ใครเป็นเป้าหมาย

Claude for Financial Services สร้างมาสำหรับ สถาบันการเงิน (FI) และทีม AI ภายใน ที่ต้องการ reference implementation ของ Claude agents สำหรับวิธีการทำงาน FSI

ใครได้ประโยชน์สูงสุด

1. ทีม Investment Banking & M&A Advisory

  • MD / Director-level: ต้องการ pitch deck ฉบับร่างด่วน (Pitch Agent, Meeting Prep Agent)
  • Senior Analysts: ต้องการ comps analysis, precedent transaction database, football field valuations ที่ทำอย่างรวดเร็ว (/comps, /precedents, /dcf commands)
  • Associate cohorts: ต้องการ automation สำหรับ CIM drafting, teaser generation, buyer list creation (investment-banking vertical)

ยกตัวอย่าง: การสร้าง pitch deck สำหรับ M&A situation analysis ที่ปกติใช้เวลา 2–3 วัน สามารถลดเหลือ 4–6 ชั่วโมง (Pitch Agent agents/pitch-agent.md)

2. Equity Research & Coverage Teams

  • Equity analysts: ต้องการ post-earnings analysis, model updates, initiation reports ที่ต่างหาก (/earnings, /model-update, /initiate commands)
  • Sector heads: ต้องการ competitive landscape mapping, peer comp freshness (/sector, /screen commands)
  • Publishing teams: ต้องการ draft consistency & compliance checking ผลลัพธ์ก่อน distribute

ยกตัวอย่าง: Market Researcher agent สามารถสร้าง industry briefing pack พร้อม peer set comps และ idea shortlist จากการ prompt หนึ่งบรรทัด (market-researcher agent agents/market-researcher.md)

3. Private Equity & Growth Equity

  • Sourcing teams: ต้องการ deal screen acceleration, founder outreach draft, CRM lookup (/source, /screen-deal commands)
  • Investment committee: ต้องการ IC memo drafting, unit economics analysis, returns sensitivity tables (/ic-memo, /unit-economics, /returns commands)
  • Portfolio operations: ต้องการ KPI tracking, variance analysis, value-creation-plan updates (/portfolio, /value-creation commands)
  • Due diligence: ต้องการ management interview prep, checklist generation (/dd-prep, /dd-checklist commands)

ยกตัวอย่าง: KYC Screener agent ทำการ parse onboarding documents และ run rules engine เพื่อหา gaps — ลดเวลา compliance screening จากหลายชั่วโมงเป็นนาที (kyc-screener agent agents/kyc-screener.md, operations vertical)

4. Fund Administration & Finance Ops

  • Accounting teams: ต้องการ GL reconciliation automation, break tracing, month-end close support (GL Reconciler, Month-End Closer, Statement Auditor agents)
  • Controllers: ต้องการ variance commentary draft, accrual tracking, roll-forward verification (fund-admin vertical)
  • LP relations: ต้องการ NAV tie-out support, statement audit, valuation review staging (/valuation-reviewer command)

ยกตัวอย่าง: GL Reconciler agent อ่าน trial balance, query subledger ledgers ผ่าน MCP, หา discrepancies และ trace root cause — ลดเวลา manual recon 1–2 สัปดาห์ (managed-agent-cookbooks/gl-reconciler README)

5. Wealth Management & Financial Planning

  • Client advisors: ต้องการ financial plan generation, portfolio review templates, rebalancing recommendations (/financial-plan, /client-review, /rebalance commands)
  • Planning specialists: ต้องการ retirement projections, education funding scenarios, estate tax optimization (/financial-plan command)
  • Operations: ต้องการ tax-loss harvesting opportunity identification, client reporting automation (/tlh, /client-report commands)

ยกตัวอย่าง: Wealth Management vertical มี tax-loss harvesting skill ที่ screen portfolio เพื่อหา TLH opportunities พร้อม wash sale management (wealth-management vertical)

ใครสามารถ Fork & Customize

สถาบันการเงินใดๆ ที่ต้องการจะ fork repository นี้เพื่อ:

  • เพิ่มข้อมูล internal context: ใส่ firm terminology, legal templates, compliance rules ลงใน skill files
  • เชื่อมต่อ MCP connectors ของตัวเอง: แทนที่ .mcp.json เพื่อ point ไปยัง internal data providers หรือ vendor APIs ของ firm (README.md line 154–155)
  • ปรับแต่ง agents สำหรับ workflow จริง: แก้ไข agents/<slug>.md system prompt เพื่อให้ match exact process ของทีมตัวเอง
  • เพิ่ม agents ใหม่: copy structure ของ agent ที่มีอยู่และ customize สำหรับ workflow ที่ไม่ได้ cover (README.md line 158)

ต้องมี

  • Claude API key + Anthropic account (สำหรับ API access)
  • MCP provider credentials (ตัวเลือก — ขึ้นอยู่กับ connectors ที่เปิดใช้)
  • Internal LLM gateway หรือ Bedrock endpoint (สำหรับ self-hosted deployment)
  • AI/ML engineering team ขนาดเล็ก (2–4 คน) เพื่อ maintain custom agents

ใครไม่ใช่กลุ่มเป้าหมาย

❌ Retail Traders & Individual Investors

Repository นี้ไม่ได้ออกแบบมาสำหรับ retail trading หรือ personal investment decisions

  • Agents มี compliance guardrails ที่ถูกเขียนสำหรับ institutional users เท่านั้น
  • Agents ไม่ execute trades, approve onboarding หรือ bind risk — ทำงาน draft work product สำหรับ review โดย professionals
  • Skill ใช้ institutional data providers (FactSet, CapIQ, LSEG) ที่ retail users ไม่มี access

❌ Financial Advisors (Individual Contributors)

FA individuals ไม่ใช่ use case หลัก แม้ว่า wealth-management vertical อาจจะมีประโยชน์

  • Institutional setup ต้อง Anthropic API key + managed agent deployment — FAs ส่วนใหญ่ใช้ Cowork web UI แทน
  • Compliance rules อยู่ที่สถาบันระดับ, ไม่ใช่ individual practitioner

❌ “Financial Advice” User Cases

Repository ไม่ให้ investment advice เลย

ไม่มีสิ่งที่อยู่ใน repository นี้ที่ประกอบด้วย investment, legal, tax หรือ accounting advice

(README.md line 7–8)

Agents draft work product สำหรับ review โดยผู้เชี่ยวชาญที่มีคุณสมบัติ ผู้ใช้มีความรับผิดชอบในการ verify outputs

ตัวอย่างหน่วยงานที่อยู่ใน Scope

✅ Investment Banks

  • Goldman Sachs, Morgan Stanley, JPMorgan, Lazard, Evercore
  • ใช้ Pitch Agent + Meeting Prep Agent: draft pitch books, comps, LBO models
  • ใช้ investment-banking vertical: CIM drafting, teaser generation, process letters

✅ Equity Research Shops

  • Independent research firms, sell-side equity teams, research aggregators
  • ใช้ Market Researcher agent: sector briefings, competitive analysis
  • ใช้ Earnings Reviewer agent: post-earnings note drafting
  • ใช้ equity-research vertical: earnings previews, initiations, thesis tracking

✅ PE Firms

  • Lower mid-market (50M–250M AUM), growth equity, family offices
  • ใช้ KYC Screener: deal sourcing qualification
  • ใช้ private-equity vertical: DD checklists, IC memos, portfolio monitoring, value-creation planning
  • ใช้ Model Builder agent: LBO model generation, returns analysis

✅ Fund Administrators & Operations

  • Institutional fund administrators, in-house ops teams at PE/VC firms
  • ใช้ GL Reconciler agent: GL break tracing
  • ใช้ Month-End Closer agent: accrual variance commentary
  • ใช้ Statement Auditor agent: LP statement audit
  • ใช้ fund-admin vertical: NAV tie-out, valuation review, reporting support

✅ Wealth Management Firms

  • RIAs, boutique wealth practices, family office operations
  • ใช้ wealth-management vertical: financial planning, portfolio rebalancing, tax-loss harvesting, client reporting

ดูเพิ่มเติม

  • What is it? — องค์ประกอบหลักและวิธีการ dual runtime
  • Architecture — ลำดับชั้น 3-layer: verticals → agents → cookbooks
  • Quick Start — ติดตั้ง Cowork หรือ Managed Agents API