用 Claude Code Skills 自動化股票篩選¶
原文: Claude Code Skills で株スクリーニングを自動化した話 Vol.1【Python × yfinance × バイブコーディング】
為什麼需要自動化投資分析¶
我使用 Claude Code Skills 與 yfinance，打造了一套從股票篩選到投資組合管理的投資分析自動化系統。以 Python × Vibecoding 的方式，用 5 個 Skill 覆蓋個人投資者的完整投資工作流程。
身為個人投資者，操作日股與美股時，「尋找低估標的」這件事說來枯燥卻相當麻煩。在券商的篩選器過濾後，還要逐一確認篩出的股票，再考量整體投資組合的平衡——這種反覆循環讓我很想找到改善方法。
向 ChatGPT 或 Claude 的網頁版要求「幫我找價值被低估的股票」，它們確實能做到一定程度。但一旦想整合進投資決策的工作流程，就遭遇了 4 道高牆：
- 回應與資料來源不穩定: 網頁搜尋每檔股票耗時數十秒，參考文章每次都不同，無法用於定點觀測
- 脈絡消失: 上週的篩選結果與買賣理由，下一個對話階段就全部遺忘
- 缺乏重現性: 每個階段 PER 閾值與評分微妙不同，無法在沒有重現性的機制上累積投資判斷
- 處理量的瓶頸: 委託做 10 檔健康檢查，輸出卻在 3～4 檔就中斷，但「不遺漏地檢查全部標的」才是有意義的
Claude Code 的 Skills 解決了以上全部 4 個問題：
- 回應與資料來源: 將邏輯固定在 Python 腳本中，透過 yfinance API 統一取得資料，每次都以相同方式從相同來源取值
- 脈絡消失: 投資組合存 CSV、閾值存 YAML、設計決策存 CLAUDE.md，跨對話階段仍能延續脈絡
- 重現性: 篩選邏輯作為腳本固定下來，相同輸入就執行相同處理
- 處理量: 以 Python 程序而非 LLM 輸出 token 執行，無上限限制。東京證交所全上市股（Prime・Standard・Growth 合計約 1,000～2,000 檔）一次批次篩選，數十秒內完成
最初只打算做篩選功能，但「也想要報告」「也想管理投資組合」「也需要健康檢查」「還需要壓力測試」……需求不斷擴大，不知不覺就發展成 5 個 Skill 組成的系統。
本文主要介紹這套系統的設計思路、技術選型判斷。
什麼是 Claude Code Skills¶
Claude Code 具備一種可以自製斜線指令(slash command)的機制，稱為 Skills。在 Skill 定義檔（SKILL.md）中寫好 Skill 的名稱、說明、引數規則、允許的工具，Claude Code 就能解讀自然語言輸入並執行腳本。
重點在於，使用者只需以自然語言對話即可，連斜線指令都不用輸入。Claude Code 會理解使用者的意圖，自動選擇適當的 Skill 並執行。
例如直接說「幫我找日股高配息的」，Claude Code 就會從脈絡判斷需要來選擇可以完成使用者目標的 Skill 與適當設定地區與預設條件後執行腳本。問「投資組合狀況怎麼樣？」就會啟動健康檢查；說「給我看豐田的報告」就會生成個股報告。
也就是說，Skills 並非「命令列工具」，而是 Claude Code 依情況靈活運用的工具箱。使用者不需要記住任何指令體系，只需在投資的脈絡下自然對話，背後就會自動執行適當的腳本。這種 「自然語言 → Skill 選擇 → 腳本執行 → 結果解讀」 的完整流程，正是 Vibecoding 體驗的本質，也是與傳統 CLI 工具最決定性的差異。
另一個重要特性是 重現性。邏輯固定在 Python 腳本中，保證今天與上個月的篩選是以相同標準執行的。
自動化投資分析的 5 個 Skills¶
這次打造的 Skill 共有 5 個：
| # | Skill | 功能 |
|---|---|---|
| 1 | screen-stocks (篩選) | 搜尋低估股（4 個引擎、7 個預設、支援 yfinance EquityQuery 的 60+ 個交易所） |
| 2 | stock-report (個股報告) | 指定股票代號生成財務分析報告 |
