Claude pour l'analyse financière : guide

Claude excelle à lire des données financières et à expliquer ce qu'elles signifient. En revanche, il ne connaît pas les chiffres du jour, car les données d'entraînement d'un modèle de langage s'arrêtent des mois avant votre question. La solution est simple : donnez à Claude des données de marché en direct via une API, et laissez-le faire ce qu'il fait vraiment bien, à savoir l'analyse, la comparaison et l'explication en langage clair.

Ce guide vous montre comment procéder avec une API de données de marché gratuite, trois façons différentes d'y connecter Claude, et des prompts fonctionnels que vous pouvez copier. En toute transparence : l'API appartient à Strasmore, développée par notre équipe. Elle ne nécessite aucun compte, donc vous pouvez essayer tout ce guide dans les cinq prochaines minutes.

Pourquoi Claude a besoin d'une source de données

Demandez à Claude "quel est le rendement du dividende de Microsoft en ce moment" sans aucun outil attaché et vous obtenez l'un de ces deux modes d'échec. Soit il refuse, soit il répond à partir de données d'entraînement vieilles de plusieurs mois. Les deux surviennent parce que le modèle n'a pas accès aux prix actuels. Il ne peut rien rechercher par lui-même.

Attachez une source de données et le tableau change complètement. Claude lit le JSON avec aisance, garde des dizaines de lignes en contexte sans se perdre, et se fera un plaisir de comparer, classer et résumer ce que les données montrent réellement. La qualité de la réponse dépend désormais de la qualité des données que vous lui fournissez.

Une API de données de marché gratuite et sans clé

L'API de démonstration de Strasmore sert un catalogue de requêtes fixes sur des données d'actions et d'options américaines, au format JSON simple. Il n'y a ni inscription, ni clé d'API, ni gestion de limites de débit. La référence complète des points d'accès se trouve dans l'article de documentation de l'API ; en résumé :

# What queries exist? (start here)
curl "https://ai.strasmore.com/api/demo/catalog"

# The highest large-cap dividend yields right now
curl "https://ai.strasmore.com/api/demo?q=dividend_yield_leaders"

# Implied-volatility leaders in the options market
curl "https://ai.strasmore.com/api/demo?q=iv_leaders"

# The latest market headlines with tickers
curl "https://ai.strasmore.com/api/demo?q=latest_market_news"

Chaque réponse inclut les lignes, les noms de colonnes et le SQL exact qui a produit les chiffres. Cette dernière partie compte pour le travail avec l'IA : vous pouvez montrer à Claude le SQL en même temps que les données, et il vous expliquera aussi bien la requête que le résultat.

Les prix sont différés et les greeks des options sont des valeurs de fin de journée. Pour l'apprentissage, le filtrage et les flux de travail d'analyse, c'est exactement ce dont vous avez besoin. Ce n'est pas un flux de trading, et ce guide porte sur l'analyse, pas sur l'exécution d'ordres.

Méthode 1 : coller le JSON dans une conversation

La version sans aucune configuration. Lancez un curl, copiez le JSON et collez-le dans une conversation Claude avec une instruction claire. Cela fonctionne dans l'application web claude.ai, l'application de bureau, ou n'importe quelle interface de conversation.

Une forme de prompt qui fonctionne bien :

Here is JSON from a market data API. The `sql` field shows exactly
how the numbers were computed.

[paste the JSON here]

1. Summarize what this data shows in plain English.
2. Which three rows stand out, and what makes them unusual?
3. What would you want to check next before drawing conclusions?

La troisième question est la plus importante. Elle pousse Claude à nommer les limites des données au lieu de surinterpréter, et ses suggestions ("vérifier l'historique de versement", "comparer au secteur") constituent souvent une meilleure requête suivante que tout ce que vous auriez tapé à froid.

Méthode 2 : laisser Claude Code récupérer les données lui-même

Si vous utilisez Claude Code, vous pouvez éviter entièrement le copier-coller, car Claude Code peut lancer curl tout seul. Posez-lui une question et indiquez-lui où se trouvent les données :

Fetch https://ai.strasmore.com/api/demo/catalog, pick the query that
best answers this question, fetch it, and analyze the result:
which large-cap stocks pay the highest dividend yields right now,
and how do their P/E ratios compare?

Claude Code lit le catalogue, choisit dividend_yield_leaders, le récupère, et travaille à partir des lignes réelles. Comme la boucle de l'agent s'exécute sur votre machine, cela se combine aussi avec tout le reste qui s'y trouve : il peut enregistrer les résultats dans des fichiers, les représenter avec un script Python, ou comparer le filtre du jour avec celui qu'il a enregistré la semaine dernière.

Un serveur Linux toujours actif est le foyer naturel de ce flux de travail. Une boucle quotidienne de type "récupère les filtres, compare avec hier, rédige-moi un résumé" a besoin d'une machine qui ne dort jamais, et nous avons un guide complet pour faire tourner Claude Code sur un VPS avec tmux afin que les sessions survivent aux déconnexions SSH. Si vous suivez cette voie, lisez d'abord notre guide pour faire tourner des agents IA en toute sécurité sur un VPS ; un agent avec accès au shell mérite de vrais garde-fous.

