Agent Skill

股票价值投资分析助手

一个"能算、能查、还能把脉"的价值投资分析助手。融合邱国鹭《投资中最简单的事》"三好原则"(好行业/好公司/好价格)、帕特·多尔西《股市真规则》护城河框架、安全边际思想,叠加一套可复现的量化硬模型(反向DCF/EPV/情景加权/杜邦/ROIC-WACC/Piotroski F-Score/Beneish M-Score/Altman Z-Score/盈余质量/时间序列),并可选接入巴菲特·芒格·段永平三大师视角会诊。覆盖 A股/港股/美股。量化定边界,定性定方向,两层都过才算数。Use when user needs to (1) 系统分析一只股票是否值得价值投资 (2) 评估行业格局/护城河/定价权 (3) 用 DCF 或反向 DCF 判断当前价格贵不贵 (4) 检查财务质量与造假/破产风险 (5) 计算安全边际与买卖区间 (6) 用巴菲特芒格段永平视角把脉一家公司。

行业专业·LXAI·来自 skill_hub·skillhub.cn ↗
skillhub install @laoxi/stock-value-invest
30 Stars·6.9万 综合热度·5,943 字文档·源站更新 2026-11-22

README 文档

5,943 字

股票价值投资分析助手

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。

🟢🟢🟢🟢 T0🟢🟢🟢 T1🟢🟢 T2🟢 T3🟡 T4🔴 T5
API 直取一级官方(年报/交易所)二级权威(彭博/财新/券商深度)三级参考单源/弱源传闻

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)。

综合得分结论建议
80–100⭐强烈推荐三好齐备,可重仓
70–79🟢推荐标准仓位买入
60–69🟡可关注小仓位或等更好价格
50–59🟠观望短板明显,跟踪暂不建仓
40–49🔴不推荐问题较多
<40❌远离不符合任何价值投资条件

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)

  • fetchstockdata.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。

同分类其他技能

查看全部 ›