每次一只热门半导体股票在财报前大幅上涨，市场都会重新问几个问题：
MU 这轮上涨，是机构早就布局，还是散户在追 AI 存储的热点？
如果财报快到了，我应该只看价格走势，还是也应该看机构持仓、ETF 被动暴露和利率背景？
单独看一个数据并不难。MU 的价格可以查，13F holders 可以查，SOXX 持仓也可以查，10Y yield 也可以查。
真正麻烦的是：这些数据放在一起，能不能讲出一个相对完整的财报前持仓图景。
比如：
• Top institutions 在上一个 13F 报告期末是否已经大量持有 MU？ • 过去 12 个月 MU 到底涨了多少？ • MU 是否也是半导体 ETF 的核心成分，享受被动资金暴露？ • 高利率背景下，如何理解高成长半导体股的估值敏感性？
这就是 LLMQuant Skills 里的 pre-earnings-holder-scan 想解决的问题。
它不是让 Claude 或 GPT-Codex 临场写一段 MU 财报前评论，而是通过 llmquant-data MCP 调用结构化数据，把 13F holders、historical prices、ETF holdings 和 macro indicator 放进同一页 brief，生成一份可以阅读、复核，也能继续追问的 Pre-Earnings Holder Scan。
Playground 使用体验
除了在本地 Claude Code / GPT Codex / Codex CLI 中接入 MCP，我们也建议读者先到 LLMQuant Data 官网体验 Playground：
https://llmquantdata.com/agent官网提供了一个可以直接试用的 Agent Playground。
它更像一个轻量工作台：左侧可以看到历史记录、Personal Context、LLMQuant Skills；输入框下方可以选择 Data MCP、Skills 等能力；中间是对话区，用户可以直接输入自然语言问题，让 Agent 调用对应的数据工具。
对第一次接触 LLMQuant Data 的用户来说，Playground 的好处是门槛更低：不需要先配置本地环境，也可以先感受 Data MCP 和金融 Skill 的调用方式。
比如可以直接尝试：
用 pre-earnings-holder-scan 扫描 MU：看财报前 Top institutions 是否已经重仓，同时补充 12M price run-up、SOXX exposure 和 10Y yield backdrop。也可以问得更像真实投研问题：
MU 财报快到了，股价过去一年已经涨了很多。帮我看一下机构是不是早就有重仓，还是这更像财报前的散户追高。同时补充 SOXX 被动暴露和利率背景。如果你希望更深入接入自己的 Claude Code / GPT Codex / Cursor 工作流，再使用本地 MCP 配置方式即可。
先看结果：一句话生成一页 Holder Brief
用户可以直接问：
用 pre-earnings-holder-scan 扫描 MU：看 Top institutions 是否已经重仓，补充 12M price run-up、SOXX exposure 和 10Y yield backdrop。系统返回的不是一段泛泛的半导体行业评论，而是一页可以直接阅读的 Pre-Earnings Holder Brief。
Pre-Earnings Holder Brief
输入：
ticker: MUholder_period: 2025 Q4price_window: 2025-06-20 至 2026-06-20sector_etf: SOXXmacro_indicator: us.yield.10youtput_style: one-page holder brief输出：
1. One-Line Takeaway 2. Holder Snapshot 3. Top 13F Holders 4. 12M Price Run-Up 5. SOXX Passive Exposure 6. Rate Backdrop 7. What It Means 8. Data Quality Notes 9. Risk Disclosure
换句话说，它回答的不是：
MU 财报后会不会继续涨？而是：
在财报前这个时间点，MU 是否已经有广泛机构持仓基础？这轮上涨有多极端？它在半导体 ETF 中有多少被动暴露？宏观利率背景对高估值半导体交易意味着什么？一张图看懂：从 MU 到 Pre-Earnings Holder Scan
如果手工做，这个流程并不复杂，但非常琐碎：
