跨境投研还在手动切数据源？QVeris × FMP 把 60+ 交易所接成一个入口
一个跨境投研问题，第一步就卡在数据源
我最近想试一个很普通、但真正做起来很烦的问题：
如果把贵州茅台和雀巢放在一起看，它们到底有什么可比性？
一个是 A 股白酒龙头，人民币计价；
一个是瑞士消费品巨头，瑞郎计价。听起来只是两个公司 profile 拉出来对照一下，但实际做跨境投研的人都知道，第一步往往不是分析，而是找数据。
贵州茅台在哪个交易所？代码怎么写？币种是什么？雀巢用 SIX 的本地代码，还是美股 ADR？ISIN 能不能对上？行业分类是不是同一套口径？如果再把腾讯、丰田、三星、SAP、BHP 一起拉进来，每多一个市场，就多一层数据源和标识符的麻烦。
这类问题最尴尬的地方在于：你不是没有分析能力，而是 Agent 还没开始分析，就先被市场、交易所、币种、ticker 格式卡住了。
所以我这次测的不是"FMP 能不能查一个美股公司"。这个太基础了。我想测的是：QVeris 接入 FMP 之后，能不能用一个统一入口，把多个国家、多个交易所、本币计价的公司资料和历史行情都接起来。我这次不是手动查这些市场，而是把问题交给 QVeris，看它能不能通过 FMP 把跨市场数据一次性拉齐。
我先看 FMP 到底接了多少交易所
第一步我先拉 availableexchanges。
返回结果是 64 家交易所。按区域粗略拆一下：北美 11家，南美3家，欧洲 29 家，亚洲14家，中东 4 家，非洲1家，大洋洲2家。这个覆盖范围已经不是"美股数据源顺手带一点海外市场"，而是正经可以支撑跨境投研的底层数据版图。
这里最重要的不是数字本身，而是统一性。
很多数据源的问题是，美股一套接口，港股一套接口，A 股又是一套接口。你做 Agent workflow 时，最后会变成一堆判断逻辑：如果是港股，走这个 provider；如果是日股，换另一个 symbol 格式；如果是欧洲市场，再补一层交易所映射。
这对人来说只是麻烦，对 Agent 来说是灾难。
因为每多一套数据源，就多一层失败点：代码格式可能错，币种可能混，字段名可能不一致，历史行情深度可能对不上。
FMP 这套能力对 QVeris 的意义在于，它把"全球市场入口"这件事尽量压平了。Agent 不需要先变成数据源调度员，才能开始做投研。
贵州茅台 vs 雀巢：本币、交易所、ISIN 都要对得上
我把主案例定成贵州茅台和雀巢，是因为这两个公司很适合测试跨境投研的真实难点。
贵州茅台是中国 A 股公司，核心交易市场在上交所，人民币计价。雀巢是瑞士公司，核心交易市场在 SIX Swiss Exchange，瑞郎计价。它们都属于消费品领域，但一个是中国白酒，一个是全球食品饮料集团。真正要比较，至少要先把公司身份、交易市场、币种、行业分类这些基础信息对齐。
实测 profile 可以拿到这类关键字段：公司名称、交易所、币种、行业分类、CEO、IPO 日期、ISIN 等。
这里的 ISIN 尤其重要，因为跨市场公司经常会有本地股、ADR、不同交易所 ticker 并存的情况。
只看 ticker 很容易误判，只看公司名又太松。ISIN 是跨境投研里非常实用的锚点。
这一步跑通之后，Agent 才能继续往下做更有价值的问题：
比如同样是消费品龙头，贵州茅台和雀巢的估值逻辑是不是完全不同？
一个更像稀缺品牌资产，一个更像全球渠道和品类组合；一个利润率长期极高，一个稳定性和地域分散更强。分析可以慢慢做，但前提是底层数据别先把路堵死。
我以前最烦的就是这种"分析前清洗"。你以为自己在做投研，其实半小时都在确认代码和币种。现在至少这部分可以交给 QVeris Agent 先跑一遍。
再拉 7 个市场：不是演示，是覆盖
只测贵州茅台和雀巢还不够，容易变成一个漂亮 demo。所以我继续拉了 7 个市场样本。
腾讯，港股，港币计价。丰田，日本市场，日元计价。三星，韩国市场，韩元计价。乐购，伦敦市场，便士计价。SAP，德国市场，欧元计价。Shopify，加拿大市场，加元计价。BHP，澳洲市场，澳元计价。
加上贵州茅台和雀巢，一共 9 个市场样本，全都能通过 profile 跑通。
这组样本的意义是，它覆盖了 Agent 做跨境研究时最常见的几类麻烦：亚洲市场、欧洲市场、港股、本币交易、不同 ticker 后缀、不同货币单位，以及同一行业在不同国家的分类口径差异。
如果一个用户问："帮我找几个全球消费、制造、软件、资源类龙头，按本地市场数据做一版基础对比"，以前这个任务很容易被拆成一堆人工步骤。现在它更像一个可以自动化的 workflow：先识别公司和市场，再拉 profile，再统一字段，再进入估值、财务、行情或新闻层面的分析。
对 QVeris 来说，这不是"多了几个海外 ticker"。这是 Agent 能不能跨出单一市场的分界线。
不只是公司资料，伦交所日线也能跑
公司 profile 只能证明"公司身份能识别"。但投研不可能只停在公司名片层面，所以我又测了历史行情。
这里选的是伦敦证券交易所的 Tesco，也就是乐购。实测 TSCO.L 的 EOD 日线可以返回 1260 条。
这个结果说明两件事。
第一，FMP 在非美市场不是只有静态公司资料，行情数据也能接上。
第二，QVeris Agent 在做跨境研究时，可以把"公司资料"和"历史价格"放进同一个流程里，而不是 profile 从一个地方拿，价格又换另一个地方查。
后续比如可以让 Agent 比较不同国家消费龙头过去 5 年的股价表现、本币收益和估值变化；也可以把行业分类、财务指标和历史行情拼起来，做一个更完整的跨市场 screener。
当然，货币换算、复权口径、交易日差异这些问题仍然要认真处理。
跨境投研不是有了 API 就自动变简单。但至少最底层的"能不能拿到数据、能不能统一调用"这一步，已经可以跑起来。
这对 QVeris Agent 意味着什么
我觉得这组测试最值得讲的地方，不是 FMP 有 64 家交易所，也不是 9 个市场 profile 全通。这些数字当然重要，但它们背后的产品意义更关键：
QVeris Agent 可以开始把"全球市场"当成一个可操作对象，而不是一堆分散的数据孤岛。
过去做一个跨境投研 Agent，很容易陷入工程泥潭。先接美股，再接港股，再想办法补 A 股，再处理欧洲市场。每接一个 provider，就要重新适配鉴权、字段、ticker、币种、错误处理。最后 Agent 还没聪明起来，工程先变成接口维护项目。
现在 QVeris 通过 FMP 把一大块底层数据接进来，Agent 可以更专注于任务本身：比较公司、追踪行业、寻找跨市场可比标的、生成研究框架、输出表格和结论。
比如用户以后可以直接问：
帮我对比贵州茅台和雀巢的公司资料，列出交易所、本币、ISIN、行业和CEO。请适合调研人员阅读的简洁表格回答，并在表格下方注明数据来源。
这个问题本质上不是单点查询，而是跨市场数据编排。它要求 Agent 知道去哪找、怎么对齐、怎么解释，还要在结果里保留数据来源和口径。
这才是 QVeris × FMP 这套组合真正有价值的地方：不是让开发者少查一个接口，而是让 Agent 多了一层全球投研的底座。
QVeris 已经把 FMP 的全球交易所和跨境公司数据接成了统一入口。对开发者来说，做跨境投研 Agent 的第一步，不再是手动拼数据源，而是直接开始设计研究流程。