这个 Skill 能做什么，适合哪些场景？
本技能是 AI Berkshire 投资研究框架的一部分，定义了一套严格的财务数据获取与交叉验证流程。它针对美股、港股、A股、台股分别指定了主备数据源，并要求每个关键财务指标必须从两个独立来源获取，误差超过1%即须标记，超过5%则必须查原始财报。技能内嵌了台股数据抓取工具（基于 FinMind API）和财务严谨性校验工具，并规定了历史价格复权口径的选用规则，防止因数据口径混用导致分析失真。
该技能执行以下操作：1) 根据标的市场（美股/港股/A股/台股）选择对应的主备数据源（如 macrotrends、stockanalysis、aastocks、东方财富、FinMind API 等）；2) 对每个财务指标（收入、净利润、毛利率等）从两个独立来源取数；3) 计算误差率并分级标记（≤1%一致，1%-5%差异，>5%重大差异需查原始财报）；4) 使用 tools/financial_rigor.py 进行市值验算、估值验算、多源交叉验证、三情景估值和 Benford 定律检测；5) 对台股调用 tools/twstock_data.py 获取行情、估值、财务、月营收、股利等数据；6) 在报告头部注明数据截止日期，并标注所有数据的来源与误差。
- 个人投资者在分析美股（如 PDD、腾讯 ADR）时，需要确保财务数据的准确性，可调用此技能从 macrotrends 和 stockanalysis 交叉验证。
- 投研人员研究港股（如腾讯 0700、网易 9999）时，可用 aastocks 与 microtrends（TCEHY/NTES）对照，并核对港交所原始年报。
- A股投资者分析股票（如三七互娱、吉比特）时，可从东方财富和巨潮资讯获取数据并交叉验证。
- 分析台股（如台积电、联发科）时，使用 FinMind 工具脚本获取月营收、股利等高频数据，并与 Goodinfo 或 ADR (TSM) 进行核对。
- 任何涉及历史股价、估值分位或长期回报的分析，需遵循前复权/后复权规则，确保数据口径一致。
如何安装这个 Skill？
- 技能依赖的多个外部数据源（macrotrends、stockanalysis、aastocks、eastmoney等）在中国大陆可能无法直接访问，建议提供替代方案或确认网络可达性。
- FINMIND token 虽被要求只存本机，但技能中未明确沙箱隔离或最小权限原则，使用时应确保不在不信任环境运行。
- 该技能未包含用户确认机制，可能自动执行外部调用和数据处理，请评估其对用户环境的影响。
- Shell / 命令行
- 网络访问
- 本地文件系统
Python 3
该技能是 ai-berkshire 仓库中 codex-skills/financial-data/SKILL.md 的一部分。安装整个仓库后，将 codex-skills/financial-data 文件夹复制到 ~/.codex/skills 目录（Codex）或对应的 Claude Code 命令目录。具体安装脚本：git clone https://github.com/xbtlin/ai-berkshire.git；cd ai-berkshire；./scripts/install-codex-skills.sh（macOS/Linux）或 .\scripts\install-codex-skills.bat（Windows）。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/xbtlin/ai-berkshire.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/codex-skills/financial-data" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 使用 financial-data 获取腾讯的财务数据
在 Codex 中重启后，输入类似『使用 financial-data 获取腾讯的财务数据』的指令。技能执行时会先运行 date 命令确认当前日期，然后根据目标市场选择数据源，逐一获取财务指标并交叉验证。若需要台股数据，可手动运行 python3 tools/twstock_data.py quote 2330 等命令，或直接描述任务让 agent 调用。
这个 Skill 有哪些优点和局限？
- 明确的多市场数据源优先级表，覆盖美股、港股、A股、台股，实操性强。
- 强制交叉验证和误差分级，显著降低数据错误风险。
- 内置台股数据工具脚本，可直接获取高频月营收等独有数据。
- 提供财务严谨性工具，支持市值验算、三情景估值等。
- 对历史价格复权口径有详细规则，避免常见分析陷阱。
- 依赖外部网站（macrotrends、eastmoney、aastocks）的可用性与稳定性，未提及自动化获取失败时的回退策略。
- 未提供测试套件或自动化测试证据，交叉验证流程依赖人工确认。
- FinMind API 有小时级限额，未注册时可能影响大批量分析。
- 未覆盖所有市场（如欧洲、日本等），仅针对四个市场。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 财务数据获取与交叉验证 本页 | 43 · 不推荐 | ★ 17k | 3 天前 | MIT |
| EdgarTools — SEC EDGAR 文件分析技能 | 67 · 推荐 | ★ 2.8k | 3 天前 | MIT |
| Global Stock Data — 美股港股全栈数据工具包 | 62 · 推荐 | ★ 1.7k | 4 天前 | Apache-2.0 |
| 供应链瓶颈猎手 | 59 · 推荐 | ★ 17k | 3 天前 | MIT |
| StockValuation.io 本地估值工作流 | 58 · 推荐 | ★ 33 | 27 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
技能要求两源交叉验证并明确标注数据来源和差异，提升了数据透明度；但未要求用户确认，未声明最小权限或沙箱隔离，工具如twstock_data.py可能自动访问外部API并处理敏感token，存在隐私风险。满分25，因缺乏用户确认、权限管理和数据流完全披露扣分。
技能规范清晰但关键依赖（如外部网站和API）未验证可用性，且无测试覆盖技能本身（测试仅针对工具函数），无法在静态审查中确认其可复现性。按静态校准上限给1分（有部分指令一致性，但无执行证据）。
受众明确（价值投资者），场景清晰（财务数据获取），有明确的数据源优先级和边界（如未上市公司处理）；但未明确技能的非适用场景（如非财务数据），且依赖的外部服务如macrotrends、stockanalysis等在中国大陆可能无法访问，影响环境适配。实得12分，因边界和触发条件部分明确。
有MIT许可证，仓库有README、安全策略和变更日志（通过测试注释体现），但技能本身缺少版本号、变更日志和常见问题解答，维护责任未明确（未指明维护者）。实得10分，因信息架构清晰但有缺口。
技能描述了完整的工作流程和交叉验证方法，但无示例输出或实际案例证明任务可完成，且依赖外部服务可能不可用，实际效果无法验证。按静态校准上限给5分，因核心思路可行但无证据。
仓库中有测试套件（tests/）和CI迹象（Trendshift badge暗示流行度），但测试只覆盖工具函数而非技能流程，且无独立执行记录，无法交叉验证技能宣称的可靠性。按静态校准上限给1分，因无可重复的第三方证据。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →