有效的提示詞可以幫助您高效準確地使用Claude的財務分析功能。本指南提供了編寫清晰、具體提示詞的策略，以產生您需要的結果，同時避免可能導致輸出不完整或過於龐大的常見問題。
探索Claude可以訪問的數據
在開始任何財務分析之前，必須了解Claude可以使用哪些數據源。不同的集成提供不同類型的數據——Daloopa專注於SEC備案和基本面數據，Kensho提供全面的S&P Global市場數據和業務關係。了解可訪問的內容可以防止浪費時間請求不可用的數據。
通過確認數據可用性來開始您的分析會話：
"您可以通過Kensho訪問哪些S&P Global財務數據？"
"您可以通過Daloopa檢索部門數據嗎？"
這個初步步驟可以防止請求需要不可用數據的分析，並幫助您了解為不同類型的分析指定哪個集成。
核心提示詞原則
具體明確
Claude可以通過多個來源訪問大量財務數據。沒有具體的指示，您可能會收到超過所需的數據或遺漏關鍵指標。明確的規範確保您獲得分析所需的確切內容，節省時間並提高準確性。
考慮這些對比示例：
# 不好的提示詞 Claude，請分析微軟
這個模糊的請求可能會觸發跨多年檢索數百個數據點，使得難以識別相關見解。Claude不會知道您是想要估值指標、運營績效還是競爭定位。
# 好的提示詞 使用Daloopa，檢索微軟(MSFT)的收入、營業利潤率和 自由現金流（2023年第一季度至2024年第四季度）， 然後計算同比增長率
這個具體的請求確定了數據源、公司代碼、確切指標、時間段和所需的計算。Claude確切知道要檢索什麼以及如何處理它。您的提示詞應包括公司代碼、確切的指標名稱、具體的時間段和所需的輸出格式。
僅請求相關信息
財務集成可以提取涵蓋許多年份數百個指標的廣泛數據集。請求所有可用數據會浪費時間、增加處理複雜性，並使專注於對您的特定分析重要的內容變得更加困難。有針對性的請求會產生更清晰、更可操作的結果。
# 不好的提示詞 提取特斯拉、福特和通用汽車的所有財務數據
這個請求可能會返回數千個數據點，包括無關指標，使得難以進行有針對性的分析。
# 好的提示詞 對於特斯拉(TSLA)、福特(F)和通用汽車(GM)，僅檢索 汽車收入和毛利率（最近4個季度），以比較運營效率
這個有針對性的請求僅檢索運營比較所需的指標。在編寫提示詞時，首先考慮您的分析目標，然後僅請求直接支持該分析的數據。這種方法會產生更易於管理的輸出和更清晰的見解。
控制數據量
大型數據請求可能會減慢分析速度並產生難以解釋的龐大輸出。管理範圍確保Claude可以高效處理請求並以易於理解的格式呈現結果。這在處理多個公司或延長時間段時尤為重要。
# 不好的提示詞 獲取整個標普500指數的所有可用歷史數據
由於涉及的數據量龐大，這個請求可能會失敗或產生無法使用的結果。
# 好的提示詞 檢索最近8個季度的收入和EBITDA利潤率，針對這5家 軟件公司：CRM、NOW、WDAY、TEAM和ZM
這個易於管理的請求專注於具有定義指標和合理時間框架的特定同行組。作為一般指南，將詳細分析的請求限制在3-5家公司，請求特定的項目而不是整個財務報表，並使用與您的分析需求相匹配的日期範圍，而不是請求所有可用的歷史記錄。
構建複雜分析
首先請求分析計劃
複雜的財務分析涉及多個步驟、數據源和假設。讓Claude首先概述該方法可以讓您在花費時間進行計算之前發現潛在問題。這對於估值、建模或多公司比較特別有價值，其中方法論選擇會顯著影響結果。明確的計劃還確保您的期望與Claude的預期方法之間的一致性。
# 不好的提示詞 進行Netflix的完整估值分析
這個開放式請求將太多決定留給Claude，可能導致與您的要求不符或使用不適當假設的分析。
# 好的提示詞 創建使用DCF方法對Netflix(NFLX)進行估值的計劃。列出 您需要的數據、您將執行的計算和您將做出的假設。 讓我在您繼續之前進行審查。
這種方法在執行開始之前讓您了解計劃的方法論。您可以審查Claude打算使用的數據源、驗證關鍵假設是否合理、識別任何缺失的組件，並在投入詳細計算時間之前調整方法。這個初步審查通常會發現在分析完成後修復成本高昂的問題。
使用逐步方法
將複雜分析分解為離散步驟可以提供Claude流程的透明度，並允許進行過程中的糾正。您可以驗證數據準確性、檢查計算，並在步驟之間調整方法論，而不是僅在最終結果中發現問題。當使用多個數據源或計算相互建立時，這種方法特別有價值。
# 不好的提示詞 比較這5家公司，告訴我哪一家最好
這個請求產生了一個黑箱分析，您無法驗證基礎數據或邏輯。
# 好的提示詞 讓我們逐步分析這些公司。首先，提取它們的市盈率。 在繼續下一個指標之前向我展示結果。
這種增量方法允許您及早發現錯誤、根據初始發現調整分析、理解Claude在每個階段的推理，並在將數據用於計算之前驗證數據準確性。每個步驟都成為一個檢查點，您可以確保分析保持在正軌上。
逐步構建
在進行分析之前先進行數據檢索，確保您使用的是準確、完整的信息。這種方法可以防止使用不完整數據進行計算的浪費努力，並幫助在數據缺口影響結論之前識別它們。它還允許您根據實際可用的數據調整分析。
典型的增量工作流可能如下所示：
首先，檢索亞馬遜最近8個季度的部門收入， 並向我展示可用的內容
現在計算AWS的增長率
最後，比較AWS增長與同期Azure增長
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，在這些情況下，您可能不知道在開始分析之前確切有哪些數據可用。
常見問題和解決方案
數據可用性挑戰
問題：請求不存在或無法通過當前集成獲得的數據可能會破壞您的分析。
解決方案：首先詢問可用的內容。例如："Daloopa對Spotify有哪些運營指標？"這個初步檢查可以防止圍繞不可用數據構建分析。
不同的公司報告不同的指標，並且可能無法獲得所有歷史數據。提前確認可用性可以節省時間，並允許您根據實際可訪問的數據調整分析方法。
範圍管理
問題：一次請求分析50多家公司可能會產生龐大的結果或導致分析完全失敗。
解決方案：將大型分析分解為5-10家公司的較小組，然後合併結果。
例如，與其"分析所有房地產投資信託基金"，不如更具體："首先分析這5家工業房地產投資信託基金：PLD、DRE、FR、TRNO、STAG。"在審查初始結果後，您可以繼續進行其他組。這種方法確保每個批次都獲得徹底的分析，並允許您根據初始發現完善您的標準。
模糊請求
問題："好公司"或"強勁表現"等術語對不同的分析師意味著不同的東西，可能導致與您的標準不符的結果。
解決方案：使用量化閾值明確定義您的標準。
以下是一個示例：
# 不好的提示詞 為我找到好的價值股票
# 好的提示詞 找到市盈率低於15、自由現金流為正且收入增長 超過5%的公司
具體的標準確保Claude識別與您的投資理念和篩選參數相匹配的公司。在構建篩選器或識別投資候選人時，這種精確性特別重要。
高效提示詞的提示
提前說明您的最終目標，以便Claude可以建議適當的方法。
在整個分析中使用一致的術語。
為重複分析保存成功的提示詞模板。
在擴大規模之前從較小的測試請求開始。
在您的提示詞中命名特定的數據源(Daloopa、Kensho/S&P Global)。
考慮數據新鮮度——指定您是否需要最新可用數據或特定的歷史數據。
包括輸出格式偏好(表格、項目符號、敘述)。
當準確性至關重要時，請求源引用。
對於重複分析，建立一個可以重複使用的一致提示詞結構。
這些策略幫助您從Claude的財務分析功能中獲得最大價值，同時避免常見的陷阱。隨著您對系統的經驗增加，您將識別出適合您特定分析需求的提示詞模式。