base-analysis

name	base-analysis
description	基本面分析skill

1.skill基本信息

|输入要求|股票基础信息| |输出格式|结构化决策结果：决策类型（买入/持有/卖出）、置信度、决策原因|

2. 输入参数定义

股票的基本面指标使用工具get_stock_basic_info获取，包含但不限于以下核心指标： '净资产收益率(ROE)', '销售净利率', '毛利率', '总资产报酬率(ROA)', '营业总收入增长率', '基本每股收益', '流动比率', '资产负债率', '每股现金流', '市盈率', '市销率'

2.1 分析必选参数

参数名	类型	说明
stock_info	Dict	股票基础信息，包含：

• stock_name: 股票名称
• stock_code: 股票代码
• industry: 所属行业（支持：消费 / 科技 / 医药 / 周期，其他行业使用通用模型）| |indicators|Dict|基本面指标键值对，支持的核心指标（不一定都有）包括： ROE(净资产收益率), gross_margin(毛利率), net_margin(净利率), revenue_growth(营收增速), profit_growth(净利润增速), pe(市盈率), pb(市净率), ps(市销率), rd_ratio(研发费用率), inventory_turnover(存货周转率), debt_ratio(资产负债率), current_ratio(流动比率)|

3. 核心处理逻辑

3.1 行业差异化权重分配

根据行业特性，动态调整各维度指标的权重占比，解决不同行业核心关注点差异的问题：

行业类型	盈利能力权重	成长能力权重	估值水平权重	运营 / 创新权重	偿债能力权重	核心参考标准
消费行业
(白酒 / 食品 / 家电)	35%	15%	25%	15%	10%	ROE≥15%，毛利率≥35%，PE 处于行业 30%-70% 分位
科技行业
(电子 / 计算机 / 高端制造)	15%	30%	20%	25%	10%	营收增速≥20%，研发费用率≥10%，PS 处于合理区间
医药行业
(创新药 / 医疗器械)	20%	20%	20%	30%	10%	研发费用率≥15%，销售费用率≤30%，盈利稳定性强
周期行业
(钢铁 / 有色 / 化工 / 资源)	10%	20%	30%	25%	15%	PB 处于历史 10%-30% 分位，存货周转率提升，资产负债率≤60%
金融行业
(银行 / 保险 / 证券)	25%	10%	25%	10%	30%	PB≤1.2，不良贷款率≤1.5%，拨备覆盖率≥150%，ROE≥10%
房地产行业
(住宅 / 物业 / 开发)	10%	10%	25%	20%	35%	三道红线达标，PB≤1.0，销售增速≥5%，净负债率≤70%
公用事业
(电力 / 水务 / 燃气)	25%	10%	15%	20%	10%	股息率≥3%，连续 3 年稳定分红，ROE≥8%，资产负债率≤60%
通用行业
(未知行业默认)	30%	25%	25%	10%	10%	全市场通用财务健康标准

3.2 指标标准化打分

将用户输入的原始指标，转换为 0-1 的标准化得分，用于后续加权计算：

1. 对于正向指标（越高越好，如 ROE、营收增速）：

   • 得分 = min (用户指标值 / 行业参考标准值，1.0)

   • 例：消费行业 ROE 参考 15%，用户股票 ROE 为 20%，则得分 = 1.0；若为 10%，得分 = 0.67

2. 对于负向指标（越低越好，如 PE、PB、资产负债率）：

   • 得分 = min (行业参考标准值 / 用户指标值，1.0)

   • 例：周期行业 PB 参考 2.0，用户股票 PB 为 1.5，则得分 = 1.0；若为 3.0，得分 = 0.67

3. 缺失指标：默认得分为 0.5（中性值），同时降低置信度

3.3 综合得分与决策生成

1. 计算加权综合得分：综合得分 = Σ(指标得分 * 对应权重)，范围 0~1

2. 决策映射规则：

   • 综合得分 ≥ 0.7 → buy（买入）：基本面优秀，显著低估 / 高成长

   • 0.4 ≤ 综合得分 < 0.7 → hold（持有）：基本面中等，无明显高估或低估

   • 综合得分 < 0.4 → sell（卖出）：基本面较差，存在明显风险

3.4 置信度计算

置信度范围 0~1，反映决策的可靠程度，计算逻辑：

置信度 = (指标覆盖率 * 0.6) + (指标一致性 * 0.4)

