Eu deixei Claude filtrar 3.000 ações usando a API EODHD — Veja o que sobrou

TL;DR: Eu construí um funil de triagem em 4 etapas em cima da API EODHD Screener, começando de um universo de mais de 3.000 ações listadas nos EUA com uma capitalização de mercado acima de $150M. Após filtrar por lucratividade, liquidez e um preço justo em relação aos lucros, apenas 10 nomes sobreviveram. Sem hype, sem "compre isso agora". Também abordo duas maneiras de estender isso: conectando através do servidor MCP oficial da EODHD para que Claude possa executar a triagem de forma conversacional, e um script baseado em cron que executa todo o funil todos os dias e sinaliza o que mudou. Lista completa, código e configuração abaixo.

A maioria dos conteúdos "IA escolhe ações" é teatro.

Alguém pede ao ChatGPT para "recomendar 5 ações subvalorizadas", o modelo puxa de dados de treinamento desatualizados, e o artigo chama isso de análise. Sem dados ao vivo. Sem filtro verificável. Sem maneira para o leitor reproduzir um único número.

Eu queria fazer o oposto.

Então eu construí um verdadeiro pipeline de triagem: Claude conectado diretamente à API EODHD Stock Screener, executou uma consulta ao vivo contra milhares de tickers e os reduziu usando nada além de filtros numéricos rigorosos. Cada ticker, cada preço, cada figura de EPS neste artigo veio daquela chamada ao vivo, feita no dia em que isso foi escrito.

Se você está:

• construindo uma ferramenta de triagem quantitativa,
• avaliando APIs de dados financeiros para um agente de IA,
• ou apenas cansado de conteúdos de "escolhas de ações de IA" sem dados por trás,

isso é para você.

O Problema Com a Maioria dos Screeners de Ações

Screeners gratuitos nos grandes sites de finanças oferecem um punhado de filtros: capitalização de mercado, setor, talvez uma faixa de P/E. Bom para uma tarde de domingo. Inútil se você está tentando construir algo programático.

Terminais pagos resolvem o problema de flexibilidade, mas custam mais do que a maioria dos investidores independentes está disposta a gastar apenas para testar uma ideia.

E ferramentas de ações "potencializadas por IA" geralmente ignoram completamente o problema de dados. Elas geram tickers que parecem plausíveis com base em correspondência de padrões, não uma consulta ao vivo contra um banco de dados de mercado real.

O verdadeiro gargalo não é a inteligência. É o acesso a dados estruturados e filtráveis que um modelo de IA pode realmente consultar.

Dando a Claude uma Fonte de Dados Real

A API Screener da EODHD expõe exatamente o que um pipeline de filtragem precisa: capitalização de mercado, EPS, rendimento de dividendos, volume de negociação, setor e preço, em cada ticker da bolsa, em uma única solicitação.

Uma vez que Claude pode chamar esse endpoint diretamente, "triagem do mercado" deixa de ser uma metáfora. Torna-se uma sequência real e auditável de chamadas de API.

Aqui está o funil que eu executei:

Etapa 1 — Universo: ações comuns listadas nos EUA com capitalização de mercado > $150M
Etapa 2 — Filtro de qualidade: lucrativas (EPS positivo), líquidas (média diária de 200K+), precificadas acima de $5
Etapa 3 — Zona de valor: capitalização de mercado entre $1B e $50B, pagadoras de dividendos, ainda líquidas
Etapa 4 — Classificação: ordenadas por rendimento de lucros (EPS ÷ preço) — as ações mais baratas em relação ao que realmente ganham

A Etapa 1 sozinha retornou mais de 1.000 correspondências por página e continuou além do limite de paginação da API — confirmando um universo bem acima de 3.000 tickers uma vez que você inclui todas as bolsas dos EUA que a EODHD cobre nesse piso de capitalização de mercado. A partir daí, cada etapa reduz o campo drasticamente.

Construindo o Screener

A configuração é uma única solicitação GET autenticada por etapa. Sem scraping, sem downloads manuais.

import requests
import pandas as pd

API_TOKEN = "SEU_TOKEN_API"
BASE_URL = "https://eodhd.com/api/screener"

def run_screen(filters, sort="market_capitalization.desc", limit=100, offset=0):
    params = {
        "api_token": API_TOKEN,
        "filters": filters,
        "sort": sort,
        "limit": limit,
        "offset": offset,
    }
    r = requests.get(BASE_URL, params=params)
    r.raise_for_status()
    return pd.DataFrame(r.json()["data"])

# Etapa 2 + 3 combinadas: lucrativas, líquidas, capitalização média/grande, pagadoras de dividendos
filters = (
    '[["market_capitalization",">",1000000000],' 
    ' ["market_capitalization","<",50000000000],' 
    ' ["exchange","=","us"],' 
    ' ["earnings_share",">",0],' 
    ' ["avgvol_1d"