• 先确认 MU 对应的 13F 报告期； • 查询机构 holder count、aggregate value 和 Top holders； • 拉取过去 12 个月价格，计算区间收益； • 找到对应行业 ETF，本例是 SOXX； • 在 ETF holdings 里识别 MU 的权重和排名； • 再补一层 10Y yield 的估值背景； • 最后把所有信息整理成一页可读 brief。
对财报追踪者和内容创作者来说，这不是难题，但很容易变成重复劳动。
所以这个 Skill 的目标很直接：
把原本需要查 13F、拉价格、查 ETF、补宏观背景、再写解释的流程，压缩成一次对话。
输入是什么？
这个 Skill 的默认输入非常明确。
ticker | MU | |
holder_year | 2025 | |
holder_quarter | 4 | |
holder_limit | 10 | |
price_start_date | 2025-06-20 | |
price_end_date | 2026-06-20 | |
sector_etf | SOXX | |
macro_indicator | us.yield.10y |
这里最重要的是默认组合：
MU + 13F holders + 12M historical prices + SOXX holdings + 10Y yieldMU 代表财报前热点 ticker。
13F holders 代表机构覆盖和历史持仓基础。
Historical prices 代表财报前市场定价路径。
SOXX holdings 代表半导体 ETF 渠道里的被动暴露。
10Y yield 代表高估值资产所处的宏观利率背景。
这几个数据放在一起，不是为了给出交易信号，而是为了构成一个简洁的 pre-earnings positioning radar。
输出长什么样？
以下数字来自 demo 的 2026-06-22 Live Test 口径，用于展示 workflow 能力，不代表实时市场数据。
Holder Snapshot
这张表里最重要的不是“机构很多”四个字，而是三个口径：
• 数据来自 SEC 13F； • 报告期末日期是 2025-12-31； • 它是历史披露，不是财报前实时持仓。
如果不先把这个口径说清楚，后面的解读就很容易把历史仓位误读成实时资金流。
Top 13F Holders
这张表不是为了说谁更懂 MU。
它真正要回答的是：
在上一报告期末，MU 是否已经是广泛机构覆盖的名字？
从 holder count 和 Top holders 看，MU 并不是一个纯粹由散户讨论推起来的 ticker。至少在 2025 Q4 13F 口径下，它已经有相当广泛的机构持仓基础。
12M Price Run-Up
关键数字：
12M return: +817.5%YTD 2026: +297.3%Q2 sprint: +208.3%这也是为什么 MU 这个问题值得做成 demo。
如果只看价格，很容易得到情绪化判断：涨太多了，是不是已经完全由追高推动？
但把 13F 放进来以后，结论会更克制：MU 的确出现了极端 price run-up，但它在前一报告期已经有很强的机构持仓基础。
SOXX Passive Exposure
在 Live Test 已知口径下，MU 是 SOXX 的第三大成分，权重约 7.0%。
这意味着，除了主动机构持仓，MU 也会通过半导体 ETF 获得一部分被动资金暴露。
但这里不能写过头。
ETF holdings 说明的是指数和主题 ETF 渠道里的被动暴露，不是主动基金经理对 MU 的独立观点。
Rate Backdrop
这个 brief 还会补一层 10Y yield。
原因很简单：高成长半导体股不能只放在产业叙事里看。
当 10Y Treasury yield 处在偏高区间时，高估值资产的折现压力会更明显。这个背景不一定能解释 MU 的每一次波动，但它应该出现在财报前的 risk context 里。
为什么不是直接让 ChatGPT 搜一下？
这是这个 demo 最关键的地方。
如果只是问 ChatGPT：
MU 财报前怎么看？机构是不是已经重仓？模型可能会给出一段看起来合理的行业解释。
但问题是，这段解释里的 13F 报告期、holder count、aggregate value、价格窗口、ETF 权重、利率背景，未必来自同一套可复核的数据链路。
接入 llmquant-data MCP 之后，Agent 会先调用一组真实数据工具：
sec_13f_list_ticker_holders(MU, 2025 Q4)equity_historical_prices(MU, 2025-06-20 至 2026-06-20)etf_holdings(SOXX)macro_indicator_snapshot(us.yield.10y)所以，这个 demo 的重点不是“AI 会不会讲 MU”。
