九章个股深研投研技能
让 AI 按机构投研纪律完成事实可追溯、估值可复算、结论可审计的深度个股研报与财报分析。
SKILL.md 明确禁止执行交易/下单、要求沙箱内处理用户数据、对外部抓取内容做防注入处理（仅作待核验数据）、数据缺失标注'未获取到'、输出附来源与时间戳；无越权权限或隐蔽数据外流的迹象。扣分：无用户确认节点、依赖外部连接器与联网抓取的透明度依赖实现、发布者身份未经验证，恢复/回滚机制未述。未达满分。
工作流自洽（六步流程、必读文件、检查器 P0/P1 闭环），仓库含真实 CI（语法校验、unittest、demo 运行）与针对 check_research_output.py 的单元测试。扣分：可见测试未覆盖 dcf.py 的关键估值路径；脚本仅在环境具备 Python/代理代码环境时可运行，异常输入下的失败反馈质量未经证实；静态审查无法验证端到端可复现，按上限不高于 10+ 的区间取 11。
触发条件定义极细（公司名/代码+投研意图即触发），明确列出非适用范围（一句话报价、宏观、组合配置、高频交易），覆盖中/英双语输出、A股/港股/中概结构，对中文用户环境适配好。扣分：'只要出现公司名+投研意图就应触发'存在对轻度提问误触发的风险；依赖联网抓取境外申报/行情源，在中国大陆网络的可达性未评估。
文档分层清晰（SKILL.md→references→industries→scripts），含安装说明、依赖表、MIT 许可证、tag 触发的版本化发布工作流、示例报告。扣分：无 changelog 文件、维护责任与更新路径仅隐含于个人作者、示例数据源与实际环境可能不一致需用户自行判断。
设计目标明确且差异化（可复算估值、预期差主线、财报质量否决项），宣称的产出格式具体，边际价值高于通用摘要。扣分：静态审查无法验证示例报告是否可直接使用；'最深度的 AI 投研 Skill'属营销措辞；产出质量依赖执行环境的数据可得性，比较收益证据有限，按静态上限 7 以下计 6。
仓库提供三类可核对证据：真实 CI 工作流、针对检查器的单元测试、两份示例报告（NVDA/GOOGL 中英），且估值要求 JSON 留档可复算。扣分：示例数据无法独立复核、dcf.py 数值正确性无测试证据、结论与事实的分离纪律未经执行验证，按静态上限 5 计。
- 本评估为静态源码审查（低置信度），未执行任何脚本或复现示例报告。
- 可见单元测试覆盖检查器脚本，未覆盖 dcf.py 的估值计算正确性；重大估值决策前应自行复算关键数字。
- 技能依赖联网抓取监管申报与行情数据，在中国大陆网络环境下对境外数据源的可达性未经验证，可能出现大量'未获取到'标注。
- 产出仅为研究参考，非投资建议；结论标签与仓位参考不应直接作为交易依据。
- 宽泛的触发条件可能在用户仅询问股价等轻量问题时误触发深度流程，消耗大量时间与 token。
- 发布者身份未经企业注册库验证，维护可持续性依赖个人作者。
这个 Skill 能做什么，适合哪些场景？
这是一个面向二级市场个股研究的 Agent Skill，把“研究某只股票”的请求转化为接近机构纪律的深度研报。它以预期差（市场隐含预期 vs 独立预期）为分析主线，估值前先做财报质量核查（应计质量、Beneish M-Score），估值至少用三种方法交叉验证且全部由脚本计算留档。支持完整模式（九章个股研报）与财报模式（九章财报深度分析），覆盖美股、港股、A股，含 A/H 双重上市与中概 VIE/ADR 结构分析。默认交付一份带来源与时间戳的 PDF 报告。
读取 SKILL.md 及 references/ 下的模板、行业规则与取数手册，按六步流程工作：确认标的与口径后并行采集一手披露、行情估值锚、一致预期与行业宏观数据；对关键数字做来源对账并执行财报质量核查（应计比率、M-Score、收入确认红旗），输出 A–D 财报可信度等级；按九章结构撰写报告，第一章含决策三分法与预期差 Gap 表；用 scripts/dcf.py 运行反向 DCF+PVGO、三情景概率加权 DCF、EPV、EVA 等估值（假设写 JSON、禁止心算），可选蒙特卡洛；成稿前运行 scripts/check_research_output.py 一致性检查并做反方论证；最终保存并交付一份报告（默认 PDF，可选 .md/.docx/.xlsx），估值假设与脚本输出仅作内部工作文件留档。
- 首次系统研究一家公司的个人投资者，需要业务、竞争、财务、估值的完整底稿而非新闻摘要。
- 公司发布季报/年报/电话会后，想判断“这份财报到底改变了什么”的持有人，用财报模式拆解预期差、指引与估值变动。
- 撰写投资备忘录的长线投资者，需要可审计、可复盘、预测带验证日期的研究结论。
- 覆盖宁德时代等 A/H 双重上市或中概 VIE/ADR 标的的投资者，需要分市场对比与结构风险定价。
- 研究 SaaS、半导体、银行、医药等行业时，需要行业专用 KPI（ARR、NRR、NIM、临床概率等）改变模型与估值框架的分析者。
这个 Skill 有哪些优点和局限？
- 估值全部由 scripts/dcf.py 脚本执行并留 JSON 假设，禁止心算，结论可复算。
- 财报质量核查（应计、M-Score）先于估值，C/D 级可信度直接否决买入动作。
- 以预期差为主线，要求可证伪的独立观点，不做无分歧的买卖建议。
- 关键数据强制来源+时间戳，冲突对账，缺失如实标注“未获取到”。
- 支持 20 类行业附录与多市场（美/港/A股、A/H、中概 VIE/ADR），非通用模板套用。
- 设计取向 depth first：流程重、产出慢，不适合要一句话结论的场景。
- 联网搜索/抓取为建议依赖，离线使用需用户自行提供全部材料。
- PDF 输出依赖 pdf 技能或 md→PDF 工具链，缺失时降级为 .md。
- 仓库提供 NVDA 与 GOOGL 两个示例产出，但没有系统化的测试套件，各平台/连接器下的实际表现需自行验证。
- 产出仅为研究参考，不构成投资建议，最终决策与后果由使用者承担。
如何安装这个 Skill？
最简单方法：把仓库链接 https://github.com/rollingSirius/equity-research-skill 发送给支持 skill 的 AI 工具并请求安装。Claude Code：运行 git clone https://github.com/rollingSirius/equity-research-skill.git ~/.claude/skills/equity-research（个人级）或克隆到项目 .claude/skills/ 下（项目级）。Claude Desktop / Cowork：将仓库打包为 zip，在 Settings -> Capabilities -> Skills 中上传。Codex / 其他 Agent：将仓库放入项目目录（如 skills/equity-research/），并在 Agent 配置中注明需要研究股票时先读取并遵循 SKILL.md。本机无需预装 Python，脚本可在 Agent 自带代码环境或在线 notebook 运行（脚本仅用标准库）。
如何使用这个 Skill？
自然语言即可触发，例如：“帮我研究一下 NVDA”“分析下 Marvell 值不值得买”“深度分析一下 AAPL 最新财报”“腾讯最新业绩怎么看？按财报模式做深度分析”。也可显式指定：Claude Code 中用 /equity-research 分析 NVDA；其他 Agent 用“先读取 skills/equity-research/SKILL.md 并按其流程执行，然后研究 <股票>”。未指明格式时默认交付 PDF，可在请求中指定 .md/.docx/.xlsx（估值 workbook）。不适合一句话问涨跌或高频交易信号。