辑：

实现一个基于动量因子的选股策略：
- 宇宙：S&P 500 成分股
- 信号：过去12个月收益率（跳过最近1个月）
- 持仓：每月再平衡，做多前10%，做空后10%
- 风控：行业中性，Beta 不超过 0.2
- 输出：Sharpe ratio、最大回撤、信息比率

Claude Code 会：

1. 生成完整 Python 代码（pandas / vectorbt / zipline 都能）
2. 处理数据对齐、去极值、回测时间序列
3. 生成可视化结果
4. 指出潜在的回测偏差（前视偏差检查）

这对一个没有系统量化开发背景的基本面研究员来说， 价值不可估量——他终于可以把自己的投资逻辑变成可测试的东西， 而不必先花6个月学 Python。

---

数据连接器：Claude 如何拿到"真实的钱"

纯文本推理没有用，金融分析需要实时数据。 Anthropic 目前接入的金融数据连接器：

市场数据： FactSet、Morningstar、Daloopa（3500+上市公司SEC数据）、S&P Global

信用与风险： Moody's（MCP，600M+公司数据）、Dun & Bradstreet、Verisk、IBISWorld

专家网络： Third Bridge、Guidepoint（访谈摘要直接接入分析）

交易数据： SS&C IntraLinks（VDR数据室）、Financial Modeling Prep

另类数据： Fiscal AI

这个连接器矩阵的意义是：Claude 不只是"理解财务概念"， 而是能直接从这些权威数据源拿到数字，带进分析里， 每个数据点都有来源可追溯——这在金融合规里至关重要。

每次 Agent 运行都生成完整的审计日志， 没有任何输出在人工审批之前会自动发送给客户或提交监管。

---

和传统量化工作台的对比

做量化十几年，见过太多工具宣称要"革命"分析师的工作流。 Bloomberg 当年也是，Wind 当年也是，各种 BI 工具也是。

Claude Code 和这些前辈的本质区别在哪里？

传统工具：你告诉它"拉这个字段、套这个公式、画这张图"，它执行。 Claude Code：你告诉它"我想分析这家公司的定价权是否在恶化"， 它帮你拆解成需要什么数据、用什么分析框架、最终输出什么结论，然后执行。

这是从"工具"到"思考伙伴"的跨越。

当然，思考伙伴也会犯错。金融里的错误有代价。 所以每个 Agent 的设计里都保留了"人工在环"： 草稿给你，决策是你的，签字是你的，合规是你的。

---

我的判断：应该用、不应该用、必须注意

应该用的地方：

1. 研究文档密集的任务：10-K、招股书、尽调报告——长文档、多文件交叉比对， Claude 的1M Token 上下文让它比任何传统工具都有优势

2. Pitchbook 和 IC Memo 初稿：把"从空白开始"变成"从50%开始"， 节省的时间是真实的，用在更高价值的判断上

3. 代码生成和量化策略原型：没有开发背景的研究员， Claude Code 让你能把想法变成可测试的模型

4. KYC 和 AML 初筛：规则明确、文档密集、合规要求高——恰好是 Claude 的甜区

不应该用来替代的：

1. 最终投资决策：Vals AI 64.37% 的分数意味着 35.63% 的任务它会出错或不够精确。 市场判断的最终责任在你

2. 监管申报的最终版本：草稿可以，但没有CFA持牌人或法务审核前， 不要让 Agent 的输出直接提交监管

3. 非结构化的市场洞见：Claude 擅长从文档中提取信息， 不擅长告诉你"市场情绪在拐点"——那还是要靠你在市场里跌打滚爬的直觉

4. 私密数据处理：了解清楚你的企业 Claude 部署是否满足数据隔离要求， 机密客户数据不能随意接入任何云端 AI 服务

---

最后说一句

金融行业向来是两件事同时成立：

第一，这个行业的很多工作是"聪明的体力活"—— 读文件、提数字、建模板、写报告，这些重复性高、可结构化的任务， 最适合被自动化。

第二，这个行业的核心价值是判断—— 哪个信号是 alpha，哪个是噪音；哪家公司的管理层在说真话，哪家在粉饰； 这个估值区间我愿意接受，那个我不愿意。 这一层没有工具能替代，也不应该被替代。

Claude Code 的价值，是把第一类工作的成本压下来， 让基金经理把时间花在第二类事上。

Walleye Capital 的400人100%覆盖，不是因为他们觉得 Claude 比人聪明， 而是因为他们知道：在同等判断力的情况下，处理信息更快的人会赢。

这不是 AI 的逻辑，这是市场的逻辑。市场的逻辑从来不等人。