Ik vroeg Claude om een dividendscreener te bouwen met EODHD — dit is wat het vond

De meeste dividendtools geven je een tabel.

Cijfers in kolommen. Dividendrendementpercentages. Uitkeringsratio's. Een filter dat je naar links of rechts sleept.

Wat ze je niet geven, is oordeelsvermogen.

Ze kunnen je niet vertellen waarom een rendement van 7% een valstrik kan zijn. Ze kunnen niet signaleren dat de uitkeringsratio van een bedrijf zes opeenvolgende kwartalen is gestegen. Ze merken niet op dat een dividend dat er vandaag ijzersterk uitziet, rust op een balans die twaalf maanden geleden al begon te verslechteren.

Dat onderscheid — tussen data en redenering — is precies waar dit experiment over ging.

Ik verbond Claude met de financiële data-API van EODHD, gaf het een lijst van dividendbetalende aandelen en vroeg het om vanaf nul een screener te bouwen. Geen spreadsheet. Geen Python-script. Geen kant-en-klare tool.

Alleen een gesprek. En live data.

Als je:

• inkomensgerichte portfoliotools bouwt,
• je eigen dividendstrategie beheert en het schakelen tussen screeners beu bent,
• of wilt evalueren wat AI-agenten echt kunnen met financiële data van institutionele kwaliteit,

Dan is dit het lezen waard.

Het probleem met de meeste dividendscreeners

Dit is wat een typische belegger doet wanneer hij dividendaandelen wil screenen:

Ga naar een screener. Stel het rendement in op meer dan 3%. Filter op sector. Sorteer op uitkeringsratio. Exporteer naar Excel. Open een tweede tabblad voor de winst-en-verliesrekening. Een derde voor de balansgeschiedenis. Misschien een vierde om te controleren of het dividend in de afgelopen vijf jaar is gekort.

Dan beginnen ze pas met de eigenlijke analyse.

De tool gaf ze een lijst. Het denken gebeurt nog steeds handmatig, geïsoleerd, zonder enige verbinding tussen de datapunten.

Dat is de kloof.

Een hoog rendement en een lage uitkeringsratio vertellen je iets. Maar ze vertellen je niet alles. Een bedrijf kan vandaag een gezonde uitkeringsratio laten zien terwijl zijn vrije kasstroom al acht kwartalen krimpt. Het getal ziet er goed uit. De trend niet.

De meeste screeners tonen je de momentopname. Ze tonen je niet de film.

De architectuur achter deze opzet

Wat is MCP?

MCP staat voor Model Context Protocol — een open standaard geïntroduceerd door Anthropic.

Zie het als USB-C voor AI. Vóór MCP vereiste het verbinden van een AI-model met een externe gegevensbron aangepaste integratiecode voor elke afzonderlijke API. Een ander script, een andere authenticatiestroom, een ander dataformaat. Voor elk afzonderlijk.

MCP vervangt dat allemaal met één enkele standaard. Één verbinding. Volledige toegang.

In plaats van te raden op basis van trainingsdata, kan de AI nu API's bevragen, live data ophalen en workflows in realtime uitvoeren — direct vanuit het gesprek.

Het probleem dat het oplost

De meeste AI-tools hebben een hard plafond: hun kennisafsluitingsdatum.

Vraag Claude naar de winst van NVIDIA van twee jaar geleden — het weet het. Vraag het naar de vrije kasstroom van het afgelopen kwartaal — het raadt. En zelfverzekerd klinkende gissingen op basis van verouderde data zijn erger dan helemaal geen antwoord, omdat ze geloofwaardig lijken.

Zonder MCP ziet een typische analistenworkflow er zo uit:

• Open een screener voor initiële filtering
• Exporteer naar Excel, hervorm de kolommen
• Open een tweede tabblad voor winst-en-verliesrekeningen
• Een derde voor dividendgeschiedenis
• Een vierde voor analistenconsensus

Dan beginnen met de eigenlijke analyse.

De bottleneck is niet intelligentie. Het is infrastructuur.

