deep-investment-research

name	deep-investment-research
description	系统化投研能力中枢。覆盖宏观/行业/政策/个股/投资可行性/风险/投资规划七类研究，内置9条研究红线、深度研究5步法、7专题框架、5研究模板、8重点行业一手源清单，以及多源数据采集脚本（SEC EDGAR/HKEX/AKShare/FRED/政策门户等）。Use for: 任何投资研究、行业分析、公司研究、个股深度研究、政策解读、可行性评估、风险分析、投资规划，以及研究所需的真实一手数据采集。纯研究，不做盯盘/交易信号/交易执行。
license	MIT
metadata	{"clawdbot":{"emoji":"📊","requires":{"bins":["python3"]}}}

deep-investment-research — 系统化投研能力中枢

一套可复用的投研方法论 + 多源一手数据采集工具。OpenClaw 提供运行时（gateway/cron/工具），本 skill 提供投研方法论+数据采集能力。 本 skill 只承载「研究能力」；调用方的身份/人格/记忆由各自 workspace 提供，不在本 skill 内。

环境约定（可选，均带默认值）

• RESEARCH_OUTPUT_DIR：研究报告归档目录，默认 ~/research-output
• TRADING_ROOT：数据采集落盘目录，默认 ~/research-data
• SEARCH_SKILL_PATH：联网搜索脚本路径，默认指向 web-search-plus（未安装则降级用内置 web_search 工具）
• 脚本内 API key 一律读环境变量（如 FINNHUB_API_KEY/FRED_API_KEY），未设置则跳过该数据源。

何时触发

• 任何投资研究请求：宏观/行业/政策/个股/可行性/风险/规划
• 需要真实一手数据（财报/公告/政策原文/宏观/机构动向/一致性预期）
• 用户点题某行业/标的/主题/政策

九条研究红线（地基，贯穿全部）

1 深度·价值·前瞻 ｜ 2 数据真实不杜撰 ｜ 3 全文阅读不停留表面 ｜ 4 结论质量门控不说空话 ｜ 5 第一性原理广收集深研究 ｜ 6 紧扣目标不偏离 ｜ 7 prompt最佳实践榨干模型 ｜ 8 客观准确不主观 ｜ 9 未充分调研不下结论

怎么用（任何研究先走这里）

Step 1 — 读内核（所有研究通用）+ 看近期产物

先读 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/ 最近 2-3 篇同领域研究作背景（有则读，注意时效；无则跳过），再读：

• methodology/research-core.md — 9红线 + 研究设计+七棱镜多维扫描（强制前置：反千篇一律+反单维度） + 深度研究5步法(A→B→C→D) + 反证5问 + 结论质量门控

  任何研究动笔前先做：①诊断对象核心矛盾、设计本次研究重心（贴合实际不套模板）②过七棱镜（宏观/政策/地缘/产业链/资金面/新闻情绪/标的自身），相关维度深挖、不相关明说为何忽略

• methodology/source-registry.md — 8行业权威一手源清单 + 搜索工具优先级
• methodology/content-reading-protocol.md — 全文阅读硬门控 + 读取量 + 来源回溯

Step 2 — 按课题类型读对应框架+模板

课题	框架	模板
行业深度研究	methodology/industry-research.md	templates/01
公司研究（看懂生意本身）	methodology/company-research.md	—
个股深度研究（投资判断）	methodology/stock-deep-dive.md	templates/02
投资可行性分析	methodology/feasibility-analysis.md	templates/03
政策研究与追踪	methodology/policy-research.md	templates/04
风险分析	methodology/risk-analysis.md	templates/05
投资规划	methodology/investment-planning.md	—
宏观研究	methodology/{china-macro,us-macro}.md	—

Step 3 — 取真实一手数据（红线2/5）

优先级：一手原文/官方数据/API > 定向爬虫 > 搜索引擎兜底。 各行业权威源见 source-registry.md。

SK={baseDir}/scripts
python3 $SK/policy_gov_fetcher.py        # 政策原文
python3 $SK/ministry_scanner.py          # 部委政策扫描
python3 $SK/edgar_filings.py             # 美股财报/8-K/13F
python3 $SK/hkex_announcements.py        # 港股公告
python3 $SK/china_macro.py               # 中国宏观(AKShare)
python3 $SK/macro_snapshot.py            # 市场宏观快照
python3 $SK/analyst_consensus.py         # 一致性预期
python3 $SK/analyst_revision.py          # 预期修正
python3 $SK/earnings_surprise.py         # 业绩beat/miss
python3 $SK/superinvestor_moves.py       # 机构大师持仓
python3 $SK/sec_13f.py / insider_transactions.py / short_interest.py / southbound_top10.py / transcripts.py
python3 $SK/data_daily.py --tags morning # 批量采集

数据落盘 ${TRADING_ROOT:-~/research-data}/data/daily/{date}/（由 TRADING_ROOT 环境变量控制）。

搜索（找线索，不出结论）

优先用专用搜索 skill（Serper/Tavily，覆盖好、可控）；未安装时降级用内置 web_search 工具兜底。 结论靠 web_fetch/pdf 读全文，搜索只找线索。

# 若已安装 web-search-plus（路径可用 SEARCH_SKILL_PATH 覆盖）：
python3 "${SEARCH_SKILL_PATH:-~/.openclaw/skills/web-search-plus/scripts/search.py}" --query "查询" --provider serper --max-results 5
# 若已安装 tavily-search：
node ~/.openclaw/skills/tavily-search/scripts/search.mjs "查询" --topic news
# 均未安装：直接用 OpenClaw 内置 web_search 工具

认知连续性（用研究产物，不用静态档案）

不预存任何静态行业档案——静态认知必然过时且锚定共识，违背找预期差的本质。认知连续性靠研究产物库实现（见上）。 连续性靠研究产物库实现：做某行业/标的研究前，先看 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/ 最近 2-3 篇研究（带日期、带一手数据、带来源），站在上次真实研究的肩上，而非模型存量记忆。 注意时效：产物只作背景与线索，"当前景气/估值/最新动态"一律用本次一手数据现取覆盖；过时结论只当"曾经的判断"参考，不当事实。

研究产物入库

报告写入 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/YYYY-MM-DD-课题.md。如需远程备份，由调用方的备份任务自行处理。

红线·边界

纯研究助理：不盯盘、不发买卖/止损信号、不做交易执行、不维护持仓。提供判断+依据+风险+可选路径，用户是最终决策者。