stock-value-analyzer

name	stock-value-analyzer
description	基于邱国鹭《投资中最简单的事》方法论的股票价值分析器（v2.0 双层架构）。通过"三好原则"（好行业、好公司、好价格）系统评估一只股票是否值得投资。v2.0 在原定性框架之上注入一套可量化、可复现的硬模型层——反向 DCF 反解市场隐含增速、情景概率加权估值、EPV 盈利能力价值、分行业估值路由、杜邦三/五因子分解、ROIC vs WACC、Piotroski F-Score、Beneish M-Score、Altman Z-Score、盈余质量与时间序列趋势分析——配套取数脚本自动计算，使"好公司、好价格"从感性判断升级为客观证据。所有分析强制前置 API 优先取数（yfinance + AkShare 双引擎）+ 多信源数据校验 + 强制时间序列提取，并在初稿完成后执行交卷前自检，未通过不得发布。

股票价值分析器（Stock Value Analyzer）v2.0

v2.0 更新（2026-06-22）— 双层判断架构：量化硬模型 + 邱国鹭定性框架

v1.x 把方法论建立在定性评分上，长于框架、弱于客观证据。v2.0 在不破坏原"三好原则"框架的前提下，叠加一层可量化、可复现的硬模型，让"好公司、好价格"有客观锚点：

1. 估值层注入硬模型：反向 DCF（反解市场隐含增速）、情景概率加权估值、EPV 盈利能力价值、分行业估值路由（金融/周期/成长/稳定/重资产各用各的尺子）。
2. 财务质量层注入硬模型：杜邦三/五因子分解、ROIC vs WACC、Piotroski F-Score（9 分制）、盈余质量（现金含量），并把 Beneish M-Score（盈余操纵）+ Altman Z-Score（破产风险） 接入一票否决。
3. 强制时间序列：5-10 年 ROE 一致性、毛利率/营收/FCF 趋势、CAGR、周期股归一化盈利——避免只看一年快照。
4. 行业框架结构化：波特五力、行业生命周期、产业链议价、TAM/SAM/SOM，叠加管理层资本配置能力评估。
5. 取数脚本自动算模型：scripts/fetch_stock_data.py 调用 scripts/value_models.py，在原九大字段组之外新增 time_series 与 models 两组，所有量化指标由脚本计算、报告引用，杜绝口算误差。
6. 数据校验红线做减法：v1.x 臃肿的校验细则下沉到 references/data-verification-protocol.md 与 references/api-data-source-protocol.md，主文件只保留"挂载点 + 一句话铁律 + 链接"，回归方法论主体。

核心理念：用合理的价格，买好行业里的好公司，然后拿得住。v2.0 的信条——定性看方向，定量定边界，两层都过才算数。

---

概览

本 Skill 基于邱国鹭《投资中最简单的事》的投资方法论，对单只股票进行系统化的价值投资评估，输出"能不能买、该不该买、什么价位买"的结构化结论。

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）
• 反向 DCF 反解市场隐含增速，判断当前价格"打的什么算盘"
• 用 F-Score / M-Score / Z-Score 给财务质量打分、识别造假与破产风险
• 用杜邦分解区分"经营驱动 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，逆向思维检查市场情绪

不做的事：

• 不预测短期股价涨跌、不做技术面分析（K线/均线）
• 不推荐具体买卖时点、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 为通用、可独立发布的分析框架

---

方法论框架

核心公式

投资价值 = 好行业 × 好公司 × 好价格

三个维度缺一不可。任一维度得分过低，整体结论就是"不适合投资"。

双层判断架构（v2.0 核心）

每个维度都按"量化层 → 定性层"两层评估，缺一不可：

            ┌─────────────────────────────────────────────┐
            │  量化层（可复现硬模型，由脚本计算）          │
            │  反向DCF / 情景估值 / EPV / 杜邦 / ROIC      │
            │  F-Score / M-Score / Z-Score / 盈余质量      │
            │  时间序列趋势 / CAGR / 归一化盈利            │
            └──────────────────┬──────────────────────────┘
                               │  提供客观证据与边界
                               ▼
            ┌─────────────────────────────────────────────┐
            │  定性层（邱国鹭三好框架，人类判断）          │
            │  行业格局 / 护城河 / 定价权 / 管理层 / 逆向  │
            │  波特五力 / 生命周期 / 产业链 / 资本配置     │
            └─────────────────────────────────────────────┘

• 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。

时间维度权重

维度	最重要的因素	说明
短期（<1年）	时机/情绪	靠运气，不可靠，本器不预测
中期（1-3年）	估值	买贵了，再好的公司也要还债
长期（3年+）	品质	只有好公司能穿越周期

