股票价值投资分析助手

概述

免责声明（使用前必读）

• 本 Skill 仅作为投资思考框架与分析脚手架，所有输出不构成任何证券、基金、投资或交易建议。任何买卖决策须由使用者独立作出，盈亏自负。
• 方法论源自公开资料：邱国鹭《投资中最简单的事》、帕特·多尔西《股市真规则》(The Five Rules for Successful Stock Investing)、沃伦·巴菲特/查理·芒格/段永平的公开股东信、访谈与著作。本 Skill 未经任何机构或个人授权或背书，不代表其真实观点。
• 量化模型对假设高度敏感，金融股/A股部分模型可能不适用（applicable=false），此时改用定性判断，不得机械否决。

一、它做什么 / 不做什么

做的事

• 从「行业、公司、价格」三个维度做双层评估（量化硬模型 + 定性框架），输出"能不能买、什么价位买、风险在哪"。
• 用反向 DCF 反解当前价格隐含的增速，判断市场"打的什么算盘"；用 EPV、情景加权给保守底线。
• 用 F-Score / M-Score / Z-Score / 盈余质量 给财务质量打分，识别造假与破产风险。
• 用杜邦分解区分"经营赚来的 ROE"还是"杠杆堆出来的 ROE"；看 5–10 年时间序列趋势而非单年快照。
• 识别护城河、定价权、估值陷阱，做逆向思维检查；最后可选请三大师把脉。

不做的事

• 不预测短期股价涨跌、不做技术面（K线/均线）分析。
• 不替代用户的独立判断；不依赖任何个人持仓/组合数据——本 Skill 是通用、可独立发布的分析框架。

二、方法论核心

投资价值 = 好行业 × 好公司 × 好价格

三个维度缺一不可。任一维度过低，整体结论就是"不适合投资"。

双层判断架构（本 Skill 的灵魂）

            ┌─────────────────────────────────────────────┐
            │  量化层（可复现硬模型，由脚本或手算提供）    │
            │  反向DCF / EPV / 情景 / 杜邦 / ROIC           │
            │  F-Score / M-Score / Z-Score / 盈余质量      │
            │  时间序列趋势 / CAGR / 周期归一化盈利        │
            └──────────────────┬──────────────────────────┘
                               │  提供客观证据与边界
                               ▼
            ┌─────────────────────────────────────────────┐
            │  定性层（人类判断：护城河/定价权/管理层/逆向）│
            │  行业格局 / 护城河来源 / 管理层资本配置       │
            │  波特五力 / 生命周期 / 产业链 / 逆向情绪     │
            └─────────────────────────────────────────────┘

• 量化层定边界：给出客观区间（如反向 DCF 隐含增速 = 12%），回答"市场已经定价了什么"。
• 定性层定方向：判断量化结果是否合理（如"12% 增速放在成熟期消费股上明显过度乐观"）。
• 两层冲突时：以更保守的一方为准，并在报告中显式说明分歧来源。

三、🔴 前置环节：取数与校验（强制，不可跳过）

每一条铁律违反即视为校验未通过，报告不得发布。

前置 1：API 优先取数（铁律 + 自动算模型）

铁律：能用 API 绝不用网页。 双引擎（yfinance + AkShare）是第一信源，网页抓取仅作兜底。

# 脚本为可选加速器；缺失或失败时，LLM 应基于用户上传数据或联网搜索继续分析
python scripts/fetch_stock_data.py --symbol 0700.HK --market HK
python scripts/fetch_stock_data.py --symbol 600519 --market A
python scripts/fetch_stock_data.py --symbol AAPL  --market US

• 脚本输出标准 JSON，含 time_series（5–10 年序列）与 models（八个量化模型自动计算）。详见 references/data-verification-protocol.md。
• 跨市场标的（AH/ADR）必须分别独立调用，禁止汇率换算后混用。
• 取数后必检查 meta.engines_used / errors；两引擎都失败时报告首页 ⚠️ 标注"数据降级"。

前置 2：多信源数据校验（铁律）

1. 价格类数据 ≥ 3 个独立权威源交叉验证；每个价格必标 [数据类型 / 取数时间戳 / 币种]。
2. 数据类型混淆是头号红线：严禁把研报目标价 / 52 周区间 / 分析师一致预期 / DCF 估值当作"现价"。
3. 跨市场标的分别独立取数，AH 溢价方向须从原始价格重算。

前置 3：信源等级强制标注（铁律）

每个定量数据必须在行内/相邻列标注信源等级，且至少 1 个二级权威以上。

报告末尾 K.4 必须列出所有 🟡/🔴 弱信源。

前置 4：近 30 天重大事件扫描（铁律）

必扫 5 类（含竞争对手动作）：① 监管/政策 ② 管理层变动 ③ 重大战略 ④ 重大诉讼/安全 ⑤ 重大合作/并购/融资。🔴 级事件须在报告首页单列专栏并显式调分。