Méthode 3 : l'API Claude avec un outil de récupération

Pour le logiciel que vous construisez, donnez l'API à Claude comme un outil. Avec le SDK Python d'Anthropic, tout le câblage tient en une définition d'outil et une fonction de récupération :

import json, urllib.request
import anthropic

def fetch_demo(query_key: str) -> str:
    url = f"https://ai.strasmore.com/api/demo?q={query_key}"
    with urllib.request.urlopen(url, timeout=30) as r:
        return r.read().decode()

client = anthropic.Anthropic()
tools = [{
    "name": "fetch_market_data",
    "description": "Fetch a fixed market-data query. Keys are listed at "
                   "https://ai.strasmore.com/api/demo/catalog e.g. "
                   "dividend_yield_leaders, iv_leaders, latest_market_news.",
    "input_schema": {
        "type": "object",
        "properties": {"query_key": {"type": "string"}},
        "required": ["query_key"],
    },
}]

# Claude decides when to call the tool; your loop executes fetch_demo()
# and returns the JSON as the tool result. See Anthropic's tool-use docs.

Claude appelle l'outil quand une question a besoin de données, vous exécutez la récupération et lui renvoyez le JSON, et il répond à partir de lignes réelles plutôt que de sa mémoire. Le même schéma fonctionne avec le Model Context Protocol si vous préférez un serveur réutilisable à un outil intégré ; notre guide serveurs MCP sur un VPS couvre leur hébergement.

Des prompts qui donnent une bonne analyse

Quelques schémas qui améliorent systématiquement le résultat, quelle que soit la façon dont vous vous connectez :

• Dites à Claude de citer les lignes. "Pour chaque affirmation, nomme le ticker et le chiffre dont il provient." Cela élimine les résumés vagues.
• Demandez ce que les données ne peuvent pas montrer. Les prix différés, les greeks de fin de journée et un filtre fixe ont tous des limites ; Claude les énonce clairement quand on le lui demande, et cela garde l'analyse honnête.
• Faites-le comparer, pas prédire. "Lesquels de ces rendements paraissent soutenables selon les ratios de distribution affichés" donne une réponse ancrée dans les données. "Quelle action va monter" donne une supposition bien rédigée, car la prédiction n'est pas quelque chose que les données soutiennent.
• Gardez le SQL en contexte. Le champ sql indique à Claude exactement comment un filtre a été construit, afin qu'il puisse expliquer pourquoi un nom est absent (un plancher de capitalisation, un plafond de rendement) au lieu d'inventer une raison.

Quand les requêtes fixes ne suffisent plus

Les filtres de la démo sont fixes à dessein. L'étape supérieure est l'API payante de Strasmore : le même entrepôt de données, 22 ans d'actions américaines et 12 ans d'historique d'options, et vos propres questions en SQL ou en langage clair avec une clé programmatique. Le flux de travail reste identique ; votre outil récupère les données depuis un point d'accès authentifié au lieu de l'accès ouvert, et les questions deviennent les vôtres à définir. Claude est vraiment bon pour écrire du SQL ClickHouse sur un schéma documenté, ce qui transforme "récupère l'historique des dividendes de chaque REIT au-dessus de 10 milliards de dollars et classe-les par croissance sur cinq ans" en une tâche d'un seul prompt.

FAQ

Claude peut-il analyser des actions sans aucune source de données ?

Pas avec les chiffres actuels. Ses données d'entraînement s'arrêtent avant aujourd'hui, donc tout ce qu'il dit sur les prix actuels provient d'une mémoire périmée. Donnez-lui une API en direct et l'analyse est ancrée dans des lignes qu'il vient de récupérer.

L'API de démonstration de Strasmore est-elle vraiment gratuite ?

Oui. Ni clé, ni inscription, ni carte. Elle sert un catalogue de requêtes fixes sur des actions américaines différées et des données d'options de fin de journée, et elle est délibérément ouverte aux agents IA.

Ai-je besoin d'un VPS pour cela ?

Non. Le flux de travail par collage ne nécessite rien d'autre qu'un navigateur. Un VPS devient utile quand vous voulez que la boucle de l'agent tourne selon un planning, survive aux déconnexions et conserve des fichiers locaux des résultats passés.

Est-ce un conseil financier ?

Non. Tout ici est de l'outillage d'analyse. Claude résume et compare des données ; ce que vous en faites relève de votre décision, et des données éducatives différées ne constituent pas une base pour l'exécution d'ordres.

Branchez un filtre dans une conversation et vous verrez la différence immédiatement : Claude cesse de paraître sûr de lui à propos de chiffres qu'il ne peut pas connaître, et commence à être utile à propos de chiffres qu'il peut connaître.