基于 SEC EDGAR 披露文件的因子化投资信号挖掘:vibe_trading_skills/edgar-sec-filings 实战指南

原创2026-10-06 20:22:301,353 阅读
文章标签:金融科技后端人工智能AI Agent大模型RAG前端CLI数据可视化任务调度机器学习数据分析

基于 SEC EDGAR 披露文件的因子化投资信号挖掘:vibe_trading_skills/edgar-sec-filings 实战指南

本指南系统讲解 ai_quant_trade 仓库中 edgar-sec-filings 技能包:如何从 SEC EDGAR 公开披露体系(10-K / 10-Q / 8-K / DEF 14A / Form 4 / 13F / SC 13D/G)中提取基本面洞察、风险信号与投资信息,并组合成可落地的综合投资信号。读者将掌握:披露文件类型的信号价值对照、EDGAR 数据获取的两种途径(直连 URL 与 yfinance 结构化接口)、10-K/10-Q 三大报表深挖框架、MD&A 语气分析、风险因子变更检测、8-K 事件分类与信号规则、Form 4 内幕交易评分以及 13F 聪明钱追踪,最终能独立输出一份标准的“SEC Filing Analysis”分析报告。

技能定位:美股披露文件的"分析框架层"

在 ai_quant_trade 的 skill 体系中,edgar-sec-filings 是一个 category: flow 类型的流程型技能,其定位是为 LLM/Agent 提供解读 SEC 披露文件的完整分析框架,而非数据抓取器。文档开篇即明确分工:

  • 数据获取:使用 read_url 工具直接读取 EDGAR URL(对应仓库中的 web-reader 技能),或使用 yfinance Ticker 对象获取结构化财务数据(对应 yfinance 技能);
  • 分析框架:本技能负责把原始披露文本"翻译"成投资信号——覆盖年报(10-K)、季报(10-Q)、重大事件(8-K)、委托书(DEF 14A)与内幕交易(Form 4)。

这一设计使技能包具备良好的可组合性:web-reader 负责取数、yfinance 负责结构化数据、edgar-sec-filings 负责信号提炼,最终输出可被下游策略消费的结论。仓库中 financial-statement(三表解读与盈利质量)与 earnings-revision(盈利修正与 PEAD)技能与本技能互为补充:前者深化三表勾稽分析,后者补充分析师预期与盈余漂移视角。

披露文件类型与投资信号价值

SEC EDGAR 覆盖的披露文件种类繁多,本技能先用一张对照表建立全局认知——每种文件对应不同的披露频率、核心内容与信号价值:

Filing 频率 核心内容 信号价值
10-K 年度 全年财务数据、风险因子、MD&A、分部数据 全面的基本面视角
10-Q 季度 季度财务数据、中期 MD&A、法律更新 趋势确认 / 拐点识别
8-K 事件驱动 重大事件:并购、CEO 变更、重述、业绩指引 催化剂 / 风险触发器
DEF 14A 年度(委托书) 高管薪酬、董事会构成、股东提案 公司治理质量信号
Form 4 2 个工作日内 内幕人士买卖 内幕信心信号
13F 季度 机构持仓(AUM > 1 亿美元) 聪明钱仓位
SC 13D/G 事件驱动 持股超过 5% 的披露 激进投资者 / 战略投资者信号

从源码看,这一"频率—内容—信号"三元映射正是 Agent 判断"该看哪份文件、看完该提取什么"的决策骨架:例如做季度跟踪看 10-Q 与 8-K,做治理评估看 DEF 14A,做资金流跟踪看 13F。

EDGAR 数据获取的两条路径

路径一:直连 EDGAR URL(配合 read_url 工具)

EDGAR 提供两种检索 URL 模板,可直接交给 read_url 工具转换为 Markdown 文本:

# 公司文件检索
# https://www.sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK={ticker}&type={filing_type}

# 示例:Apple 的 10-K 文件列表
url = "https://www.sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK=AAPL&type=10-K&dateb=&owner=include&count=10"

# EDGAR 全文检索(EFTS)
# https://efts.sec.gov/LATEST/search-index?q={query}&dateRange=custom&startdt={start}&enddt={end}

其中 browse-edgar 参数说明:action=getcompany 进入公司查询、CIK 接受股票代码或 CIK 编号、type 指定文件类型(如 10-K、10-Q、8-K)、owner=include 包含内幕人士提交、count 控制返回条数。在仓库的 web-reader 技能中,明确要求直接调用 read_url 工具而不是用 bash + requests,因为工具会把网页转为干净的 Markdown,自动去除广告、导航与样式干扰:

read_url(url="https://www.sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK=AAPL&type=10-K&count=10")