Hoe MCP de workflow verandert

Met een MCP-gekoppelde gegevensbron zoals EODHD reduceert de workflow naar één enkele laag:

1. Je stelt een vraag in natuurlijke taal — "Welk van deze aandelen heeft het veiligste dividend?"

2. Claude interpreteert de intentie — het begrijpt dat je rendement, uitkeringsratio, FCF-dekking en dividendgeschiedenis nodig hebt.

3. Claude selecteert de juiste MCP-tools — het roept automatisch de endpoints van EODHD aan, zonder dat jij aangeeft welke.

4. EODHD retourneert live data — rechtstreeks afkomstig van beurzen en regelgevende archieven, niet gecached of geschat.

5. Claude synthetiseert en reageert — met gestructureerde analyse, niet een tabel met ruwe cijfers.

De taak van de analist verschuift van dataverzameling naar oordeelsvorming. Dat is precies waar hun expertise daadwerkelijk ligt.

Waarom specifiek EODHD

Niet alle financiële data-API's zijn gelijk — en het kwaliteitsverschil telt zwaarder wanneer AI de redenering uitvoert.

EODHD biedt:

• 150.000+ tickers op 70+ beurzen
• Volledige financiële overzichten — winst-en-verlies, balans, kasstroom
• Dividendgeschiedenis tientallen jaren terug, gecorrigeerd voor corporate actions
• Analistenschattingen en consensusdata
• Insidertransacties afkomstig van regelgevende archieven
• Macro-indicatoren voor analyse over meerdere datasets
• Eigen MCP-server — één verbinding, volledige datasettoegang in Claude

Wanneer Claude redeneert op EODHD-data, schat het niet. Het haalt op. Dat onderscheid maakt de output betrouwbaar genoeg om op te handelen.

Waarom EODHD de vergelijking verandert

Voordat we in de sessie duiken, is één punt belangrijk:

De kwaliteit van de data bepaalt de kwaliteit van de analyse.

EODHD biedt financiële data van institutionele kwaliteit via een overzichtelijke REST API — slotkoersen, volledige financiële overzichten, dividendgeschiedenis, winstschattingen en fundamentals voor 150.000+ tickers op 70+ beurzen. Data rechtstreeks afkomstig van beurzen en regelgevende archieven, niet gescraped of geaggregeerd via niet-officiële feeds.

Wanneer Claude redeneert op EODHD-data, werkt het niet met verouderde momentopnames of geschatte cijfers. Het werkt met dezelfde onderliggende data-infrastructuur die serieuze financiële tools aandrijft.

Dat onderscheid maakt de onderstaande screenersessie nuttig — en niet slechts een demo.

👉 Begin gratis met EODHD hier — de gratis laag omvat historische EOD-data en toegang tot fundamentals.

De opzet: EODHD + Claude in 2 stappen

EODHD biedt een eigen MCP-server. Eenmaal verbonden heeft Claude directe toegang tot de volledige dataset van EODHD in natuurlijke taal — geen code, geen aangepaste integratie.

Stap 1 — Haal je EODHD API-sleutel op

Maak een account aan op eodhd.com. De gratis laag dekt historische data en fundamentals — voldoende om alles in dit artikel te repliceren.

Stap 2 — Voeg het toe aan Claude

In Claude.ai: Instellingen → Connectors → Aangepaste connector toevoegen → plak je EODHD MCP URL → noem het "EODHD" → Toevoegen.

Start een nieuwe chat. De tools van EODHD zijn nu automatisch beschikbaar voor Claude.

De URL heeft het volgende formaat: https://mcpv2.eodhd.dev/v2/mcp

Je ziet de lijst met data-endpoints

De sessie: de screener bouwen in gesprek

Ik gaf Claude een beginlijst van tien dividendbetalende aandelen uit verschillende sectoren: JNJ, KO, PG, T, MO, ABBV, PEP, VZ, O, XOM.

