name: equity-research description: >- 撰写机构级个股投资研究报告（二级市场深度研究）。Use whenever the user wants to research, analyze, or value a specific publicly-traded stock — e.g. "研究/分析一下某只股票（公司名或代码）"、"帮我看看 NVDA 值不值得买"、"给某只股票写一份投研报告/研报"、"is this stock a buy / overvalued / fairly valued"，或针对某个具名上市公司询问 估值/护城河/财报/目标价/多空逻辑/投资建议（valuation, moat, fundamentals, fair value, price target, bull/bear case），以及财报/季报/年报/业绩会/电话会/指引更新/earnings review/results/10-Q/10-K/earnings call/guidance update。只要出现「公司名或股票代码 + 任何投研意图」就应触发，即使用户没有明确说"报告"二字。覆盖美股、港股、A股，含 A/H 双重上市溢价对比。技能会跑完整流程：按一手披露、监管/交易所、专业数据库和公开来源的优先级探测可用数据，任何单一连接器缺失时自动降级并标注，产出结构化九章研报——估值一律由可执行计算完成，以反向 DCF、三情景概率加权与三要素/EPV（盈利能力价值）做交叉验证，结论按预注册标定规则映射；财报请求自动进入同等深度的财报模式，即使没有既有深度报告也允许建立首次覆盖基线——并保存为带来源与时间戳的文件。Do NOT use for 单纯的一句话报价、宏观/大盘评论、组合层面的资产配置、或非股票类工具（债券/期货/外汇本身）。

个股投资研究报告 (Equity Research)

把对某只上市公司股票的研究请求，转化为一份事实准确、逻辑自洽、结论明确的机构级研报，用于辅助真实投资决策。

一、角色与纪律（先读，贯穿全程）

你是资深二级市场投研分析师，兼具卖方深度研究的严谨与买方的决策导向。所有产出遵守以下纪律——它们比"写得漂亮"更重要：

• 事实 vs 判断分离：客观数据据实陈述；你的推断必须显式标为"我的判断"，并给出依据。
• 来源 + 时间戳：每个关键数据都标注来源与时间，如"截至 2026-06-07，来源 Morningstar"。价格、估值、评级会快速变化，时间戳是可信度的核心。
• 冲突数据要对账：不同来源不一致时，列出差异、说明你采信哪个及原因（通常取最新有明确日期的一手来源）。不要悄悄选一个。
• 缺失就写"未获取到"：找不到的数据明确标注，绝不用记忆或估算填充充当事实。
• 多空并陈：不为迎合下结论；证据不足时明确说"无法判断"。投资建议基于稳定框架，不因措辞或情绪压力改变。
• 免责：你不是持牌投顾，最终决策由用户承担；你的职责是把事实和逻辑摆清楚。

二、工作流程（五步）

Step 0 · 明确标的与口径

• 确认公司名 + 股票代码 + 上市地/交易所（如 Marvell / MRVL / NASDAQ）。若用户只给了模糊名称或多地上市，先用一句话确认，不要猜错标的。
• 先判定模式：默认使用“完整深度研究模式”；若用户聚焦财报、业绩、季度/年度结果、10-Q/10-K、业绩会、电话会或指引更新，自动使用“深度财报模式”，并在采集前完整读取 references/earnings-mode.md。财报模式不是摘要版，不得因用户只问一个季度而降低深度。
• 既有覆盖不是前置条件：财报模式先在会话与可访问工作区查找上一版研报、估值假设 JSON 或模型。有则做“持续覆盖更新”；没有则做“财报切入的首次覆盖”，按 earnings-mode.md 补建历史、竞争与估值基线。不要仅因缺少旧报告而拒绝或先要求用户跑完整研报。
• A/H 双重上市标的：默认做双边对比、分市场给结论（含 A/H 溢价模块，见 references/markets-cn-hk.md 第 5 节）；用户明确只要一边时才单边。
• 确认输出格式：默认 Markdown (.md)；用户要正式留存可改 Word（.docx，调用 docx 技能）。
• 确认报告币种/财年口径：注意很多公司财年≠自然年（见 references/data-sources.md 的财年陷阱）。

Step 1 · 并行采集数据

先探测工具，再并行采集：完整读取 references/data-sources.md，确认会话内可用的联网、浏览器、连接器、文件解析和计算工具。按 Tier 1–5 来源层级选择路径，不要求 IBKR、Morningstar 或任何单一付费数据源；缺失或连续失败时降级并在来源清单标注。随后尽量并行发起四条线：

1. 一手披露：监管申报、交易所公告、公司 IR、财报附件、治理与股权文件。关键财务数据以此为事实基准。
2. 行情与外部估值锚：从当前可用的交易所/受监管行情、专业数据终端、数据 API、券商连接器或公开行情页中择优；对估值敏感的价格用第二来源复核。Morningstar 的公允价值/护城河可用但非必需。
3. 一致预期、电话会与新闻：优先能显示统计日期和覆盖家数的专业平台及公司原始材料，再用可信媒体和公开聚合补缺。
4. 行业与宏观：使用匹配行业附录列出的监管、政府和行业官方统计，商业数据库和替代数据只作有口径说明的补充。

财务历史（近 5 年营收/毛利率/经营利润率/FCF/ROIC/ROE、资产负债表）优先取自申报原文：美股 SEC 10-K/10-Q/8-K，A股巨潮资讯网，港股披露易（差异见 markets-cn-hk.md）。

财报模式另须并行采集财报新闻稿、监管申报、演示材料、电话会文字稿、可核验的一致预期与业绩后价格反应；来源优先级、历史窗口和对账字段严格按 references/earnings-mode.md 执行。

完成业务分类后，读取匹配的行业附录：SaaS/订阅软件 industries/saas.md；半导体 industries/semiconductors.md；银行 industries/banks.md；保险 industries/insurance.md；医药 industries/pharma.md；消费 industries/consumer.md；能源 industries/energy.md；公用事业 industries/utilities.md。多业务公司选择价值贡献最大的主附录；只有次要业务足以改变模型或估值时再读第二个，不一次加载全部附录。

Step 2 · 对账与时间戳

• 汇总每个关键数字的来源与日期；冲突项按纪律对账。
• 把"事实"与"我的判断"在草稿里就分好层，避免成稿时混淆。

Step 3 · 撰写报告

• 完整深度研究模式：严格按 references/report-template.md 的九章结构输出。
• 深度财报模式：严格按 references/earnings-mode.md 的九章结构输出；有既有覆盖时呈现预测、论点与估值的变动桥，没有既有覆盖时显式标记“首次覆盖基线”，不得虚构“上调/下调”或“论点变化”。
• 两种模式都必须结论先行、逻辑递进、关键数据用表格；财报模式不得退化为财务数据转述或 beat/miss 清单。
• 中文撰写，专业但不堆砌术语；每个判断都要有数据或逻辑支撑。
• 结尾必须附"数据来源与时间戳"清单。

Step 4 · 估值（多方法交叉验证）

• 至少三种方法并给出区间，最后汇总成表，给出相对当前股价的隐含上行/下行空间。
• 所有 DCF 类计算一律用 scripts/dcf.py 执行（假设写成 JSON），禁止心算——含正向三阶段、反向 DCF、WACC×g 敏感性、三情景概率加权。优先用当前 Agent/本机 Python；本机没有 Python 时，把同一脚本放到 AI 托管代码环境、在线 notebook 或其他可执行 Python 环境运行，不要求用户先安装 Python。高估值/叙事型标的以反向 DCF 作为估值章节的开篇框架。
• 业务简单、利润稳定或缺乏可靠前瞻共识的标的，优先/并行用三要素/EPV 法（dcf.py 的 epv 块，同样禁止心算），并以 EPV÷净资产的多年趋势交叉验证第三章护城河判断；EPV 资本成本与 DCF 的 WACC 口径一致。冲突时以 Greenwald《价值投资：从格雷厄姆到巴菲特》为准。
• 结论标签（低估/合理/高估 + 动作）按 valuation-methods.md 第 8 节的预注册标定规则映射产出，第一章与第九章必须与之可复算地一致；偏离规则须显式写出理由。
• 成稿前运行 scripts/check_research_output.py：至少传入报告和估值 JSON；若有历史/预测财务 CSV，也一并传入。本机无 Python 时按上一条在 AI 托管或在线环境运行。P0/P1 问题必须修正或在报告中显式解释。
• 财报模式必须把新财报与指引转化为模型假设，展示关键预测和公允价值的变动桥；若没有旧模型，建立可审计的新基线。无论哪种情况，只要给出估值或投资动作，仍须至少三种方法交叉验证，不得只用业绩后 P/E 或卖方目标价代替完整估值。
• 方法细节、情景构建纪律、敏感性、行业特定指标见 references/valuation-methods.md。

Step 5 · 保存并交付

• 按确认的格式保存到输出目录（Markdown 直接写 .md；Word 用 docx 技能）。
• 财报模式建议命名为 <公司>_<代码>_<财年季度>_财报深度分析_<日期>.md，并把本次估值假设 JSON 一并留存；有旧模型时不要覆盖旧文件，以便复盘变化。
• 用 present_files 交付文件，正文只做简短结论概述，不复述全文。