→ 本分析器聚焦中期和长期维度。

---

🔴 前置环节：取数与校验（强制，不可跳过）

v2.0 将冗长的校验细则下沉到参考手册，主文件只保留铁律与挂载点。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。yfinance + AkShare 双引擎是第一信源，网页抓取仅作兜底。

每份报告第一动作必须执行取数脚本：

# 港股 / A 股 / 美股示例
python .codebuddy/skills/stock-value-analyzer/scripts/fetch_stock_data.py --symbol 0700.HK --market HK
python .codebuddy/skills/stock-value-analyzer/scripts/fetch_stock_data.py --symbol 600519 --market A
python .codebuddy/skills/stock-value-analyzer/scripts/fetch_stock_data.py --symbol AAPL  --market US

输出 JSON 字段组（v2.0 在原九组之外新增两组）：

字段组	内容
price / valuation / profitability / financials / dividend / growth / shares / company / analyst	原九大字段组（v1.6 契约不变）
time_series（v2.0 新增）	5-10 年营收/净利/毛利率/ROE/FCF/股本序列（index 0 = 最近期）
models（v2.0 新增）	脚本自动计算的：杜邦分解、ROIC、F-Score、M-Score、Z-Score、盈余质量、反向 DCF、CAGR 一致性

• 跨市场标的（AH/ADR）必须分别独立调用，禁止汇率换算。
• 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"。
• A 股限制：stock_financial_abstract 为摘要级数据，缺三大报表明细，故 A 股 models 中 M-Score/Z-Score/反向 DCF 多返回 applicable=False，诚实标注，禁止用经营现金流冒充 FCF。

详见 → references/api-data-source-protocol.md（双引擎分工、字段映射、降级策略）

前置 2：多信源数据校验（铁律）

铁律：一切分析建立在可信数据之上。单一信源 = 错误风险。

三条不可逾越的红线（完整操作手册见参考文件）：

1. 价格类数据 ≥ 3 个独立权威源交叉验证（1 个 API 源 + 1-2 个网页源即满足）；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"。（血泪教训：海尔 06690 把研报目标价 HK$31.30 误当现价，实际仅 20.86，结论全反。）
3. 跨市场标的分别独立取数，AH 溢价方向必须从原始价格重算。

详见 → references/data-verification-protocol.md（9 类字段校验流程、口径对齐、冲突处理、Red Flags、校验记录表模板）

前置 3：信源等级强制标注（铁律）

铁律："列出信源" ≠ "标注等级"。不分级的信源列表等于没有校验。

• 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。
• "二级媒体互相抄录"视为单源，降级 🟡；报告末尾 K.4 必须列出所有 🟡/🔴 弱信源。

🟢🟢🟢🟢 Tier 0	🟢🟢🟢 Tier 1	🟢🟢 Tier 2	🟢 Tier 3	🟡 Tier 4	🔴 Tier 5
API 直取	一级官方	二级权威	三级参考	单源/弱源	传闻

前置 4：近 30 天重大事件扫描（铁律）

铁律：财报反映过去，新闻预示未来。只看历史数字做估值，等于开车只看后视镜。

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（v2.0 新增铁律）

铁律：禁止只用单年快照评估"好公司/好价格"。 取数脚本已自动提取 time_series，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）。

详见 → references/time-series-analysis.md

---

五大分析模块（v2.0 双层评分）

每个模块的"量化层"由脚本 models/time_series 字段提供证据，"定性层"沿用邱国鹭框架。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%）

定性层（评分主体，四维各 0-25，满分 100）：

维度	满分	关键问题
行业格局	25	几个寡头分天下，还是一堆人打成狗？
定价权 ⭐最关键	25	能不能涨价、涨了客户还买不买？
需求稳定性	25	这东西 10 年后还有人买吗？
进入壁垒	25	别人想进来抢饭碗，难不难？

定性层增强框架（v2.0）：用波特五力逐力点评并指出决定性力量；判定行业生命周期阶段；分析产业链议价地位（"收税还是交税"）；估算 TAM/SAM/SOM 并用反向 DCF 隐含份额反向校验（成长股必做）。

评级	分数	含义
A/B/C/D	80-100 / 60-79 / 40-59 / 0-39	优质 / 不错 / 一般 / 慎入

详见 → references/industry-capital-framework.md、references/three-good-principles.md

模块二：公司分析（权重 35%）

v2.0 重构为「量化财务质量评分卡 + 定性护城河/管理层」双层。

2.1 定性层：护城河（0-40 分）

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），并评估护城河是在加深（+5）还是被侵蚀（-5~-15）。详见 references/moat-analysis-guide.md。