Klassieke kandidaten voor een inkomstenportefeuille. Sommige met tientallen jaren opeenvolgende dividendverhogingen. Sommige met rendementen hoog genoeg om vragen op te roepen.

Vervolgens begon ik te vragen.

Vraag 1: "Rangschik deze tien aandelen op dividendrendement en vertel me welke er duurzaam uitzien."

Claude haalde actuele rendementsdata en uitkeringsratio's op van EODHD voor alle tien tickers tegelijkertijd, en kruisverwees vervolgens elk ervan met vrije kasstroomdekking — een stap die ik niet had gevraagd.

De output was geen gesorteerde tabel. Het was een gelaagde analyse:

Tier 1 — Hoog rendement, sterke dekking: Altria (MO) en Realty Income (O) stonden bovenaan de rendementsranking, maar met belangrijke kanttekeningen. De uitkeringsratio van MO is hoog naar conventionele maatstaven — toch heeft de vrije kasstroomgeneratie het dividend consequent met ruimte gedekt. O structureert zijn dividenden rondom AFFO, niet winst, wat de uitkeringsratio-berekening volledig verandert.

Tier 2 — Matig rendement, zeer veilig: KO, PG, PEP. Lagere rendementen maar een dividendgeschiedenis van fortressniveau. Claude markeerde alle drie als Dividend Kings zonder dat ik erom vroeg — en haalde die context uit de fundamentalsdata.

Tier 3 — Hoog rendement, het volgen waard: T en VZ laten beide verhoogde rendementen zien die deels worden gedreven door gecomprimeerde waarderingen. Claude merkte op dat beide hoge schuldlasten beheren terwijl ze dividenden handhaven — een combinatie die nauwere monitoring rechtvaardigt, niet onmiddellijke uitsluiting.

Wat normaal een uur aan tabwisselen zou kosten, duurde ongeveer 12 seconden.

Vraag 2: "Laat me de 10-jarige dividendgeschiedenis zien van de drie hoogst renderende aandelen en markeer eventuele kortingen of bevriezingen"

Claude haalde de volledige dividendgeschiedenis van EODHD op voor MO, T en VZ over tien jaar, ordende dit chronologisch en markeerde elk jaar waarin het dividend vlak werd gehouden of verlaagd.

Het resultaat bracht iets belangrijks aan het licht: AT&T heeft zijn dividend gekort in 2022 na de WarnerMedia-afsplitsing — een zet die het inkomstenprofiel aanzienlijk veranderde. Claude vermeldde dit expliciet, met het kwartaal en het percentage van de verlaging, rechtstreeks afkomstig uit de dividendgegevens van EODHD.

Niet geraden. Niet benaderd. Opgehaald.

Dit is het soort signaal dat verloren gaat wanneer je alleen naar het huidige rendement kijkt. Een aandeel dat drie jaar geleden zijn dividend heeft gekort en sindsdien is gestabiliseerd, is een heel andere investering dan een aandeel met een ononderbroken 30-jarig trackrecord — zelfs als het huidige rendement identiek lijkt.

Vraag 3: "Haal voor de Dividend Kings in deze lijst de laatste 8 kwartalen van vrije kasstroom op en vertel me of het dividend moeilijker te dekken wordt"

Claude haalde kwartaallijkse kasstroomoverzichten op van EODHD voor KO, PG en PEP, berekende de vrije kasstroom-uitkeringsratio voor elk kwartaal en bracht de trend richtinggevend in kaart.

De analyse van Coca-Cola was bijzonder scherp: sterke en stabiele FCF-dekking gedurende de gehele periode, met dekkingsratio's die consequent boven 70% lagen — gezond voor een volwassen consumentengoederen bedrijf met voorspelbare kasstromen.

Procter & Gamble vertoonde een vergelijkbaar patroon, met één kwartaal van compressie die Claude terecht toeschreef aan verhoogde capex tijdens een uitbreidingscyclus van faciliteiten — zichtbaar in de kapitaaluitgavenregel van hetzelfde kasstroomoverzicht.

Het beantwoordde niet alleen de vraag. Het verklaarde de anomalie.

