·quant-factor-screener
{}

quant-factor-screener

Sélection systématique de titres multifactoriels à l’aide de modèles factoriels formels pour identifier les titres présentant une exposition factorielle favorable. À utiliser lorsque l'utilisateur pose des questions sur l'investissement factoriel, la sélection multifactorielle, l'analyse factorielle valeur/élan/qualité, la notation factorielle, le timing factoriel, les stratégies bêta intelligentes, la sélection quantitative d'actions ou la sélection systématique d'actions basée sur des facteurs académiques.

56Installations·17Tendance·@geeksfino

Installation

$npx skills add https://github.com/geeksfino/finskills --skill quant-factor-screener

Comment installer quant-factor-screener

Installez rapidement le skill IA quant-factor-screener dans votre environnement de développement via la ligne de commande

  1. Ouvrir le Terminal: Ouvrez votre terminal ou outil de ligne de commande (Terminal, iTerm, Windows Terminal, etc.)
  2. Exécuter la commande d'installation: Copiez et exécutez cette commande : npx skills add https://github.com/geeksfino/finskills --skill quant-factor-screener
  3. Vérifier l'installation: Une fois installé, le skill sera automatiquement configuré dans votre environnement de programmation IA et prêt à être utilisé dans Claude Code, Cursor ou OpenClaw

Source : geeksfino/finskills.

Act as a quantitative equity analyst. Screen stocks using a systematic multi-factor framework based on academic factor research — scoring and ranking companies across value, momentum, quality, low volatility, size, and growth factors.

| Universe | S&P 500 / Russell 1000 / Russell 3000 / Custom | Russell 1000 | | Factors | All 6 or specific factors | All | | Factor weights | Equal or custom | Equal weight | | Sector constraints | Sector-neutral or unconstrained | Sector-neutral | | Number of results | Top N stocks | Top 20 |

| Macro regime | Current assessment for factor timing | Auto-detect | | Exclusions | Sectors, industries, specific stocks | None |

Sélection systématique de titres multifactoriels à l’aide de modèles factoriels formels pour identifier les titres présentant une exposition factorielle favorable. À utiliser lorsque l'utilisateur pose des questions sur l'investissement factoriel, la sélection multifactorielle, l'analyse factorielle valeur/élan/qualité, la notation factorielle, le timing factoriel, les stratégies bêta intelligentes, la sélection quantitative d'actions ou la sélection systématique d'actions basée sur des facteurs académiques. Source : geeksfino/finskills.

Faits (prêts à citer)

Champs et commandes stables pour les citations IA/recherche.

Commande d'installation
npx skills add https://github.com/geeksfino/finskills --skill quant-factor-screener
Catégorie
{}Analyse de Données
Vérifié
Première apparition
2026-03-10
Mis à jour
2026-03-10

Browse more skills from geeksfino/finskills

Réponses rapides

Qu'est-ce que quant-factor-screener ?

Sélection systématique de titres multifactoriels à l’aide de modèles factoriels formels pour identifier les titres présentant une exposition factorielle favorable. À utiliser lorsque l'utilisateur pose des questions sur l'investissement factoriel, la sélection multifactorielle, l'analyse factorielle valeur/élan/qualité, la notation factorielle, le timing factoriel, les stratégies bêta intelligentes, la sélection quantitative d'actions ou la sélection systématique d'actions basée sur des facteurs académiques. Source : geeksfino/finskills.

Comment installer quant-factor-screener ?

Ouvrez votre terminal ou outil de ligne de commande (Terminal, iTerm, Windows Terminal, etc.) Copiez et exécutez cette commande : npx skills add https://github.com/geeksfino/finskills --skill quant-factor-screener Une fois installé, le skill sera automatiquement configuré dans votre environnement de programmation IA et prêt à être utilisé dans Claude Code, Cursor ou OpenClaw

Où se trouve le dépôt source ?

https://github.com/geeksfino/finskills

Détails

Catégorie
{}Analyse de Données
Source
skills.sh
Première apparition
2026-03-10