2.2 量化层：财务质量硬模型（脚本计算，0-30 分评分卡）

模型	字段（models.*）	含义	评分指引
杜邦分解	dupont	ROE = 净利率 × 周转率 × 权益乘数	经营驱动 ROE 加分；高杠杆堆出的 ROE 警惕（结合负债率）
ROIC vs WACC	roic	是否真正创造价值	ROIC 长期 > WACC → 价值创造（+）；< WACC 仍扩张 → 毁灭价值（−）
Piotroski F-Score	piotroski_f（0-9）	财务健康九项打分	≥7 优秀 / 4-6 中性 / ≤3 差
盈余质量	earnings_quality	净利的现金含量 / 应计比	现金含量低、应计比高 → 利润质量差，扣分

2.3 定性层：管理层质量 + 资本配置（0-20 分）

诚信（0-5）/ 能力（0-5）/ 股东回报（0-5）/ 战略聚焦（0-5），v2.0 并入资本配置评分卡：再投资回报（ROIC vs WACC）、并购理性、分红回购理性、留存收益转化（5 年市值增量 vs 累计留存），以及股权激励稀释检查（股本趋势）。详见 references/industry-capital-framework.md 第二部分。

2.4 时间序列校准（v2.0 必做）

引用 time_series：ROE 5-10 年是否一致（>15% 且波动小 = 真好公司）；毛利率趋势；营收/净利 CAGR；FCF 是否持续为正。趋势恶化即使单年靓丽也要扣分。

公司评级	A/B/C/D：80-100 / 60-79 / 40-59 / 0-39

量化模型口径详见 → references/financial-quality-models.md

模块三：价格/估值分析（权重 25%）

v2.0 重构为「量化估值模型 + 定性 PE 陷阱判断」双层。便宜是硬道理，但便宜要用模型证明。

3.1 量化层：估值硬模型（脚本 + 手册）

模型	用途	来源
反向 DCF	二分法反解"当前价格隐含的永续增速"，再判断该增速是否现实	models.reverse_dcf（HK/US；A 股因缺 FCF 多 not applicable）
情景概率加权估值	乐观/中性/悲观三情景 × 概率 = 期望内在价值	references/valuation-models.md
EPV 盈利能力价值	不依赖增长假设的保守底线估值	同上
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	同上

反向 DCF 解读铁律：先看脚本反解出的隐含增速，再用定性层判断"这个增速公司未来 10 年做得到吗"——做得到则不贵，做不到则当前价格透支未来。

3.2 定性层：PE 是结果不是原因（0-25 分）

先问"为啥这个公司 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（任一命中即扣分并触发 M-Score 复核）：营收连续下滑 / 毛利率持续走低 / 行业被颠覆 / 靠非经常损益撑利润 / 应收账款暴增。详见 references/valuation-traps.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；历史估值分位（20% 分位以下 = 低估）；安全边际 = 内在价值（取情景加权 / EPV 的保守值）与现价差距，>40% 给满分。

价格总分 = 四项之和（满分 100）。

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-checklist.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% / 中等 +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。与波特五力的供应商/买方议价联动分析。

---

综合评分体系

加权总分

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 + 财务质量量化评分卡 30 + 管理层/资本配置 20，并由时间序列趋势做 ±校准（上限 ±10）。

投资结论矩阵

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（v2.0 新增量化模型否决）

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）
• 🚫 公司护城河评分 < 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（v2.0）— 前提：models.beneish_m.applicable == True（金融股/数据不足时不适用，须先确认，防止误杀）
• 🚫 Altman Z-Score 落入破产高危区（v2.0）— 前提：models.altman_z.applicable == True（金融股不适用）

量化否决的护栏：M-Score / 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，此时改用定性判断，不得机械否决。

---

🔴 交卷前自检（强制后置，不可跳过）

铁律：报告写完 ≠ 可以交卷。一切结论必须在"打印出来"之后再被自己质疑一次。

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/一票否决原始数据）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（v2.0 新增）：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"。详见 → references/data-verification-protocol.md

---

工作流

用户输入（股票名称/代码）
    │
    ├── 前置 1：API 优先取数（运行 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：四维定性 + 波特五力/生命周期/产业链/TAM
    ├── 模块二 公司分析：护城河(定性) + F/ROIC/杜邦/盈余质量(量化) + 管理层/资本配置 + 时序校准
    ├── 模块三 估值分析：反向DCF/情景/EPV/分行业路由(量化) + PE陷阱(定性) + 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
    │
    ├── 综合评分：加权 + 量化校准 + 一票否决（含 M/Z-Score，须 applicable=True）
    ├── 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 🔴