Vraag 4: "Als ik een dividendportefeuille van 5 aandelen uit deze lijst moest bouwen gericht op inkomenszekerheid — niet maximaal rendement — welke zou je dan kiezen?"

Claude synthetiseerde alles wat het al had opgehaald — dividendgeschiedenis, FCF-dekkingstrends, uitkeringshoudbaarheid, schuldniveaus — en bouwde een gestructureerd argument voor vijf posities.

De aanbeveling: KO, PG, PEP, O, ABBV.

De redenering voor elke uitsluiting was expliciet:

• T: geschiedenis van dividendkortingen + aanhoudende druk op schuldvermindering
• VZ: vergelijkbare zorgen, lagere FCF-groeibaan
• MO: vandaag houdbaar, maar het risicovolle businessmodel op lange termijn vereist een aparte beslissing
• XOM: dividend is solide, maar grondstoffenblootstelling conflicteert met een mandate voor inkomenszekerheid
• JNJ: recente Kenvue-afsplitsing verandert de historische vergelijkbaarheid van dividenddata

Dat is het soort gestructureerde redenering dat in een echte portefeuilleconstructiebeslissing gaat. Niet een lijst met tickers met rendementspercentages eraan gekoppeld.

Wat dit verandert voor inkomensbeleggers

De standaard workflow voor dividendanalyse omvat ten minste vier afzonderlijke tools: een screener voor initiële filtering, een financiële gegevensbron voor overzichten, een dividendgeschiedenistracker en iets om analistbeoordelingen of macrocontext te kruisrefereren.

Elke tool beantwoordt één vraag. De antwoorden verbinden is handmatig werk.

Met EODHD + Claude vindt de verbinding plaats in het gesprek. Je stelt een vraag die meerdere datatypes omspant — rendement, geschiedenis, FCF, dekkingsratio, sectorcontext — en krijgt een gesynthetiseerd antwoord, niet vier afzonderlijke outputs die je zelf moet verzoenen.

De verschuiving in cognitieve belasting is significant.

Je gaat van verzamelen naar oordelen. De data-assemblage is geautomatiseerd. Het eigenlijke beleggingsdenken is wat je overhoudt.

Wat je hiervandaan kunt bouwen

Zodra EODHD is verbonden, kun je uitvoeren:

• Dividendgroei-screeners — identificeer bedrijven met 10+ opeenvolgende jaren van dividendverhogingen, gefilterd op sector en uitkeringsratio-bereik
• Rendementsvaldetecter — markeer aandelen waarbij hoog rendement correleert met verslechterende FCF of stijgende schulden
• Dividendveiligheidsscores — bouw een samengestelde score van uitkeringsratio, FCF-dekking en dividendgeschiedenis tot één betrouwbaarheidsranking
• Pre-kwartaalcijfers dividendrisicoscontroles — haal vóór een kwartaalrapport de FCF-trend op en vraag Claude of de dividenddekking in gevaar is
• Sectorinkomenvergelijkingen — "Vergelijk gemiddeld dividendrendement en uitkeringsratio's in consumentengoederen, nutsbedrijven en REITs"

De infrastructuur is er al. De data is live. De interface is een vraag.

De meeste dividendbeleggers hebben geen gebrek aan toegang tot data.

Ze hebben geen tijd om het te verbinden.

Dat is het probleem dat deze opzet oplost — en waarom de screener die je in een gesprek bouwt nuttiger is dan de screener die je in een spreadsheet bouwt.

👉 Ga aan de slag met EODHD hier — schone dividendgeschiedenis, volledige fundamentals en MCP-ondersteuning voor AI-agenten.

Op zoek naar technische content voor je bedrijf? Ik kan helpen — LinkedIn · kevinmenesesgonzalez@gmail.com

I Asked Claude to Build Me a Dividend Screener Using EODHD — Here's What It Found werd oorspronkelijk gepubliceerd in Coinmonks op Medium, waar mensen het gesprek voortzetten door dit verhaal te markeren en erop te reageren.