而是：
AI 能不能基于可调用、可复核的 13F 机构持仓、股票价格、ETF 持仓和宏观数据，稳定生成一页财报前 Holder Brief。
这也是为什么我们会把它做成 Skill，而不是只写一个 prompt 模板。
这个 Skill 还能怎么复用？
财报季里，类似问题会反复出现：
NVDA 财报前，机构是不是已经重仓？AMD 涨起来之前，Top holders 有没有变化？AVGO 财报前，半导体 ETF 里有多少被动暴露？某只热门 AI ticker，到底是 smart money 仓位，还是散户热度？这些问题有一个共同点：用户并不只是想查一个数字，而是想快速获得一页有结构的 pre-event context。
这就是 pre-earnings-holder-scan 的价值。
换 ticker 以后，它可以复用同一条数据链路：
13F holders→ 12M price run-up→ sector ETF exposure→ macro backdrop→ one-page Holder Brief这类 workflow 很适合内容创作者做财报前 preview，也适合个人投资者在热点行情里快速校准信息。
LLMQuant Data + Skills 的意义
如果说 LLMQuant Data 提供的是结构化金融数据，那么 Skills 提供的是可复用的研究方法。
这次 demo 里，Agent 并不是自由发挥，而是按照 Skill 规定的步骤执行：
• 该查哪些数据； • 用什么时间窗口； • 输出哪些模块； • 哪些地方必须加风险说明； • 哪些结论不能写，比如预测财报、推荐买卖、夸大实时仓位。
这会让金融 Agent 从“会写一段分析”更进一步，变成“能按固定流程完成一项研究任务”。
对我们来说，这也是 LLMQuant Data Beta 最想展示的方向：
Data 是事实输入，MCP 是调用方式，Skills 是研究流程。三者连起来，Agent 才能真正进入金融投研工作流。
如何体验
官网 Playground：
https://llmquantdata.com/agentLLMQuant Data 官网：
https://llmquantdata.com/Data MCP GitHub：
https://github.com/LLMQuant/data-mcp配置完成后，可以直接问：
用 llmquant-data 对 MU 做一页财报前机构持仓扫描，看 Top institutions 是否已经重仓，同时补充 12M price run-up、SOXX exposure 和 10Y yield backdrop。Beta 阶段仍提供免费额度：
Free Beta300 credits / monthNo credit card requiredLLMQuant社区 AI Trading 生态
LLMQuant 是面向全球 AI for Trading 方向的研究与实践社区。围绕 AI 金融投资场景，我们正在构建一套完整生态：
• LLMQuant Data - 面向 Agent 的金融数据与研究上下文 • LLMQuant MCP - 让 Claude Code / Codex / Agent 能直接调用金融数据 • LLMQuant Skills - 可复用的 AI 金融研究工作流 • Quant Wiki - 开源双语量化金融知识库 • Quant Paper - AI 驱动的论文发现、语义搜索和知识卡片 • QuantMind / WallQuant / Trader - 面向研究、交易和知识管理的下一代 AI 金融工具
LLMQuant 作为全球领先的 AI for Trading 社区，目前已经打造好了 AI 金融投资领域生态 1.0 版本。从 Data 到 MCP，从 Skills 到 Wiki / Paper，我们希望把 AI 金融投资从“单点工具”推进到可复用工作流生态。
关注 LLMQuant，和我们一起观察、构建并验证下一代 AI 交易基础设施。
数据口径与风险说明
本 demo 使用的是 2026-06-22 Live Test 口径，核心 13F 数据日期为 2025-12-31。
机构持仓数据来自 SEC 13F 申报，存在披露滞后，反映历史报告期末仓位，不等于当前实时持仓。机构可能已经在报告期后增减仓。ETF holdings 来自监管快照或公开披露数据，不一定等于 ETF 每日实时组合。价格与宏观数据也存在各自的数据频率和更新口径。
本文仅用于展示 LLMQuant Data 和 Agent workflow 能力，不构成投资建议。
Supported by LLMQuant Data