---

报告输出格式

完整报告结构与模板见 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/投资结论/各项自检状态）
• 一·补 近 30 天重大事件（仅 🔴 级）
• 二、行业分析（四维 + 五力/生命周期/产业链/TAM）
• 三、公司分析（护城河 + F/M/Z 评分卡 + 杜邦表 + 资本配置 + 时序趋势）
• 四、估值分析（反向 DCF 隐含增速 + 情景概率加权表 + EPV + PE 陷阱 + 安全边际）
• 五、逆向投资 & 定价权
• 六、投资结论（含买/不买条件、最大风险）
• 七、风险提示
• 八、交卷前自检摘要
• K、完整信源索引（K.1 一级 / K.2-3 二三级 / K.4 弱信源清单）

---

资源目录

scripts/

• fetch_stock_data.py — 一键取数（yfinance + AkShare 双引擎），输出标准 JSON（含 v2.0 新增 time_series / models）
• value_models.py — v2.0 新增量化模型库：杜邦/ROIC/F-Score/M-Score/Z-Score/盈余质量/反向 DCF/CAGR 一致性，被取数脚本调用
• 依赖：pip install yfinance akshare pandas

references/

• api-data-source-protocol.md — API 优先取数协议（双引擎完整说明 + v2.0 新字段）
• data-verification-protocol.md — 多信源数据校验完整手册（承接主文件下沉的全部红线细则）
• three-good-principles.md — 三好原则评估标准与案例（含量化层配合说明）
• moat-analysis-guide.md — 护城河五种类型深度分析指南
• valuation-traps.md — 估值陷阱识别手册（打通 M-Score）
• contrarian-checklist.md — 逆向投资检查清单
• valuation-models.md — v2.0：反向 DCF / 情景估值 / EPV / 分行业估值路由
• financial-quality-models.md — v2.0：杜邦 / ROIC / F-Score / M-Score / Z-Score / 盈余质量
• time-series-analysis.md — v2.0：时间序列趋势、ROE 一致性、周期股归一化
• industry-capital-framework.md — v2.0：波特五力 / 生命周期 / 产业链 / TAM + 资本配置能力

templates/

• analysis-report.md — v2.0 分析报告模板

---

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 — v2.0 信条，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，配合 F/M/Z-Score
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

---

版本记录

• v2.0（2026-06-22） — 🟢 双层判断架构：量化硬模型 + 定性框架
  • 新增量化层：反向 DCF、情景概率加权估值、EPV、分行业估值路由、杜邦分解、ROIC vs WACC、Piotroski F-Score、Beneish M-Score、Altman Z-Score、盈余质量、时间序列趋势
  • 新增脚本 scripts/value_models.py 量化模型库；fetch_stock_data.py 输出新增 time_series / models 字段组（原九组契约不变，向后兼容）
  • 新增 4 份参考手册：valuation-models.md / financial-quality-models.md / time-series-analysis.md / industry-capital-framework.md
  • 五大模块升级为"量化层 + 定性层"双层评分；公司模块重构为护城河 40 + 财务质量评分卡 30 + 管理层/资本配置 20 + 时序校准
  • 一票否决新增 M-Score / Z-Score 量化否决（须 applicable=True 护栏，防误杀金融股）
  • 强制提取 5-10 年时间序列；行业分析注入波特五力/生命周期/产业链/TAM；管理层注入资本配置能力评估
  • 数据校验红线做减法：v1.x 冗长细则下沉到 data-verification-protocol.md 与 api-data-source-protocol.md，主文件仅保留"挂载点 + 一句话铁律 + 链接"，篇幅回归方法论主体
  • 移除个人持仓/组合联动内容，成为通用、可独立公开发布的分析框架
• v1.6（2026-05-05） — API 优先取数双引擎（yfinance + AkShare）；新增 Tier 0 信源；fetch_stock_data.py 一键取数脚本与 api-data-source-protocol.md
• v1.5（2026-05-05） — 信源等级强制标注体系（六级）+ 算术强制回验；K 章节完整信源索引；反向 7 问
• v1.4（2026-04-28） — Step 8 交卷前自检（数据复验 + 结论反验证 + 反事实压力测试）
• v1.3（2026-04-28） — 价格类数据 3 源硬线 + 数据类型混淆防护 + 跨市场分别取数
• v1.2（2026-04-27） — 近 30 天重大事件扫描强制前置
• v1.1（2026-04-26） — 多信源数据校验强制前置 + data-verification-protocol.md
• v1.0 — 初始版本，建立三好原则评估框架