路径二:通过 yfinance 获取结构化数据

对于已解析好的结构化数据,直接使用 yfinance 技能提供的能力——EDGAR 原始文件需要自己解析文本,而 yfinance 已把三表、内幕交易、机构持仓整理为 DataFrame:

import yfinance as yf
ticker = yf.Ticker("AAPL")

# 财务报表(源自 10-K/10-Q)
income = ticker.financials              # 年度利润表
income_q = ticker.quarterly_financials  # 季度利润表
balance = ticker.balance_sheet          # 资产负债表
cashflow = ticker.cashflow              # 现金流量表

# 内幕交易(源自 Form 4)
insider = ticker.insider_transactions

# 机构持仓(源自 13F)
institutions = ticker.institutional_holders
major = ticker.major_holders

需要注意的适用前提(来自仓库 yfinance 技能的事实说明):yfinance 免费、无需 API key,但不支持 extra_fields——通过 DataLoader 回测时仅返回 OHLCV,PE/PB 等基本面指标需单独调用 yf.Ticker().info;高频请求可能触发 Yahoo 临时封禁,应优先批量下载。对于 A 股深度数据(财务、资金流、大宗交易等)则建议改用 tushare,这也是本仓库跨市场数据路由的基本分工。

10-K / 10-Q 分析框架

10-K 与 10-Q 是基本面分析的主体。本技能将其拆解为三个递进层次:三表深挖(定量)→ MD&A 解读(定性前瞻)→ 风险因子变更(变化检测)。

一、财务报表深挖(Financial Statement Deep Dive)

利润表关注点:

  • 收入增速:YoY(同比)与 QoQ(环比)的加速 / 减速;
  • 毛利率趋势:扩张(定价权)vs 压缩(成本压力);
  • 经营杠杆:SG&A(销售管理费用)占收入比例下降 = 正的经营杠杆;
  • 研发强度:研发费用 / 收入,与同行对比;
  • 非经常性项目:重组费用、减值、一次性收益。

资产负债表关注点:

  • 现金及等价物 vs 总债务:净现金 / 净债务头寸;
  • 流动比率与速动比率:流动性健康度;
  • 商誉 / 无形资产占总资产比例:并购驱动型增长风险;
  • 存货周转天数(制造业 / 零售商):上升 = 需求疲软信号;
  • 应收账款周转天数:上升 = 回款风险或渠道压货(channel stuffing)。

现金流量表关注点:

  • FCF = 经营现金流 − 资本开支:真实现金创造能力;
  • FCF 转化率 = FCF / 净利润:> 80% 表示盈利质量高;
  • 资本开支强度 = CapEx / 收入:上升 = 增长投资或维护负担;
  • 股权激励(SBC):加回后得到真实现金盈利;
  • 回购 vs 分红:资本回报策略信号。

这一层次与仓库 financial-statement 技能的"盈利质量分析"直接衔接——后者给出可量化的判定阈值(CFO/净利润 > 1.0 为高质量盈利、< 0.5 为低质量盈利),并提供了勾稽验证代码,可作为本框架"FCF 转化率"指标的强化实现。

二、MD&A(管理层讨论与分析)

MD&A 是整个文件中最具定性、最有前瞻性的部分。关键提取目标:

  1. 收入驱动因素:哪些分部 / 地区在增长、哪些在萎缩;
  2. 利润率评论:管理层对利润率变化的解释;
  3. 前瞻指引措辞:"expect"、"anticipate"、"believe"——语气转变检测;
  4. 风险因子变化:对比往期文件,新增风险因子 = 实质性变化;
  5. 流动性与资本资源:债务到期结构、信贷额度可用性。

语气分析信号(简化语气评分):

positive_words = ["growth", "improvement", "strong", "exceeded", "momentum", "opportunity"]
negative_words = ["challenging", "decline", "uncertainty", "headwind", "pressure", "risk"]
cautious_words = ["moderate", "cautious", "prudent", "measured", "selective"]

# 与往期文件对比词频变化
# 负面词上升 = 前景恶化
# 谨慎词上升 = 管理层在 hedging(对冲措辞)

三、风险因子分析(Risk Factor Analysis)

风险因子变更检测(10-K 与往期 10-K 对比):

变更类型 信号 应对动作
新增风险因子 识别到实质性新风险 深挖该特定风险
删除风险因子 风险已解决或被认为不重要 若确为真实解决则为正面信号
措辞强化 风险升级 审视敞口与对冲
排序变化(上移) 风险优先级提升 评估潜在影响幅度

美股常见风险类别:

  • 监管 / 法律风险(反垄断、FDA、专利到期);
  • 客户集中度(单一客户收入占比超 10% 必须披露);
  • 地理集中度(中国敞口、新兴市场风险);
  • 技术颠覆风险;
  • 网络安全风险(新 SEC 强制要求:重大网络安全事件必须在 8-K 中披露);
  • 气候 / ESG 风险(披露要求日益增加)。

8-K 事件分析:重大事件的分类与信号规则

8-K 是事件驱动的即时披露文件,时效性最强。首先要理解事件类型 — 8-K Item 编号 — 典型价格影响 — 时效敏感度的映射:

事件类型 8-K Item 典型价格影响 时效敏感度
业绩预告提前披露 2.02 高 即时
并购公告 1.01 非常高 即时
CEO / CFO 离职 5.02 中高 当日
财务重述 4.02 非常高(负面) 即时
业绩指引修订 7.01/8.01 高 当日
信贷协议变更 1.01 低-中 持续观察
股票回购计划 8.01 低正面 背景信号
股息变更 8.01 中 当日

8-K 信号规则(按优先级判断,可直接作为 Agent 决策逻辑):

# 高优先级 8-K 事件
if item == "4.02":  # 财务重述
    signal = "strong_negative"  # 重述摧毁信任
    action = "review_all_prior_financials"  # 需复核全部既往财务数据
elif item == "2.02" and surprise_direction == "negative":
    signal = "negative"  # 业绩预披露不及预期
elif item == "5.02" and role in ["CEO", "CFO"]:
    signal = "uncertainty"  # C 级高管离职 = 治理风险
elif item == "1.01" and event_type == "acquisition":
    signal = "evaluate"  # 并购:收购方通常 -2% 至 -5%,标的方 +20-40%

仓库的 corporate-events 技能从 A 股视角提供了同主题的事件驱动框架(并购套利价差、增减持信号、ST 预警),两者对照可以形成跨市场的事件驱动方法论:美股以 8-K Item 编号为结构化抓手,A 股以交易所公告节奏为线索。

Form 4 内幕交易分析

信号框架

内幕交易(Form 4)被视为"内部人用真金白银投票"的信号。本技能给出了模式 — 信号 — 置信度三级对照:

模式 信号 置信度
集群买入:30 天内 3 名以上内幕人士买入 强看多 高
CEO/CFO 大额公开市场买入(> 50 万美元) 看多 高
股价下跌超 20% 后内幕买入 逆向看多 中高
历史高位集群卖出 中性到轻度看空 低(可能是预先计划)
CFO 卖出超过其持仓 50% 看空 中
10b5-1 计划卖出 中性 低(预编程交易)

关键区分维度:

  • 公开市场买入(信息量最大):内幕人士花自己的钱;
  • 10b5-1 计划卖出(信息量最小):预编程、监管安全港;
  • 期权行权后立即卖出:通常出于税务原因,信号价值低;
  • 赠与交易:信号分析中应忽略。

内幕信号评分实现

# 内幕信号评分
def score_insider_activity(transactions, lookback_days=90):
    buys = [t for t in transactions if t.type == "Purchase" and t.days_ago <= lookback_days]
    sells = [t for t in transactions if t.type == "Sale" and t.days_ago <= lookback_days]

    buy_value = sum(t.value for t in buys)
    sell_value = sum(t.value for t in sells)

    # 过滤 10b5-1 计划卖出
    organic_sells = [s for s in sells if not s.is_10b5_1]

    if len(buys) >= 3 and buy_value > 1_000_000:
        return "strong_bullish"
    elif buy_value > sell_value * 2:
        return "bullish"
    elif len(organic_sells) >= 3 and sell_value > 5_000_000:
        return "bearish_watch"
    else:
        return "neutral"

该函数体现的核心原则:剔除 10b5-1 计划交易后再评估卖压,并以买卖金额比而非笔数比为主判据。数据层可直接对接 yf.Ticker("AAPL").insider_transactions。

13F 机构持仓分析:聪明钱追踪

关键指标

  • 机构持有者数量:上升 = 持仓基础扩大;
  • 前 10 大持有者集中度:> 50% = 集中,易受单一基金赎回冲击;
  • 本季度新建仓:聪明钱进场;
  • 本季度清仓:聪明钱退出;
  • 激进投资者持仓(SC 13D):潜在的公司行动催化剂。

机构质量分层

  1. Tier 1 — 信念信号:Berkshire、Baupost、Greenlight、Pershing Square、Tiger Global(持仓代表主观信念);
  2. Tier 2 — 趋势信号:BlackRock、Vanguard、Fidelity(资金流驱动,选股信号弱);
  3. Tier 3 — 量化机构:Renaissance、Two Sigma、Citadel(高换手,方向性信号弱)。