1. 指标覆盖率：用户提供的核心指标占该行业所需核心指标的比例，越高说明信息越完整

2. 指标一致性：所有指标得分的标准差的反向归一化，标准差越小说明指标表现越一致，决策越可靠

   • 一致性 = 1 - min (得分标准差，0.5)

   • 例：得分标准差为 0.1，一致性 = 0.9；标准差为 0.4，一致性 = 0.6

---

4. 边界约束

1. 适用范围：仅针对公开可获取的基本面财务指标进行分析，不涉及内幕信息、市场情绪、技术面分析

2. 投资提示：输出结果仅为投资参考，不构成任何投资建议，市场有风险投资需谨慎

3. 指标限制：仅处理合理范围内的财务指标，异常值（如 ROE>100%、PE<0 且非周期股）将直接拦截

4. 行业限制：对主流行业提供精准权重，其他行业使用通用模型，决策置信度会自动下调 0.1

---

5. 错误处理与降级策略

5.1 输入校验错误

错误场景	处理方式
缺失股票行业信息	返回错误：MISSING_INDUSTRY，提示 "请提供股票所属行业，以匹配差异化分析权重"
缺失所有基本面指标	返回错误：MISSING_INDICATORS，提示 "请提供至少 1 项基本面指标进行分析"
指标值异常（超出合理范围）	返回错误：INVALID_INDICATOR，提示 "输入的指标值异常，请检查数据正确性"

5.2 运行时错误与降级

错误场景	降级策略
调用行业均值 API 失败	自动降级为使用行业通用参考标准，同时将置信度下调 0.1，在原因中提示 "无法获取最新行业均值，使用通用标准分析"
核心指标缺失	使用中性值补全缺失指标，同时将置信度下调 0.15，在原因中提示 "缺失部分核心指标，分析结果存在一定偏差"
未知行业	自动切换为通用行业权重模型，同时将置信度下调 0.1，在原因中提示 "未识别的行业，使用通用基本面模型分析"
网络超时 / 工具调用失败	重试 3 次（指数退避：1s/2s/4s），重试失败后执行离线分析，使用本地默认参数

---

6. 输出示例（json模型）

{ "stock_code": "贵州茅台", "stock_name": "600519", "recommendation": "buy", "confidence": 0.92, "reason": "1. 行业适配：消费行业，优先关注盈利稳定性与品牌溢价能力，已匹配对应权重；\n2. 指标表现：ROE(28%)、毛利率(91%)均远超行业标准，盈利能力极强；营收增速(12%)符合行业增长要求；估值PE(32)略高于行业均值，但未出现明显高估；\n3. 综合判断：基本面优秀，综合得分0.85，符合买入标准；指标覆盖率100%，表现一致，决策置信度0.92。" }

---

7. 测试用例

测试用例 1：消费行业优质股

输入：

{
  "stock_info": {"股票名称": "贵州茅台", "股票代码": "600519", "行业": "消费"},
  "indicators": {
    "ROE": 28.5,
    "gross_margin": 91.2,
    "pe": 32.1,
    "revenue_growth": 12.3,
    "debt_ratio": 21.5
  }
}

输出：决策buy，置信度0.92，原因。

测试用例 2：周期行业底部股

输入：

{
  "stock_info": {"股票名称": "宝钢股份", "股票代码": "600019", "行业": "周期"},
  "indicators": {
    "pb": 0.85,
    "inventory_turnover": 6.2,
    "revenue_growth": 5.1,
    "debt_ratio": 45.2
  }
}

输出：决策buy，置信度0.88，原因。

测试用例 3：缺失核心指标

输入：

{
  "stock_info": {"股票名称": "某科技股", "股票代码": "xxx", "行业": "科技"},
  "indicators": {
    "revenue_growth": 25.1
  }
}

输出：决策hold，置信度0.52，原因。