| 3 | stock-portfolio (投資組合管理) | 買賣記錄, 損益顯示, 結構分析, 健康檢查, 預估殖利率, 再平衡建議 |
| 4 | stress-test (壓力測試) | 以 8 個情境驗證投資組合弱點（集中度, 相關性, VaR） |
| 5 | watchlist (自選清單) | 管理感興趣標的的清單 |
涵蓋了「篩選找到標的 → 報告確認細節 → 加入自選清單 → 投資組合記錄買賣 → 健康檢查持續監控 → 壓力測試掌握風險」的完整投資工作流程。
系統設計：三層架構與資料持久化¶
為何分成三層¶
系統分離成 Skills 層（介面）→ Core 層（商業邏輯）→ Data 層（資料取得） 三層。
- Skills 層 僅負責介面，是只解析引數、呼叫腳本的薄層
- Core 層 集中商業邏輯，配置了篩選引擎、評分、健康檢查、情境分析等 17 個模組，在 5 個 Skill 之間共用邏輯。例如「變化分數」的計算邏輯，會被篩選（Alpha 預設）和健康檢查雙方呼叫
- Data 層 集中資料取得，不直接呼叫 yfinance，一律經由包裝層，統一處理快取（24 小時 TTL）、速率限制（API 間 1 秒延遲）、異常值清洗（排除配息率 > 15% 或 PBR < 0.1 等）
這種分離設計讓「新增 Skill」時可重用 Core 邏輯，「更換資料來源」時只需替換 Data 層。
資料持久化策略¶
針對「脈絡消失」的問題，以適當格式持久化三類資料：
| 資料 | 格式 | 理由 |
|---|---|---|
| 投資組合（持有標的・買賣歷史） | CSV | 人工直接編輯・確認方便 |
| 篩選閾值, 交易所定義 | YAML | 以高可讀性管理結構化設定 |
| 設計決策, 架構 | CLAUDE.md | 讓 Claude Code 在新對話階段也能理解專案脈絡 |
| 標的資料快取 | JSON | 直接儲存 API 回應（24 小時 TTL） |
Tip
挑戰: - 脈絡消失: 上週的篩選結果與買賣理由，下一個對話階段就全部遺忘 解決: - 脈絡消失: 投資組合存 CSV、閾值存 YAML、設計決策存 CLAUDE.md，跨對話階段仍能延續脈絡
其中 CLAUDE.md 尤為重要，詳細記錄了篩選引擎的運作規格、ETF 判斷規則、資料取得模式等。如此一來，即使在新的對話階段開啟 Claude Code，也能在理解專案脈絡的狀態下繼續開發。
技術選型與邏輯¶
資料來源：yfinance¶
這套系統的基礎是 yfinance（Yahoo Finance 的 Python 函式庫）。免費且無需 API 金鑰，可取得個人投資者所需的絕大部分資料。
| 資料種類 | 可取得內容 | 用途 |
|---|---|---|
| 股價與估值 | PER（本益比）, PBR（股價淨值比）, 配息率, 市值, 52 週高低價 | 篩選、報告 |
| 財務報表 | 損益表, 資產負債表, 現金流量表 | 變化分數（Alpha）、健康檢查 |
| 分析師共識 | 目標股價（高/均/低）, 評等, 分析師人數 | 預估殖利率（3 情境） |
| 價格歷史 | 日/週/月 OHLCV（最多數十年） | 技術分析、VaR、相關性分析 |
| 新聞 | 官方媒體新聞文章（標題・URL・摘要） | 預估殖利率的定性資訊 |
| EquityQuery | 以條件批次搜尋標的（yfinance 端支援 60+ 個交易所） | 篩選（全市場一次） |
特別強大的是 EquityQuery，輸入「PER < 15 且配息率 > 3% 且東證上市」這類條件，就能批次返回符合的標的。不需事先準備股票清單，可以不漏網地篩選東證 Prime・Standard・Growth 全部標的。這是與網頁版逐一查詢體驗最大的差距。
yfinance 雖然免費，但資料存在特殊習性（ETF 銷售歷史以空清單返回、配息率有時以百分比數值返回等），因此設計在 Data 層統一進行異常值清洗。
篩選：4 個引擎¶
依目的備有 4 個篩選引擎：
| 引擎 | 方式 | 用途 |
|---|---|---|
| QueryScreener | yfinance EquityQuery API 批次取得 → 以 Value 分數排名 | 基本低估股搜尋（value, high-dividend 等 5 個預設） |
| PullbackScreener | EquityQuery → 以 RSI/布林通道判斷回調 → Value 分數 | 想在上升趨勢中短期回調時進場 |
| AlphaScreener | EquityQuery（門檻過濾）→ 變化分數（¾ 指標）→ 回調判斷 → 雙軸分數 | 低估且有業績改善跡象的標的（4 段管線） |
| ValueScreener | 逐一取得標的清單 → 過濾 → 評分 | 舊式方法（為相容性保留） |
Value 分數配分為 PER（25 分）+ PBR（25 分）+ 配息率（20 分）+ ROE（15 分）+ 營收成長率（15 分）= 滿分 100 分，各指標以 0～滿分範圍評分後加總排名。
AlphaScreener 的「變化分數」，以應計項目（利益品質）・營收加速度・FCF 毛利率變化・ROE 趨勢等 4 個指標，量化「業績是否正往好的方向變化」。在確認低估的同時觀察變化方向，以此迴避「長期低估不動的陷阱（價值陷阱）」。
健康檢查：技術面 × 基本面雙軸判斷¶
判斷持有標的「投資假設是否仍然有效」的健康檢查，是三級警報系統：
| 警報 | 技術面條件 | 基本面條件 | 行動 |
|---|---|---|---|
| 早期預警 | 跌破 SMA50 / RSI 急跌 | ── | 留意觀察 |
| 注意 | SMA50 接近 SMA200 | 變化分數 1 項指標惡化 | 考慮部分獲利了結 |
| 撤退 | 死亡交叉 | 變化分數多項惡化 | 考慮撤出 |
設計上的重要決策是，撤退訊號必須同時要求技術面崩潰與基本面惡化。即使出現死亡交叉，若基本面良好，仍只停在「注意」等級。僅憑一時的供需崩潰就發出賣出訊號會造成過度反應，因此設定必須兩面都有依據的條件。
ETF（黃金 ETF、債券 ETF 等）自動判定為基本面分析對象之外，僅以技術面評估。
預估殖利率：分析師共識 + 歷史報酬¶
以 樂觀 / 基本 / 悲觀 三個情境，呈現 12 個月後的預期報酬。個股與 ETF 採用不同方式處理。
個股 使用 yfinance 可取得的分析師目標股價（高 / 均 / 低）。分析師人數較少時（未滿 3 名），目標價的價差往往偏窄，因此自動擴大價差以區分 3 個情境。
ETF 因無分析師追蹤，從過去 2 年的月度報酬計算 CAGR（複利年成長率），以標準差分歧情境。設定上限以防異常值造成過高估計。
此外，可選擇性加入 yfinance 官方新聞，以及 Grok API（X Search）的 SNS 情感分析。Grok API 設計為環境變數未設定時自動跳過（Graceful degradation）。
壓力測試：情境式風險分析¶
以 8 個預先定義的情境（三殺、科技崩跌、日圓升值等）驗證投資組合弱點。
分析以管線結構化進行：集中度分析（HHI）→ 衝擊敏感度 → 各情境衝擊估計 → 相關性分析（皮爾森相關 + 總體因子分解）→ VaR（95%/99%）→ 因果連鎖分析 → 建議行動。
技術重點：ETF 自動分類為資產類別（黃金・長期債・股票收益等），並為各情境套用適當的衝擊係數。例如「三殺」情境中，黃金 ETF 作為避險資產，計算出與股票相反方向的衝擊。
建議行動由規則引擎自動生成，再由 Claude 加入考量投資組合脈絡的補充說明。定量分析（計算）與定性分析（LLM 解讀）分離，充分發揮各自優勢的設計。
個股報告是指定股票代號生成財務摘要的功能，自選清單是以 JSON 永久管理感興趣標的的功能。雖然都是簡單的輔助 Skill，但扮演著串連「篩選 → 報告確認 → 加入自選清單」流程的重要角色。
投資組合快照功能可一覽持有標的的當前評估值與損益。
Agents / Teams：並行搜尋、並行驗證¶
Claude Code 具備以團隊形式並行啟動多個代理程式的 Teams 功能，與篩選系統的配合堪稱絕配。
篩選的並行化¶
「想同時在日本・美國・東南亞・香港 4 個地區尋找低估股」時，循序執行每個地區需 30 秒～1 分鐘，合計要等好幾分鐘。使用 Teams，4 個代理程式 分別同時探索不同地區，彙整結果後返回。
與 1 個代理程式依序處理相比，實際等待時間接近 1/N。正因為這個系統支援 yfinance 的 60 個以上交易所，並行化的效益才能如此顯著。透過 yfinance 還可取得分析師共識資訊（目標股價・評等・分析師人數），讓「同時搜尋全球低估股，依與共識目標的乖離幅度排列」這種全面搜尋成為現實。
綜合測試的並行化¶
同樣機制也用於品質管理。並行啟動 4 個測試代理程式，一次執行全部 Skill 的整合測試。
- 篩選測試員 → 4 個模式（日本 Value、美國高配息、日本 Alpha、美國回調）
- 報告測試員 → 報告 4 個模式 + 自選清單 CRUD 6 個模式
- 投資組合測試員 → 5 個子指令（list, snapshot, analyze, health, forecast）
- 壓力測試員 → 4 個模式（混合、指定情境、僅 ETF、指定權重）
結果 23 個測試全部通過，過程中發現 2 個輕微 bug，並自動建立 Linear 工單。
開發的真實情況¶
遇到的陷阱¶
介紹在製作用 Skills 運作的東西時，實際碰到的困難點，都是起因於 yfinance 資料特性的問題。
ETF 判斷的陷阱。 在將 ETF 排除於健康檢查之外的判斷邏輯中，沒注意到 yfinance 對 ETF 的銷售歷史返回「空清單」，導致 ETF 被誤判為個股。改用 bool() 的 truthiness 檢查取代 is not None 後解決。外部 API 返回值如何表達「無資料」，往往是光看文件無法理解的教訓。
ETF 報酬的年化換算。 以月度報酬中位數單純乘以 12 的單利計算，導致黃金 ETF 的預估報酬出現 +86% 這種明顯高估。修正為 CAGR（複利年率），並將取得期間從 6 個月擴大至 2 年，從而得到穩定的估計值。
分析師人數過少時情境崩潰。 分析師在 2 名以下的標的，目標股價的高 / 均 / 低全部變成相同數值，使 3 個情境失去意義。改為人數過少時自動加入價差以產生分歧。
Vibecoding 的開發流程¶
iTerm 多視窗 × worktree 並行開發。 實際開發時，iTerm2 視窗按角色分開同時並行作業：
- PdM 視窗 ── 在 Linear 建立 Issue，審查完成的實作，有問題就返回回饋，扮演產品管理角色
- 開發視窗 ── 在 feature 分支推進實作，與 Claude Code 對話同時寫程式
- 測試視窗 ── 執行測試與動作確認
Claude Code 是終端機為基礎，因此「多視窗同時與 Claude 對話」這種風格自然地相互契合。在 PdM 視窗建立 Issue 整理需求，把實作委派給開發視窗的 Claude，完成後在 PdM 視窗審查並回饋——這正是 Vibecoding。自己只需以自然語言表達想做的事，AI 就會負責設計・實作・測試。一人運作的敏捷開發流程就此成立。
進一步使用 git worktree，可以把同一個 repository 的不同分支 checkout 到不同目錄，因此可以在一個視窗推進 feature 分支開發，同時在另一個視窗跑 main 分支測試。每個 Issue 切一個 worktree，獨立推進開發・測試・合併，對個人開發的效率提升相當顯著。
Linear 整合。 透過 Claude Code 的 MCP（Model Context Protocol）連接 Linear，直接從 PdM 視窗建立・更新 Issue。「這是 bug」→ 建立 Issue → 開發視窗修正 → 測試 → PdM 視窗審查 → 更新為 Done，全部在終端機內完成。
單元測試。 使用 pytest 維持 **740 個以上**的測試。全部測試約 20 秒完成，每次修改都能輕鬆執行。由於對外部 API 進行了 mock，無需網路連線即可高速執行。這些單元測試的存在，是能安心進行重構的基礎。即使把程式碼改善委派給 Claude Code，只要測試通過，就能立即確認現有行為沒有被破壞。以 AI 主導開發的風格中，「委派沒問題嗎」的不安如影隨形，測試就是這道安全網。