13F 变更检测

# 13F 变更检测
def analyze_13f_changes(current_holders, prior_holders):
    new_positions = current_holders - prior_holders   # 新建仓
    closed_positions = prior_holders - current_holders  # 清仓

    # 标志:多家 Tier 1 机构同时进场
    tier1_new = [h for h in new_positions if h.tier == 1]
    if len(tier1_new) >= 2:
        signal = "strong_smart_money_accumulation"

    return signal

综合披露信号:多维度打分模板

将上述五个维度的观测汇总为 filing_score 字典,每个维度取值 −2 到 +2,总分范围 −12 到 +12:

filing_score = {
    "financial_health": 0,       # -2 到 +2:基于 10-K/10-Q 财务数据
    "management_tone": 0,        # -2 到 +2:MD&A 语气转变
    "risk_factor_change": 0,     # -2 到 +2:新增风险 vs 已解决风险
    "insider_activity": 0,       # -2 到 +2:内幕净买入/卖出
    "institutional_flow": 0,     # -2 到 +2:13F 持仓变化
    "event_catalyst": 0,         # -2 到 +2:近期 8-K 影响
}
# 总分范围:-12 到 +12
# > +6:强基本面看多
# +2 到 +6:轻度看多
# -2 到 +2:中性
# < -2:基本面警示

该模板的核心思想是让各维度的独立信号可加总、可归因——最终输出报告中的 Composite Signal 表格正是按此结构呈现每个维度的得分与依据。注意这是研究框架而非交易信号,[-2, +2] 的具体赋值需由分析师基于上文各章规则给出可追溯的依据。

标准输出格式模板

Agent 完成分析后应按以下结构输出报告,保证结论可读、可复核、可被下游流程消费:

## SEC Filing Analysis — [Ticker]

### Filing Summary
- **Latest 10-K/10-Q**: [date], [period]
- **Recent 8-K events**: [list material events]
- **Insider activity (90d)**: [net buy/sell summary]

### Financial Health
- Revenue trend: [accelerating / stable / decelerating]
- Margin trajectory: [expanding / stable / compressing]
- FCF conversion: [strong / adequate / weak]
- Balance sheet: [net cash / moderate leverage / high leverage]

### MD&A Tone Shift
- vs prior filing: [more optimistic / unchanged / more cautious]
- Key language changes: [specific quotes or paraphrases]

### Risk Factor Changes
- New risks: [list any new risk factors added]
- Intensified risks: [list risks with stronger language]
- Resolved risks: [list removed risk factors]

### Insider & Institutional Signals
- Insider net activity: [cluster buy / neutral / cluster sell]
- Institutional positioning: [accumulation / stable / distribution]

### Composite Signal
| Dimension | Score (-2~+2) | Basis |
|-----------|---------------|-------|
| Financial health | +1 | Revenue accelerating, margins stable |
| Management tone | -1 | More cautious language in MD&A |
| ... | ... | ... |

### Investment Implication
- Direction: [bullish / bearish / neutral]
- Confidence: [high / medium / low]
- Key monitoring: [next earnings date, upcoming 8-K triggers]

模板中的 "Key monitoring"(下次财报日、即将到来的 8-K 触发点)可以进一步衔接仓库 earnings-revision 技能的财报日历工作流:其明确了大型加速申报人(large accelerated filers)10-Q 需在季度结束后 40 天内、10-K 需在 60 天内提交的监管时限,可用于推算后续披露时间窗。

使用注意事项

  • 免费与限速:EDGAR 文件公开免费、无需 API key,但需携带 User-Agent 头且限速为每秒 10 次请求;
  • 回溯性数据:10-K/10-Q 是回溯性数据,需结合前瞻指引与分析师预期才能形成完整视角;
  • 内幕交易滞后:Form 4 数据存在 2 个工作日的报告滞后,实时内幕数据需付费服务;
  • 13F 滞后:13F 数据在季度结束后有 45 天的报告滞后,届时仓位可能已变化;
  • 合规边界:本框架仅用于研究目的,不构成投资建议。

从仓库目录结构看,该技能位于 vibe_trading_skills 技能包集合中(源自 HKUDS 的 Vibe-Trading 项目镜像),与 yfinance(数据源)、web-reader(网页读取)、financial-statement、corporate-events 等技能共同构成面向美股/跨市场的披露分析体系;整个 skill 包生态与仓库中收录的 Anthropic 官方金融 Skill 包 互为补充,前者聚焦 A 股投行/股票研究工作流,后者聚焦美股披露与事件信号,是构建美股基本面量化研究与 LLM 智能投研工作流时可直接复用的分析资产。

登录后查看全文
ai_quant_trade