Claude、Python、MCPコネクタ、自動化成果物を用いたスキル駆動型金融分析エージェントの設計

本チュートリアルでは、Anthropicが公開しているfinancial-servicesオープンソースリポジトリ、Claude大規模言語モデル、Pythonプログラミング言語、MCPコネクタ、および自動化成果物を組み合わせて、スキル駆動型の金融分析エージェントワークフローを構築する方法を詳細に解説します。まず、必要なPython依存ライブラリ（anthropic、pandas、openpyxl、pyyaml、matplotlib）をインストールし、git cloneでリポジトリを取得します。このリポジトリには、事前構築された金融分析スキル、プラグイン、MCP設定が豊富に含まれています。

続いて、リポジトリ構造をプログラム的に調査し、エージェントプラグイン、垂直プラグイン、パートナー統合、マネージドエージェントクックブックの4つのカテゴリを特定します。同時に、.mcp.jsonファイルを解析して、外部金融データコネクタ（株価、財務データなどのAPIエンドポイント）の設定を把握します。

核心は、すべてのSKILL.mdファイルの解析です。これらのファイルはYAMLフロントマターでスキル名や説明を定義し、本文に詳細な金融分析手法を記述しています。パーサーを作成して各スキルのメタデータと本文を抽出し、検索可能なスキルレジストリ（SkillRegistry）に登録します。このレジストリは名前や説明文による曖昧検索をサポートします。これに基づき、スキルクエリを受け取り、該当スキルの内容をClaude Messages APIのシステムプロンプトに注入する再利用可能なSkillAgentクラスを構築します。エージェントはツール使用ループをカプセル化し、2つのコアツールを提供します。run_pythonは任意のPythonコードを実行（pandasとnumpyは事前インポート、状態は複数ターンで持続）、save_fileは生成されたテキストをoutputsディレクトリに保存します。

アーキテクチャの有効性を検証するため、「Meridian Software」という合成企業を例にデモを行いました。この企業のFY2025実績は、売上高8.5億ドル（前年比18%増）、EBITDAマージン27%、減価償却費は売上高の4%、設備投資は5%、運転資本変動は売上高成長の1%、税率24%、純負債3.2億ドル、希薄化後株式数9200万株です。前提として、売上高成長率は5年間で18%から6%へ線形に低下、EBITDAマージンは合計100ベーシスポイント拡大、WACCは9.5%、ターミナル成長率は2.5%と仮定しました。

最初に、dcf-modelスキルを呼び出し、上記の前提に基づいて5年間の無負債フリーキャッシュフロー評価を実行しました。エージェントはrun_pythonツールを使用して企業価値、株式価値、暗示的株価を計算し、WACC（8.5%～10.5%、50bp刻み）とターミナル成長率（1.5%～3.5%、50bp刻み）の2次元感応度マトリクスをJSON形式で出力しました。このマトリクスを抽出してヒートマップとして可視化し、異なるパラメータが評価額に与える影響を直感的に示しました。

次に、comps-analysisスキルを使用して、合成同業他社（ALFA、BRVO、CHRL、DLTA）のコンパス分析を実施しました。各社の株価、発行済株式数、純負債、次年度予想売上高、EBITDA、一株当たり利益を基に、企業価値（EV）およびEV/売上高、EV/EBITDA、P/E倍率を計算しました。結果は、完全なテーブルと統計サマリー（最小値、第1四分位、中央値、第3四分位、最大値）を含むExcelファイルとして出力しました。

さらに、投資委員会メモのドラフト機能もデモンストレーションしました。エージェントはDCFとコンパス分析の結果に基づき、投資のハイライト、リスク要因、評価分析を含む構造化されたプライベートエクイティ投委会メモを作成しました。最後に、リポジトリ内のマネージドエージェントデプロイ仕様を確認しましたが、実際のデプロイリクエストは送信していません。

この一連の流れは、Anthropicリポジトリの事前構築スキルとClaudeのエージェント機能を組み合わせ、MCPコネクタで外部データにアクセスし、Pythonツールで複雑な計算とファイル生成を行うことで、高度に自動化された金融分析ワークフローを実現する方法を示しています。このスキル駆動型アプローチにより、金融分析タスクの標準化、再利用、拡張が可能となり、金融機関や独立系アナリストにとって強力なAI支援ツールとなります。