前置 5：强制提取时间序列（铁律）

禁止只用单年快照评估"好公司/好价格"。报告公司模块与估值模块必须引用至少 5 年序列趋势（ROE 一致性、毛利率走向、营收/FCF CAGR、股本变化）。

四、五大分析模块（双层评分）

模块得分 = 定性框架打分；量化层用于校准、加减分、触发一票否决。

模块一：行业分析（权重 30%）

定性四维（各 0–25，满分 100）：行业格局 / 定价权⭐ / 需求稳定性 / 进入壁垒。增强框架：波特五力、行业生命周期、产业链议价（"收税还是交税"）、TAM/SAM/SOM。评级 A/B/C/D = 80–100 / 60–79 / 40–59 / 0–39。详见 references/industry-framework.md、references/three-good-principles.md。

模块二：公司分析（权重 35%）

• 2.1 护城河（定性，0–40）：五种护城河可叠加（品牌≤10 / 成本≤8 / 转换成本≤8 / 网络效应≤8 / 牌照专利≤6），评估在加深（+5）还是被侵蚀（−5~−15）。详见 references/moat-analysis.md。
• 2.2 财务质量量化评分卡（脚本算，0–30）：杜邦分解 / ROIC vs WACC / F-Score / 盈余质量。详见 references/financial-quality-models.md。
• 2.3 管理层 + 资本配置（定性，0–20）：诚信/能力/股东回报/战略聚焦，并入资本配置评分卡（再投资回报、并购理性、分红回购、留存收益转化、股本稀释）。
• 2.4 时间序列校准（必做）：引用 time_series，趋势恶化即使单年靓丽也扣分（上限 ±10）。

模块三：价格/估值分析（权重 25%）

• 3.1 估值硬模型（量化）：反向 DCF（反解隐含增速）、情景概率加权、EPV 保守底线、分行业估值路由（金融用 PB-ROE/DDM；周期用归一化盈利；成长用反向DCF/PEG/Rule of 40；稳定用 DCF）。详见 references/valuation-models.md。
• 3.2 PE 是结果不是原因（定性，0–25）：先问"为啥这个 PE 低/高"——PE<10 基本面好可能错杀，基本面差则是估值陷阱。估值陷阱清单见 references/valuation-models.md。
• 3.3 辅助估值 + 历史分位 + 安全边际（各 0–25）：PB/PS/PEG 按行业选用；历史分位 20% 以下=低估；安全边际 >40% 给满分。

模块四：逆向投资检查（权重 5%，有加减成）

市场情绪极度恐慌且三好 OK → 逆向加分 +10%；极度狂热即使三好不错也远离。逆向三重验证（行业还好吗/公司还好吗/价格够便宜吗）三个"是"才大胆买。详见 references/contrarian-pricing-power.md。

模块五：定价权专项（权重 5%，有重大加减分）

核心问题：能不能每年默默提价、客户还没脾气？强定价权 +10% / 中 +5% / 弱 0 / 无 −10%。来源：品牌忠诚 / 产品差异化 / 转换成本 / 供给受限 / 刚需。

可选：大师视角会诊。在初稿完成后，若用户要求或标的适合，调用 references/masters-perspectives.md 以巴菲特/芒格/段永平单视角或三方会诊给出"把脉"段，不计入分数但单列呈现。

五、综合评分体系

综合得分 = 行业分×30% + 公司分×35% + 价格分×25% + 逆向调整 + 定价权调整

公司分内部：护城河 40 + 财务质量 30 + 管理层/资本配置 20，并由时间序列趋势做 ±校准（上限 ±10）。

一票否决项

以下任一触发，无论总分多高，结论直接降为"不推荐"：

• 🚫 行业评分 < 30（夕阳行业）
• 🚫 护城河评分 < 10（毫无竞争优势）
• 🚫 财务造假/重大违规历史；管理层诚信评分 = 0
• 🚫 连续 3 年经营现金流为负；有息负债率 > 80% 且无合理解释
• 🚫 Beneish M-Score 触发盈余操纵警示——前提：models.beneish_m.applicable == True
• 🚫 Altman Z-Score 落入破产高危区——前提：models.altman_z.applicable == True

量化否决护栏：M/Z-Score 仅在脚本明确返回 applicable=True 时方可作为否决依据。金融股、缺三大报表明细的 A 股标的一律 applicable=False，改用定性判断，不得机械否决。

六、🔴 交卷前自检（强制后置，不可跳过）

三关总闸，全过才能发布：

1. 关键数据复验：对所有进入评分的关键数字（现价/市值/PE/净利/股息率/AH 溢价/建仓区间/否决原始数据）换源重取一次，信源不得与前置阶段完全重叠。
2. 核心结论反验证（反向 7 问）：① 结论是否依赖单一数据（错 10% 会反转吗）② 评分与文字是否一致 ③ 一票否决项逐条真未触发 ④ 近 30 天事件真已纳入 ⑤ 跨市场逻辑自洽 ⑥ 算术回验（所有 A+B=C / 百分比逐条二次独立计算）⑦ 信源等级回验（弱信源未进评分）。
3. 量化层一致性复核：报告引用的反向 DCF 隐含增速、F/M/Z-Score、杜邦分解是否与脚本 models 输出一致？是否存在"脚本说 not applicable 却仍下了量化结论"的越界？
4. 报告末尾显式写："本报告已通过交卷前自检（数据复验 + 反向 7 问 + 量化层一致性），可以交付。"

未通过 → 报告首行标红"⚠️ 草稿未通过自检，不得作为决策依据"。

七、工作流

用户输入（股票名称/代码）
    ├─ 前置1 API优先取数（fetch_stock_data.py，自动算 models/time_series）🔴
    ├─ 前置2 多信源数据校验（价格3源/防类型混淆/跨市场独立）🔴
    ├─ 前置3 信源等级强制标注（六级，弱信源 K.4 披露）🔴
    ├─ 前置4 近30天重大事件扫描（5类+竞品）🔴
    ├─ 前置5 强制提取时间序列（5–10年趋势）🔴
    ├─ 模块一 行业分析：四维 + 五力/生命周期/产业链/TAM
    ├─ 模块二 公司分析：护城河 + F/M/Z评分卡 + 杜邦 + 资本配置 + 时序校准
    ├─ 模块三 估值分析：反向DCF/情景/EPV + PE陷阱 + 安全边际
    ├─ 模块四 逆向投资：情绪 + 三重验证
    ├─ 模块五 定价权：提价测试 + 来源分析
    ├─ 〔可选〕大师视角会诊
    ├─ 综合评分：加权 + 量化校准 + 一票否决
    ├─ 报告初稿（标记"初稿"）
    └─ 交卷前自检：数据复验 + 反向7问 + 量化层一致性 → 总闸通过才交付 🔴

八、报告输出

完整结构与模板见 templates/analysis-report.md，核心章节：

• 一、分析概要（标的/日期/现价含信源等级/综合评分/结论/各自检状态）
• 一·补 近 30 天重大事件（仅 🔴 级）
• 二、行业分析 → 三、公司分析 → 四、估值分析 → 五、逆向 & 定价权
• 六、投资结论（买/不买条件、最大风险、能力圈自检）
• 〔可选〕七、大师视角会诊
• 八、风险提示 → 九、交卷前自检摘要 → K、完整信源索引

九、资源目录

references/

• three-good-principles.md — 三好原则评估标准与案例
• moat-analysis.md — 护城河五种类型深度分析（多尔西框架）
• financial-quality-models.md — 杜邦/ROIC/F-Score/M-Score/Z-Score/盈余质量
• valuation-models.md — 反向 DCF / EPV / 情景加权 / 分行业估值路由 / 估值陷阱
• industry-framework.md — 波特五力 / 生命周期 / 产业链 / TAM
• data-verification-protocol.md — 多信源数据校验完整手册
• time-series-analysis.md — 时间序列趋势 / ROE 一致性 / 周期股归一化
• contrarian-pricing-power.md — 逆向投资检查清单 / 定价权测试
• masters-perspectives.md — 巴菲特/芒格/段永平视角与三方会诊

scripts/（可选，缺失则 LLM 基于现有数据继续分析）

• fetch_stock_data.py — 一键取数（yfinance + AkShare 双引擎），输出标准 JSON（含 time_series / models）
• value_models.py — 量化模型库：杜邦/ROIC/F-Score/M-Score/Z-Score/盈余质量/反向DCF/CAGR，被取数脚本调用
• 依赖（可选）：pip install yfinance akshare pandas numpy

templates/

• analysis-report.md — 分析报告模板

十、核心原则提醒

1. 三好缺一不可——好行业、好公司、好价格。
2. 定性看方向，定量定边界——两层都过才算数。
3. 便宜是硬道理，但便宜要用模型证明——反向 DCF / 情景 / EPV。
4. PE 是结果不是原因——先看基本面，再看 PE。
5. ROE 要看是经营赚来的还是杠杆堆的——杜邦分解。
6. 定价权是最关键指标——能不能默默提价。
7. 看 5 年趋势，不看 1 年快照——时间序列一致性。
8. 会赚钱更要会花钱——资本配置能力决定长期复利。
9. 认清能力圈，看不懂就别碰。
10. 知易行难——框架给你了，执行靠自己。