我让QVeris做了一次AI选股研究助理：先看行业估值，再用Screener过滤公司
QVeris · 数据实测
我不想让 Agent 直接荐股，我想让它先会筛
我最近想测一个很容易把 Agent 带偏的问题：
AI 相关股票还能不能看？
这个问题如果直接丢给普通 Agent，很容易得到一段很热闹、但没什么用的回答：AI 是长期趋势，算力需求强劲，龙头公司有优势，投资者需要关注估值风险……听起来都对，但问题是，它没有真正开始"筛"。
我不想让 Agent 一上来就说哪只股票好。那太危险，也太像财经内容里的万能废话。
我真正想测的是：QVeris 接入 FMP 之后，能不能像一个研究助理一样，先帮我搭起一套筛选路径。
这套路径至少要回答四个问题：第一，AI 相关行业现在整体估值水位高不高？第二，市场当天到底在追什么、砸什么、交易什么？第三，能不能用 Screener 先筛出一批 US 市场里的候选公司？第四，候选公司里，能不能再补一眼基本面指标和 Share Float，不要只看概念热度？
所以这篇不是"AI 股票推荐"，而是一次更朴素的测试：我让 QVeris 做一次 AI 选股研究助理，看它能不能先把筛选框架跑起来。
第一步：先看 US 市场 sector 和 industry 的估值水位
我第一步没有查某一只股票，而是先查行业。
因为只看公司很容易被叙事带着走。尤其是 AI 这种主题，一家公司只要沾一点算力、芯片、软件、数据中心，就很容易被塞进"AI 概念"。但研究助理不能只会听故事，它至少要先问一句：这个行业现在整体估值贵不贵？
我让 QVeris 调 FMP 的 Historical Industry PE，查询 NASDAQ 的 Software - Infrastructure。
这次调用成功返回 7 条数据。2026-06-15，NASDAQ Software - Infrastructure 的行业 PE 是 44.81左右；2026-06-05 和 2026-06-08 附近则在44 左右。
这组数字对我很有用。它不是告诉我"软件基建行业可以买还是不能买"，而是先给 Agent 一个行业估值参照。后面如果某家公司 PE 是 25、30、50、80，Agent 至少知道它不是在真空里看估值，而是在和行业水位做比较。
我还顺手让 QVeris 调了 SIC 分类，搜索 SEMICONDUCTORS，返回了 SIC code 3674，行业标题是SEMICONDUCTORS & RELATED DEVICES。
这一步看起来像小事，但对 Agent 很重要。AI 主题不能只靠关键词猜。把行业、SIC、sector 这些分类先对齐，后面筛选才不会变成"看起来像 AI 就算 AI"。
第二步：看板块表现和市场异动，别只盯着热门叙事
行业估值只能回答"水位"，不能回答"今天市场在动什么"。
所以我第二步让 QVeris 调 FMP 的 Historical Sector Performance，看 NASDAQ Technology 最近几天的 sector 表现。
结果也能正常返回。2026-06-15，Technology / NASDAQ 的 averageChange 大约是 0.94%；2026-06-05 有一个比较明显的负值，约-4.51%；2026-06-08 则是-0.07%。
这说明 Agent 可以把板块表现作为"背景噪音"读进去。否则它看到某只科技股涨跌，很容易过度解释成公司自身原因，但实际上可能只是整个板块当天在波动。
接着我又跑了 FMP 的市场异动接口：Biggest Gainers、Biggest Losers、Most Active。
Gainers 返回 50 条，最前面能看到 RGNT、CAST、AREB、CUPR、VSME 这类涨幅非常夸张的标的。Most Active 也返回 50 条，里面出现了 ADTX、GPUS、PAVS、SOXS、SPCX 等高交易关注度标的。Losers 也成功返回 50 条，例如 QGRD、SPCK、ELTX、MLAC、CNTX 等跌幅靠前。
这里我反而更放心了。因为 Agent 不应该只看"涨得最多"，也不应该只看"最活跃"。市场异动更像雷达屏：gainers 告诉你哪里突然冒火，losers 告诉你哪里在塌，most active 告诉你资金和注意力集中在哪里。
这一步不是选股结论，只是帮研究助理建立当天市场语境。
第三步：用 Screener 出候选池，再用 ROE 和 PE 做复核
到这里，我终于开始筛公司。
不过这里有个很重要的发现：FMP 的 Stock Screener 在当前 QVeris schema 里，并不能直接按 ROE 或 PE 过滤。它支持的是 sector、industry、country、market cap、price、volume、exchange、isEtf、isFund、isActivelyTrading 等字段。
所以我没有硬写"我直接用 Screener 筛高 ROE + 低 PE"。那样不真实。
我采用的是两步法：第一步，用 Screener 先筛出 US 市场、Technology sector、市值大于 100 亿美元、成交量大于 500 万、仍在活跃交易、非 ETF、非基金的候选池。第二步，再用 FMP 的 Key Metrics TTM 对候选公司做 ROE 和估值复核。
这次 Screener 成功返回 10 条候选：
这就已经很像一个研究助理该做的事了：先把候选池拿出来，而不是一上来就输出观点。
接着我用 Key Metrics TTM 跑了两个样本：NVDA 和 MSFT。
NVDA 的 TTM ROE 返回约 111.66%，earnings yield 约3.09%，换算 PE 大约32.33。MSFT 的 TTM ROE 返回约33.13%，earnings yield 约4.22%，换算 PE 大约23.71。
这里就有意思了。前面我们看到 NASDAQ Software - Infrastructure 行业 PE 大约 44.81，所以 MSFT 可以先和这个行业水位做一个粗略参照：它的 PE 如果按 earnings yield 反推，大约是23.71，明显低于这个行业 PE。
NVDA 则不适合直接拿 Software - Infrastructure 来对比，因为它属于半导体行业。这里更适合把它当成另一个复核样本：它的 TTM ROE 约 111.66%，PE 反推约32.33，说明 Agent 看到的不是单纯"AI 热度"，而是可以继续追问盈利质量、增长兑现和半导体行业估值水位的研究线索。
我不会把这写成"谁更值得买"。正确的表达应该是：QVeris 可以先筛出候选池，再把行业估值、公司 ROE、估值倍数放在同一张表里，让用户决定下一步复核谁。
第四步：补一眼 Share Float，别忽略流通盘
最后我又补了一步：Share Float。
很多选股流程会跳过这一步，但我觉得 Agent 不应该跳。因为一个标的的流通盘，会影响流动性、波动性和交易可达性。尤其是在市场异动榜里，小盘、低流通、特殊股权结构的标的经常会出现夸张涨跌。如果 Agent 完全不看 share float，就很容易把"流动性带来的异动"误读成"基本面机会"。
我先跑了 All Shares Float，接口成功返回 10 条，不过第一页样本是 000001.SZ、000002.SZ 这类深市标的，不适合直接放进 US 选股主线。
于是我改用 Company Share Float，查 Screener 候选里的 NVDA。
这次返回很清楚：NVDA 在 2026-06-15 的 freeFloat 约 95.89%，floatShares 约232.25 亿股，outstandingShares 约242.21 亿股，还带了 SEC source 链接。
这一步的意义不是说 NVDA 好或不好，而是让 Agent 不只看市值、成交量和概念，还能把股本结构放进研究备忘录里。
这对 QVeris Agent 意味着什么
这次测试下来，我觉得 FMP 这一组行业 / 板块 + Screener 能力，对 QVeris 的意义很明确：
它让 Agent 从"回答股票问题"变成"搭建筛选流程"。
这两者差别很大。
回答股票问题很容易变成观点生成：AI 很火，科技股强，估值要注意。搭建筛选流程则更像研究助理：先看行业估值，再看板块表现，再看市场异动，再用 Screener 出候选池，再用 ROE、PE、Share Float 做二次复核。
这套 workflow 最适合的输出不是"买哪只"，而是候选名单、行业估值参照、市场异动背景、基本面复核字段、流通盘检查，以及下一步需要人工确认的问题。
这才是我希望 QVeris Agent 在投研里扮演的角色：不是替用户拍脑袋，而是把原本分散在多个页面、多个接口、多个筛选器里的数据，整理成一个可继续追问的研究框架。
尤其是 AI 这种主题，越热越需要这种框架。因为越热的概念，越容易把"故事""估值""交易热度""基本面质量"混在一起。
这次 QVeris 调 FMP 至少证明了一件事：Agent 可以先不急着给答案，它可以先学会筛。
本文仅展示 QVeris × FMP 的数据调用和研究流程，不构成投资建议。