Skills 開發獲得的知見¶
1. SKILL.md 要寫成「介面規格書」。 明確定義引數解讀規則與輸出格式，Claude 就能精確呼叫腳本。模糊的定義會導致模糊的執行結果。
2. 邏輯要放在 Skill 之外。 Skills 的腳本專注於入口點，商業邏輯分離到其他模組。如此一來，Skill 之間可共用邏輯，測試也更容易撰寫。
3. CLAUDE.md 要寫上架構。 因為 Claude Code 在修改程式碼時會參考，詳細記載模組間的依賴關係與資料流，可以提升修改精確度。
4. 如何與脈絡上限共存。 Claude Code 的對話階段拉長了，同樣會觸及脈絡上限。處理思路是「知識的層次化」：可邏輯化的部分寫進 Python 程式碼，能以規則整理的部分彙整在 Skills 的 SKILL.md，整個專案的設計決策寫在 CLAUDE.md 或 Rules。如此一來，即使在新的對話階段，Claude Code 也能讀 CLAUDE.md 理解脈絡後開始作業。脈絡只需載入「現在想做的事」，定期重構整理知識的循環也能持續運作。
5. 意識到 Graceful degradation。 外部 API（Grok API 等）設計為未設定時自動跳過，可防止環境差異造成的錯誤。「沒有它也能動，有的話更好」是理想。
總結：Claude Code Skills 讓投資分析自動化到這種程度¶
作為 Vibecoding 的實踐案例，使用 Claude Code Skills，以自然語言介面建構了「可互動使用的投資分析系統」。
- 以 Skills 的機制，結構性地解決了網頁版體感到的 4 個問題（回應・脈絡消失・重現性・處理量）
- 只需以自然語言對話，Claude 就會選擇並執行適當的 Skill，不需要記住任何指令體系
- 邏輯固定在腳本中，保證每次篩選都有相同品質
- 透過 Teams 並行執行，對 yfinance 支援的 60 個以上交易所同時篩選、收集共識資訊成為現實
- Linear 整合・740 個以上測試自動執行，開發・運維・品質管理也在 Claude Code 內一手包辦
Skills 是將「會寫程式的 AI」轉變為「具備可用工具的 AI」的機制。邏輯一旦打造好，之後只需以自然語言對話，就能得到具重現性的分析。
回顧來看，這個專案 整個開發循環都在 AI 與終端機中自給自足。在 Linear 整理需求，在 iTerm 多視窗與 Claude Code 對話同時實作，以 worktree 並行跑測試，發現 bug 就自動建立 Linear 工單修正，以 Teams 並行執行整合測試，合併後更新為 Done。幾乎沒有開瀏覽器的場合。AI 不只是寫程式，連需求管理・品質管理・專案管理都能一條龍承擔的世界，已經就在手邊。
不只限於個人投資者的工作流程改善，這是一種可以應用在所有反覆進行定型分析或處理業務上的方法論。
老實說，要將這個做成 App 讓更多人使用——我認為是困難的。Skills 是依賴 Claude Code 本地環境的機制，並非設計成能以網路服務形式提供。不過，原本的目的就是「提高自己的投資判斷效率」。作為自己專用的工具，手邊有了一套替自己賺錢的機制，這樣就已經是充分的成果了。
今後打算與 PdM 視窗的 Claude 持續討論，將所有金融相關知識系統性地體系化成 Skills。不只是股票，還有債券、匯率、總體經濟指標、稅制——投資決策所需的知識相當廣泛。將它們一個一個落實成 Skill，自己的金融素養也隨之提升的實感讓人振奮。
打造 Skills 需要深度理解目標領域，因此不只是「委派給 AI」，也成為了「與 AI 一起學習」的工具。這種積累，會讓與 AI 共同工作的環境越來越豐富。
有興趣的朋友歡迎試試看，原始碼已在 GitHub 公開:
注意： 投資為個人責任。本系統的輸出並非投資建議。此外，雖然在 GitHub 公開了原始碼，但不接受任何關於投資成果的諮詢或支援，請僅作為 Skills 的技術參考。
📘 系列文章: