热门板块机构透视 Skill：如何用 Claude Code GPT Codex 一键生成 SOXX Smart Money Scan？

每次半导体行情走强之后，市场都会重新问几个问题：

如果我买 SOXX，我到底买到的是什么？这些持仓是不是已经被机构高度拥挤？如果我已经持有 NVDA，再买 SOXX 会不会产生重复暴露？

单独看一个数据并不难。SOXX 的价格可以查，ETF 持仓可以查，NVDA、AMD、AVGO 这些成分股也都可以查。

真正麻烦的是：这些数据放在一起，究竟能不能讲出一个相对完整的 ETF 暴露图景。

比如，SOXX 是不是平均买入整个半导体行业？前十大持仓到底占了多少？哪些成分股同时被大量 13F 机构持有？如果已经持有 NVDA，再买 SOXX，组合里会不会继续增加 NVDA 暴露？过去 90 天这只 ETF 到底涨了多少？

这就是 LLMQuant Data 旗下 Skills 中 sector-smart-money-scan 想解决的问题。

它不是让 Claude 或 GPT-Codex 临场写一段半导体行情评论，而是通过 llmquant-data MCP 调用结构化数据，把 ETF holdings、13F holder count、aggregate 13F value 和 historical prices 放在同一个 dashboard 里，生成一页可以阅读复核，也能继续追问的 Sector Smart Money Scan。

Playground 使用体验

除了在本地 Claude Code / GPT Codex 中接入 MCP，我们也建议读者先到 LLMQuant Data 官网体验 Playground。

<span></span><code><span leaf="">https://llmquantdata.com/agent</span></code>

官网首页提供了一个可以直接试用的 Agent Playground。

https://llmquantdata.com/agent

它更像一个轻量工作台：左侧可以看到历史记录、Personal Context、LLMQuant Skills；输入框下方可以选择 Data MCP、Skills 等能力；中间则是对话区，用户可以直接输入自然语言问题，让 Agent 调用对应的数据工具。

对第一次接触 LLMQuant Data 的用户来说，Playground 的好处是门槛更低：不需要先配置本地环境，也可以先感受 Data MCP 和金融 Skill 的调用方式。

比如可以直接尝试：

<span></span><code><span leaf="">用 sector-smart-money-scan 扫描 SOXX：</span><span leaf=""><br></span><span leaf="">看前十大持仓、13F 机构拥挤度、NVDA 重复暴露和过去 90 天表现。</span></code>

也可以问得更像真实投研问题：

<span></span><code><span leaf="">半导体最近很热。帮我看一下 SOXX 的真实持仓、机构拥挤度，</span><span leaf=""><br></span><span leaf="">以及如果我已经持有 NVDA，再买 SOXX 会不会产生重复暴露。</span></code>

如果你希望更深入地接入自己的 Claude Code / GPT Codex 工作流，再继续使用下文的本地 MCP 配置方式。

01｜先看结果：一句话生成一页 Sector Smart Money Scan

用户可以直接问：

<span></span><code><span leaf="">用 sector-smart-money-scan 扫描 SOXX：</span><span leaf=""><br></span><span leaf="">看前十大持仓、13F 机构拥挤度、NVDA 重复暴露和过去 90 天表现。</span></code>

系统返回的不是一段泛泛的半导体行业评论，而是一页可以直接阅读的 Sector Smart Money Scan。

<span></span><code><span leaf="">Sector Smart Money Scan</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">输入：</span><span leaf=""><br></span><span leaf="">- sector_etf: SOXX</span><span leaf=""><br></span><span leaf="">- holdings_source: SEC N-PORT regulatory snapshot</span><span leaf=""><br></span><span leaf="">- holdings_date: 2025-12-31</span><span leaf=""><br></span><span leaf="">- smart_money_metric: 13F Holder Count / Aggregate 13F Value</span><span leaf=""><br></span><span leaf="">- price_window: 2026-03-23 至 2026-06-17</span><span leaf=""><br></span><span leaf="">- duplicate_exposure_ticker: NVDA</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">输出：</span><span leaf=""><br></span><span leaf="">1. One-Line Takeaway</span><span leaf=""><br></span><span leaf="">2. Sector Snapshot</span><span leaf=""><br></span><span leaf="">3. Holdings Concentration</span><span leaf=""><br></span><span leaf="">4. Constituent x Smart-Money Matrix</span><span leaf=""><br></span><span leaf="">5. Duplicate Exposure Check</span><span leaf=""><br></span><span leaf="">6. 90-Day Price Window</span><span leaf=""><br></span><span leaf="">7. Data Quality Notes</span><span leaf=""><br></span><span leaf="">8. Risk Disclosure</span></code>

换句话说，它回答的不是：

半导体是不是还会涨？

而是：

如果我通过 SOXX 获得半导体暴露，我实际拿到的是哪些公司、哪些机构拥挤持仓，以及多少重复暴露？

02｜一张图看懂：从 SOXX 到 Sector Smart Money Scan

如果手工做，这个流程并不复杂，但非常琐碎：

• 先确认 SOXX 的 ETF 持仓和日期；
• 读取前十大持仓和权重；
• 对每个成分股逐个查询 13F holder count；
• 汇总 aggregate 13F value 和 top holders；
• 拉取 SOXX 过去 90 天价格；
• 计算起始价格、结束价格和区间收益率；
• 最后把所有信息整理成一页可读的矩阵。

对 ETF 研究员和内容创作者来说，这不是难题，但很容易变成重复劳动。

所以这个 Skill 的目标很直接：

把原本需要查 ETF 持仓、查机构覆盖、拉价格、再写解释的流程，压缩成一次对话。

03｜输入是什么？

这个 Skill 的默认输入非常明确。

| 参数

默认值 / 示例

含义


`sector_etf`

SOXX

目标行业 ETF

| | holdings_source |

SEC N-PORT regulatory snapshot

ETF 持仓来源

| | holdings_date |

2025-12-31

本次 ETF 持仓日期

| | top_holdings_limit |

默认查看前十大持仓

| | smart_money_metric |

13F Holder Count / Aggregate 13F Value

机构覆盖与持仓规模

| | price_window |

2026-03-23 至 2026-06-17

90 天价格观察窗口

| | duplicate_exposure_ticker |

NVDA

可选重复暴露检查标的

这里最重要的是默认组合：SOXX + ETF holdings + 13F holders + 90-day historical prices。

SOXX 代表半导体行业 ETF 入口。

ETF holdings 代表真实组合。

13F holder count 代表机构覆盖广度。

Historical prices 代表近期市场表现。

这几个数据放在一起，不是为了给出交易信号，而是为了构成一个简洁的 sector smart money radar。

04｜输出表长什么样？

Sector Snapshot

| Field

Value

ETF

SOXX

| |

Fund Name

iShares Semiconductor ETF

| |

Holdings Source

SEC N-PORT regulatory snapshot

| |

Holdings Date

2025-12-31

| |

AUM

约 $17.52B

| |

Top 10 Concentration

56.3%

| |

90-Day Return

+78.2%

这张表里最重要的不是 ETF 名字，而是三个口径：

• 持仓来源；
• 持仓日期；
• 集中度。

因为 ETF 持仓来自监管快照，不等于实时每日组合。

如果不先把这个口径说清楚，后面的机构拥挤度和重复暴露检查都容易被误读。

Holdings Concentration

SOXX 前十大持仓合计占比达到 56.3%。

这意味着，它不是一个非常分散的行业篮子。

它更像是一组半导体核心资产的集中组合。

如果前十大已经占到 56.3%，那么理解 NVDA、AMD、MU、AVGO、AMAT、NXPI、LRCX、KLAC、TXN、ADI，基本就是理解 SOXX 核心暴露的第一步。

Constituent x Smart-Money Matrix

| Holding

ETF Weight

13F Holder Count

Aggregate 13F Value

Top Holders

Quick Read

NVDA

8.3%

779

$2.48T

Vanguard, State Street, BlackRock

Core crowded exposure

| |

AMD

7.7%

668

$196.30B

Vanguard, State Street, BlackRock

Core crowded exposure

| |

7.0%

644

$211.33B

Vanguard, Capital World, State Street

Core crowded exposure

| |

AVGO

6.7%

747

$980.41B

Vanguard, State Street, BlackRock

Core crowded exposure

| |

AMAT

5.9%

645

$126.69B

Vanguard, State Street, Capital Research

Core crowded exposure

| |

NXPI

4.4%

469

$39.91B

FMR, JPMorgan, Vanguard

Crowded but less than peers

| |

LRCX

4.3%

624

$137.72B

Vanguard, State Street, BlackRock

Broadly owned equipment name

| |

KLAC

4.1%

584

$114.98B

Vanguard, State Street, Capital Intl.

Broadly owned equipment name

| |

TXN

4.0%

642

$106.55B

Vanguard, State Street, BlackRock

Crowded analog exposure

| |

ADI

4.0%

590

$89.69B

Vanguard, State Street, BlackRock

Broadly owned analog exposure

这张表不是为了说哪个成分股更好。

它真正要回答的是：

SOXX 的高权重成分股里，哪些同时也是机构覆盖非常广的名字？

05｜为什么不是直接让 ChatGPT 搜一下？

这是这个 demo 最关键的地方。

如果只是问 ChatGPT：

<span></span><code><span leaf="">半导体最近很热，SOXX 值得关注吗？</span></code>

模型可能会给出一段看起来合理的行业解释。

但问题是，这段解释里的 ETF 持仓日期、前十大权重、13F holder count、aggregate 13F value、SOXX 90 天价格窗口，未必来自同一套可复核的数据链路。

接入 llmquant-data MCP 之后，Agent 会先调用一组真实数据工具。

默认链路大概是：

<span></span><code><span leaf="">etf_holdings(SOXX)</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">sec_13f_list_ticker_holders(NVDA)</span><span leaf=""><br></span><span leaf="">sec_13f_list_ticker_holders(AMD)</span><span leaf=""><br></span><span leaf="">sec_13f_list_ticker_holders(MU)</span><span leaf=""><br></span><span leaf="">sec_13f_list_ticker_holders(AVGO)</span><span leaf=""><br></span><span leaf="">sec_13f_list_ticker_holders(AMAT)</span><span leaf=""><br></span><span leaf="">...</span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">equity_historical_prices(SOXX, 90 天)</span></code>

所以，这个 demo 的重点不是“AI 会不会讲半导体”。

而是：

AI 能不能基于可调用、可复核的 ETF 持仓、13F 机构持仓和价格数据，稳定生成一页 sector smart money scan。

这也是为什么我们会把它做成 Skill，而不是只写一个 prompt 模板。

06｜图解 SOXX 的核心暴露

前五大持仓结构

SOXX 的前五大持仓分别是 NVDA、AMD、MU、AVGO、AMAT，合计占比 35.6%。

<span></span><code><span leaf="">8.3% + 7.7% + 7.0% + 6.7% + 5.9% = 35.6%</span></code>

这说明 SOXX 的核心收益和风险暴露，已经明显集中在少数几家半导体龙头上。

它不是只押注 NVDA 一家公司。

但它也不是平均分散到整个半导体产业链。

更准确地说，它是一只以少数核心半导体龙头为主要解释变量的 ETF。

Crowded Core Exposure 拆解

如果把 NVDA、AMD、MU、AVGO、AMAT 视为 SOXX 中最典型的 crowded core exposure，那么这部分合计已经占到 35.6%。

其他前十大持仓占 20.7%。

其余持仓占 43.7%。

这张图想表达的不是“这五家公司一定更好”。

而是提醒用户：

SOXX 的核心暴露，并不是分散的行业平均值，而是集中在少数高权重、同时被大量机构持有的半导体龙头上。

13F Holder Count 怎么读？

| Holding

13F Holder Count

Holder Bar

NVDA

779

███████████████████████████████

| |

AVGO

747

██████████████████████████████

| |

AMD

668

███████████████████████████

| |

AMAT

645

██████████████████████████

| |

644

██████████████████████████

| |

TXN

642

██████████████████████████

| |

LRCX

624

█████████████████████████

| |

ADI

590

████████████████████████

| |

KLAC

584

███████████████████████

| |

NXPI

469

███████████████████

可以这样理解：

• NVDA 和 AVGO 是机构覆盖最广的两个名字；
• AMD、AMAT、MU、TXN 也都在 640 家以上；
• NXPI 在前十大里权重不低，但 holder count 相对低于其他核心名字。

因此，一页好的 Sector Smart Money Scan 不能只说“SOXX 是半导体 ETF”。

它应该告诉你：哪里有集中度，哪里有拥挤度，哪里需要做重复暴露检查。

07｜一个完整 Sector Smart Money Scan 可以怎么读？

可以分三层看。

第一层：先看 ETF 本身

先看 SOXX 的持仓日期、AUM、前十大权重和前五大权重。

这一步回答的是：

这只 ETF 到底是不是分散？

第二层：再看机构拥挤度

再看每个前十大持仓的 13F holder count、aggregate 13F value 和 top holders。

这一步回答的是：

这些持仓是不是已经是机构组合里的常见暴露？

第三层：最后看价格背景和重复暴露

再看 SOXX 过去 90 天表现，以及如果已经持有 NVDA，再买 SOXX 会增加多少间接暴露。

这一步回答的是：

这段行情有多强？我已有持仓会不会和 SOXX 发生重叠？

这一步才是整份 brief 最有价值的部分。

它不是复述 ETF 名称，而是把数据翻译成组合语言：concentration、crowding、duplicate exposure、historical price context。

08｜Brief 最终应该包含哪些模块？

一份好的 Sector Smart Money Scan，应该至少包含下面几个模块。

| 模块

解决的问题

One-Line Takeaway

一句话判断哪些持仓又重又拥挤

| |

Sector Snapshot

ETF 日期、AUM、前十大权重、90 天表现

| |

Concentration View

前十大集中度、前五大集中度

| |

Constituent x Smart-Money Matrix

持仓权重、13F holder count、机构名称

| |

Duplicate Exposure Check

已持有 NVDA 时的重复暴露提醒

| |

90-Day Price Window

起始价格、结束价格、区间收益率

| |

Data Quality Notes

ETF 持仓快照、13F 滞后等限制

| |

Risk Disclosure

非投资建议

如果要压缩成一句话：

它不是生成一段半导体评论，而是生成一页可复核的行业暴露雷达。

09｜为什么这件事值得做成 Skill？

热门板块分析有一个典型特点：

信息很多，解释也很多，但真正稳定复用的工作流并不多。

每次半导体、AI、能源、医疗这些板块走强，用户都要重新查 ETF 持仓、查机构覆盖、看价格表现、判断重复暴露。久而久之，这件事就变成了一个重复性的研究流程。

这个 Skill 的价值，是把这段流程沉淀下来。

| 用户

使用方式

ETF 研究员

快速拆解行业 ETF 的真实持仓和集中度

| |

资产配置 PM

判断某个热门板块的核心暴露是否过于集中

| |

Fundamental analyst

查看核心成分股是否已被大量机构覆盖

| |

内容创作者

生成“热门板块 ETF 背后到底买了什么”的选题

| |

AI agent builder

演示 ETF + 13F + 价格数据如何组合成 workflow

所以，它真正回答的问题不是：

SOXX 明天会怎么走？

而是：

当前这个热门板块 ETF，真实暴露和机构拥挤度到底是什么样？

10｜如何用 Claude Code / GPT Codex 快速体验？

如果想本地先快速体验，可以先访问 LLMQuant Data 官网，注册并获取限量 token 和 API Key：

<span></span><code><span leaf="">https://llmquantdata.com/</span></code>

API 和 MCP 文档可以从这里查看：

<span></span><code><span leaf="">https://docs.llmquantdata.com/en/introduction</span></code>

data-mcp 的 GitHub 地址是：

<span></span><code><span leaf="">https://github.com/LLMQuant/data-mcp</span></code>

拿到 API Key 之后，可以在 PowerShell 中添加 MCP：

<span></span><code><span><span leaf="">$env:LLMQUANT_API_KEY</span></span><span leaf="">=</span><span><span leaf="">"your_api_key"</span></span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">codex mcp add llmquant</span><span><span leaf="">-data</span></span><span leaf="">&nbsp;`</span><span><span leaf=""><br></span><span leaf="">&nbsp; --env</span></span><span leaf="">&nbsp;LLMQUANT_API_KEY=</span><span><span leaf="">$env:LLMQUANT_API_KEY</span></span><span leaf="">&nbsp;`</span><span><span leaf=""><br></span><span leaf="">&nbsp; --</span></span><span leaf="">&nbsp;npx</span><span><span leaf="">&nbsp;-y</span></span><span leaf="">&nbsp;@llmquant/</span><span><span leaf="">data</span></span><span><span leaf="">-mcp</span></span></code>

Linux / macOS 可以用：

<span></span><code><span><span leaf="">export</span></span><span leaf="">&nbsp;LLMQUANT_API_KEY=</span><span><span leaf="">"your_api_key"</span></span><span leaf=""><br></span><span leaf=""><br></span><span leaf="">codex mcp add llmquant-data \\</span><span leaf=""><br></span><span leaf="">&nbsp; --</span><span><span leaf="">env</span></span><span leaf="">&nbsp;LLMQUANT_API_KEY=</span><span><span leaf="">"</span><span><span leaf="">$LLMQUANT_API_KEY</span></span><span leaf="">"</span></span><span leaf="">&nbsp;\\</span><span leaf=""><br></span><span leaf="">&nbsp; -- npx -y @llmquant/data-mcp</span></code>

配置完成后，可以直接在 Claude Code / GPT Codex 里提问：

<span></span><code><span leaf="">用 sector-smart-money-scan 扫描 SOXX：</span><span leaf=""><br></span><span leaf="">看前十大持仓、13F 机构拥挤度、NVDA 重复暴露和过去 90 天表现。</span></code>

也可以用英文问：

<span></span><code><span leaf="">Run sector-smart-money-scan for SOXX.</span><span leaf=""><br></span><span leaf="">Show top holdings, 13F holder counts, duplicate NVDA exposure, and 90-day performance.</span></code>

这一步非常关键。

因为只有接入 llmquant-data MCP，Agent 才能把 ETF 持仓、13F 机构覆盖和价格表现串起来，而不是只给一段泛泛的行业评论。

LLMQuant社区 AI Trading 生态

LLMQuant 是面向全球 AI for Trading 方向的研究与实践社区。
围绕 AI 金融投资场景，我们正在构建一套完整生态：

• LLMQuant Data - 面向 Agent 的金融数据与研究上下文
• LLMQuant MCP - 让 Claude Code / Codex / Agent 能直接调用金融数据
• LLMQuant Skills - 可复用的 AI 金融研究工作流
• Quant Wiki - 开源双语量化金融知识库
• Quant Paper - AI 驱动的论文发现、语义搜索和知识卡片
• QuantMind / WallQuant / Trader - 面向研究、交易和知识管理的下一代 AI 金融工具

LLMQuant 作为全球领先的 AI for Trading 社区，目前已经打造好了 AI 金融投资领域生态 1.0 版本。
从 Data 到 MCP，从 Skills 到 Wiki / Paper，我们希望把 AI 金融投资从“单点工具”推进到可复用工作流生态。

关注 LLMQuant，和我们一起观察、构建并验证下一代 AI 交易基础设施。

Risk Disclosure

ETF 持仓来自 SEC N-PORT 监管快照，可能不等于 ETF 的实时每日组合。13F 机构持仓是延迟披露的监管文件，反映的是历史季度末仓位。本文仅供信息研究，不构成投资建议。

文章目录

热门板块机构透视 Skill：如何用 Claude Code GPT Codex 一键生成 SOXX Smart Money Scan？

Playground 使用体验

01｜先看结果：一句话生成一页 Sector Smart Money Scan

02｜一张图看懂：从 SOXX 到 Sector Smart Money Scan

03｜输入是什么？

04｜输出表长什么样？

Sector Snapshot

Holdings Concentration

Constituent x Smart-Money Matrix

05｜为什么不是直接让 ChatGPT 搜一下？

06｜图解 SOXX 的核心暴露

前五大持仓结构

Crowded Core Exposure 拆解

13F Holder Count 怎么读？

07｜一个完整 Sector Smart Money Scan 可以怎么读？

第一层：先看 ETF 本身

第二层：再看机构拥挤度

第三层：最后看价格背景和重复暴露

08｜Brief 最终应该包含哪些模块？

09｜为什么这件事值得做成 Skill？

10｜如何用 Claude Code / GPT Codex 快速体验？

LLMQuant社区 AI Trading 生态

Risk Disclosure

See Also

最近文章

福利派送

分类

标签

友情链接

其它