Agent Skills
返回列表
📊

SEC EDGAR 文件抓取分析器

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/sec-edgar-filing-scraper-analyzer 到你的 AI 助手中。

技能介绍

解决什么问题

上市公司财报、风险提示与高管薪酬等信息分散在 SEC EDGAR 的 PDF、HTML 和 XBRL 文件中，手动下载、解析并结构化需要反复切换工具，且容易因格式差异导致漏项或错行。非结构化文本也无法直接用于财务分析、风险建模或薪酬对比。

核心能力与工作方式

  • 自动抓取：通过 EDGAR 全文本搜索 API 定位 10-K、10-Q、8-K 等申报文件，减少人工检索路径。
  • 解析与提取：结合 python-xbrl 解析 XBRL 标签，将财务报表、风险因素、高管薪酬等关键字段映射到结构化数据集，支持后续清洗与分析。
  • 覆盖范围：聚焦三类核心文件，输出可直接用于数据分析的结构化结果，降低人工整理成本。

适用边界与注意点

  • 文件类型限制：当前仅覆盖 10-K、10-Q、8-K，其他类型文件需扩展解析规则。
  • 数据质量依赖：XBRL 标签可能存在公司自定义或标记不规范的情况，解析后需校验字段完整性与数值一致性。
  • API 稳定性：依赖 EDGAR 全文本搜索 API 与 python-xbrl 库的更新，若上游接口变更或库停止维护，可能影响抓取与解析流程。

使用场景

  • 股票研究员需要把某公司连续三年 10-K 中的资产负债表与利润表批量提取成 CSV，用于财务趋势分析。
  • 行业分析师撰写报告时，要汇总多家公司 10-K 中的风险因素，做横向对比清单。
  • 薪酬顾问需要从多家公司的申报文件中提取高管薪酬数据，制作年度薪酬对标表。
  • 量化研究员要把 10-Q 的季度财务数据结构化入库，为基本面选股模型准备训练数据。

适合人员

  • 股票与信用研究员：需要把上市公司 10-K、10-Q 中的财务数据批量提取成结构化表格，支撑估值与建模。
  • 金融数据工程师：负责构建财报数据集，需要可靠解析 EDGAR 的 XBRL 文件并输出干净的字段。
  • 风险管理顾问：要汇总多家公司 10-K 中的风险因素，形成可横向对比的风险清单。
  • 薪酬分析专员：需要从申报文件的高管薪酬披露中提取数据，制作年度薪酬对标报告。