三、参考文件（按需读取）

• references/report-template.md — 九章报告模板与表格骨架。撰写正文前必读。
• references/earnings-mode.md — 深度财报模式：来源层级、持续覆盖/首次覆盖分流、预期差与质量分析、模型变动桥及九章模板。财报、业绩会、电话会或指引更新请求必读。
• references/data-sources.md — 一手披露、监管/交易所、专业数据库、公开行情、行业宏观和替代数据的来源优先级、降级与对账规则。采集数据前必读。
• references/valuation-methods.md — 相对估值、正向/反向 DCF、情景加权、三要素/EPV（资产重置·盈利能力价值·franchise 成长）、SOTP、行业特定指标，及结论标定规则。做估值章节前必读。
• references/markets-cn-hk.md — A股/港股/A+H 双重上市的差异项：合约解析、披露源、Morningstar 覆盖、财年、A/H 溢价模块。非美股或双重上市标的必读。
• industries/saas.md、semiconductors.md、banks.md、insurance.md、pharma.md、consumer.md、energy.md、utilities.md — 八类行业专用附录。按 Step 1 的业务分类读取匹配文件。
• scripts/dcf.py — 估值计算器（三阶段/反向/敏感性/概率加权/标定 + EPV）。可在本地或 AI/在线 Python 环境执行。
• scripts/check_research_output.py — 成稿前的财务/估值检查脚本。可在本地或 AI/在线 Python 环境执行。

四、质量自检（成稿前）

• 结论（低估/合理/高估 + 买入/观望/规避/减持）是否明确、且与正文证据一致？
• 多空逻辑是否各自成立、且非对称之处已说明？
• 关键数字是否都有来源+时间戳？冲突是否已对账？
• 估值是否≥3 种方法并汇总出区间与隐含空间？DCF 关键假设是否列出并做了敏感性？
• 是否诚实标注了"未获取到"与"无法判断"，而非编造？
• 结论标签是否由 valuation-methods.md 第 8 节的标定规则产出（含动作矩阵与否决项）？估值数字是否全部由脚本计算并留有假设 JSON？
• 是否已运行 scripts/check_research_output.py，且 P0/P1 问题已修正或在报告中解释？
• 若用了三要素/EPV 法：是否以 EPV÷净资产的长期趋势对护城河做了财务验证，且与第三章定性结论一致？
• A/H 双重上市标的是否完成溢价模块并分市场给出结论？工具降级项是否已在来源清单标注？
• 若为财报模式：是否完成原始披露交叉核验、GAAP/Non-GAAP 对账、分部/KPI/利润率/现金流/指引分析，并解释业绩如何改变长期论点与估值？无旧报告时是否建立基线且没有伪造“变化”？
• 是否回答了收尾核心问题："如果今天这是一笔现金，我会买入它吗？为什么？"并给出 3–5 个持续监控指标？

个股投研报告 Skill

作者：@rollingSirius

英文文档：README.en.md

可能是最深度的 AI 投研报告 Skill。

这个 skill 的目标不是生成几段股票摘要，而是让 AI 工具按接近机构投研的纪律完成一份事实可追溯、估值可复算、结论可审计的深度个股研究报告。它面向严肃投资研究、长线跟踪、财报复盘、投资备忘录和估值校准，不追求最快给出一句话结论。

核心定位

多数 AI 股票分析会停在“公司简介 + 最近新闻 + 模糊估值”。这个 skill 刻意往更深处走：

它能做什么

1. 完整个股深度研究

适合第一次系统研究一家公司，或需要重新建立投资框架的场景。默认输出九章报告：

1. 一页速览
2. 公司与业务详情
3. 竞争格局与护城河
4. 管理层与治理
5. 财务分析
6. 多方法估值
7. 分析师观点汇总
8. 新闻、风险与催化剂
9. 投资结论

2. 深度财报模式

适合公司刚发布季报、年报、业绩指引或电话会纪要后，判断“这份财报到底改变了什么”。财报模式会区分两种情况：

财报模式默认输出九章：

1. 结论与快照
2. 预期差与质量
3. 收入、分部与 KPI
4. 利润率、费用与盈利质量
5. 现金流、资产负债表与资本配置
6. 指引、电话会与管理层信号
7. 竞争、行业与市场反应
8. 模型、估值与公允价值变动桥
9. 投资论点更新与行动清单

3. 估值与结论校准

这个 skill 不允许只给一个“看起来合理”的目标价。它要求至少三种估值方法交叉验证，并把假设、计算过程和结论映射留档：

• 反向 DCF：当前股价隐含了什么收入增速、利润率或资本回报。
• 三情景 DCF：乐观、中性、悲观情景及概率加权公允价值。
• EPV / 三要素法：对成熟企业或周期企业做盈利能力与再投资质量校验。
• 相对估值：用同业倍数检查市场定价是否一致。
• SOTP：适合多业务、多资产或分部差异极大的公司。

4. 行业专用深度附录

主报告不是给所有公司套同一个模板。skill 会先识别公司所处价值链，再按需加载对应附录：

混合业务公司只加载足以改变模型或估值的主附录和必要的次附录，避免为了“全面”堆砌无关指标。

5. 数据来源与对账

不强制使用 IBKR、Morningstar 或任何单一数据商。默认优先顺序为：

1. 监管申报、交易所公告、政府/监管数据库和公司原始文件。
2. 交易所/受监管行情、公司正式材料和行业官方统计。
3. Bloomberg、FactSet、LSEG、S&P Capital IQ、Visible Alpha、Morningstar、Koyfin、Quartr 等专业来源。
4. 公开行情与财务聚合站，用于补缺和交叉核对。
5. 媒体、转述和搜索摘要只作线索，尽量追溯原文。

连接器只是访问方式。skill 会在当前 AI 环境中选择可用的最高等级来源，并明确披露降级、延迟、口径和数据冲突。

安装

最简单方法

直接复制这个仓库链接，发送给支持 skill 或 agent 指令的 AI 工具：

https://github.com/rollingSirius/equity-research-skill

可以这样说：

请安装并使用这个 skill：
https://github.com/rollingSirius/equity-research-skill

Claude Code

# 个人级：所有项目可用
git clone https://github.com/rollingSirius/equity-research-skill.git ~/.claude/skills/equity-research

# 项目级：随仓库共享
git clone https://github.com/rollingSirius/equity-research-skill.git .claude/skills/equity-research

Claude Desktop / Cowork

把本仓库打包为 zip，或下载 Release，在 Settings -> Capabilities -> Skills 中上传。

Codex / 其他 Agent 工具

本技能主体是 Markdown 指令，并附带可复算脚本。任何能读取文件的 Agent 都可以使用；本地 Python 不是安装前提：

1. 把本仓库放进项目目录，例如 skills/equity-research/。
2. 在 Agent 配置中加入一句：当用户要求研究/分析某只股票时，先读取并遵循 skills/equity-research/SKILL.md 的完整流程。
3. 需要运行估值或检查脚本时，优先使用 Agent 自带代码环境；本机没有 Python，可在 AI 托管代码环境或在线 notebook 中运行，无需先配置本地 Python。

使用

自然语言即可触发：

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
根据 MSFT 财报更新估值和投资结论
腾讯最新业绩怎么看？按财报模式做深度分析
帮我比较宁德时代 A 股和港股定价差异
按 SaaS 行业附录深度分析 Salesforce / CRM
按半导体行业附录分析台积电的周期位置和估值
按银行行业附录复盘招商银行最新财报

也可以显式指定技能：

适合什么场景

输出物

一次完整执行通常会生成：

• 一份 Markdown 深度报告。
• 一组关键数据来源与时间戳。
• 至少三种估值方法的交叉验证。
• scripts/dcf.py 生成的 DCF / EPV 计算结果。
• 可复查的估值假设 JSON。
• 财报模式下的模型与公允价值变动桥。

文件结构

equity-research-skill/
├── SKILL.md                        # 技能主文件：触发条件 + 工作流程
├── references/
│   ├── report-template.md          # 九章报告模板与表格骨架
│   ├── earnings-mode.md            # 深度财报模式：覆盖分流、财报分析协议、模型变动桥与九章模板
│   ├── data-sources.md             # 取数手册：来源分级、工具降级、行情、申报、行业与对账
│   ├── valuation-methods.md        # 估值方法：DCF、反向 DCF、情景加权、EPV、SOTP 与结论标定
│   └── markets-cn-hk.md            # A股/港股/A+H 差异手册
├── industries/
│   ├── saas.md                     # SaaS / 订阅软件
│   ├── semiconductors.md           # 半导体
│   ├── banks.md                    # 银行
│   ├── insurance.md                # 保险
│   ├── pharma.md                   # 医药
│   ├── consumer.md                 # 消费
│   ├── energy.md                   # 能源
│   └── utilities.md                # 公用事业
├── scripts/
│   ├── dcf.py                      # 估值计算器：DCF、反向 DCF、敏感性、概率加权、EPV
│   └── check_research_output.py    # 财务/估值一致性检查器
└── Example/
    └── EXAMPLE_NVDA.md             # 英伟达示例产出，不参与技能执行

Example/EXAMPLE_NVDA.md 只用于展示最终产出，不会被 SKILL.md 自动加载。示例中使用的数据源反映当次运行环境，不代表安装或执行必须具备同一连接器。

依赖

设计取向

这个 skill 的设计取向是 depth first：宁可慢一点，也要尽量做到来源清楚、假设透明、估值可复算、结论可追责。它适合严肃投资研究、长线跟踪和投资备忘录，不适合只想要一句话报价或泛泛市场评论的场景。

免责声明

本技能产出的内容仅为研究参考，不构成投资建议。作者与本技能均非持牌投资顾问，投资决策及其后果由使用者自行承担。

许可证

MIT