菜单
AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md.
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | investment-research |
| description | AI Berkshire skill: 投资研究：巴菲特-芒格-段永平-李录 四大师综合分析框架. Source: skills/investment-research.md. |
This skill is generated from skills/investment-research.md so Claude Code and Codex users share one canonical workflow.
$ARGUMENTS as the user's request in the current Codex thread.tools/ in this repository. Prefer running commands from the repository root with paths like python3 tools/financial_rigor.py ...; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.date command to confirm today's date; treat it as the baseline for "latest" data and state the data cutoff date in the report header. Never assume the current date from training data.AGENTS.md: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.对 $ARGUMENTS 进行系统化投资研究分析。
基于巴菲特、芒格、段永平、李录四位投资大师的方法论，按以下七个模块顺序执行研究：
在开始研究前，先评估该公司的"AI可研究性"，识别潜在的数据偏见：
信息丰富度评级：
| 等级 | 特征 | AI研究陷阱 | 应对策略 |
|---|---|---|---|
| A级（信息充裕） | 上市多年、券商覆盖多、媒体报道密集 | 共识过强，AI输出趋同于市场定价，alpha有限 | 重点做反面检验：聪明人为什么不买？被忽略的风险是什么？ |
| B级（信息适中） | 上市1-3年、覆盖有限、部分数据需推算 | AI可能用"合理推测"填补空白，看起来完整实则虚假确定性 | 每个推算数据标注置信度，区分"有据推算"和"凭空填充" |
| C级（信息稀缺） | 刚上市/冷门股/新兴市场、几乎无覆盖 | AI会因资料不足而过度保守，误判为"看不清=不好" | 用第一性原理提问（见下方），从有限信息中提取商业本质 |
C级公司的第一性原理研究法： 当公开资料不足时，不要试图拼凑出"看起来完整"的报告，而是聚焦以下底层问题：
偏见自查清单（研究全程保持警惕）：
将信息丰富度评级结果写入报告开头，并在最终结论中注明"AI研究置信度"与"实际投资确定性"的区别。
数据源规范：参见
skills/financial-data.md。所有财务数据必须来自两个独立来源，误差>1%须标记。
- 美股：macrotrends（主）+ stockanalysis（副）
- 港股：aastocks（主）+ macrotrends ADR（副）
- A股：东方财富（主）+ 巨潮资讯（副）
使用 Task 工具启动后台 Agent，从网络收集以下数据：
数据收集完成后，必须调用 tools/financial_rigor.py 对关键数据进行程序化验证，杜绝LLM心算误差。
必须验证的数据点：
强制验证步骤（使用Bash调用工具）：
Step 1 — 市值验算（精确十进制，非浮点）：
python3 tools/financial_rigor.py verify-market-cap \
--price {股价} --shares {总股本} --reported {报告市值} --currency {币种}
Step 2 — 关键数据多源交叉验证：
python3 tools/financial_rigor.py cross-validate \
--field {字段名} --values '{"来源1": 数值, "来源2": 数值}' --unit {单位}
对收入、净利润、现金储备分别执行。
Step 3 — 估值指标精确验算（PE/PB/ROE/FCF Yield 等）：
python3 tools/financial_rigor.py verify-valuation \
--price {股价} --eps {EPS} --bvps {每股净资产} --fcf-per-share {每股FCF} --dividend {每股股息}
验证规则：
常见错误防范：
分析要点：
逐一验证五类护城河：
| 护城河类型 | 验证方法 |
|---|---|
| 品牌/定价权 | 是否能在不损失销量的情况下提价？ |
| 转换成本 | 客户迁移到竞品的成本有多高？ |
| 网络效应 | 用户越多产品越好吗？ |
| 规模效应 | 规模带来的成本优势有多大？ |
| 技术/专利壁垒 | 技术领先几年？能否被复制？ |
分析护城河趋势：过去5年变宽还是变窄？未来5年预判。
巴菲特式追问：10年后这条护城河还在吗？什么能摧毁它？
芒格式追问：我最可能在哪里犯错？聪明人为什么会不买/做空这家公司？
段永平式追问：如果CEO退休，这家公司还能保持竞争力吗？
李录式追问：站在20年后回看，这家公司是"这个时代的标准石油"还是"昙花一现的3Com"？
python3 tools/financial_rigor.py three-scenario \
--price {股价} --eps {EPS} --shares {总股本亿} \
--growth {乐观增速} {中性增速} {悲观增速} \
--pe {乐观PE} {中性PE} {悲观PE} --years 3 --currency {币种}
段永平式追问：如果股市明天关闭5年，你愿意以这个价格持有吗？
汇总表格：
| 维度 | 结论 | 信心度 |
|---|---|---|
| 生意质量（段永平） | ||
| 护城河（巴菲特） | ||
| 管理层（段永平+巴菲特） | ||
| 最大风险（芒格） | ||
| 文明趋势（李录） | ||
| 估值（巴菲特+段永平） |
最终决策表格：
| 策略 | 建议 |
|---|---|
| 空仓者 | |
| 持仓者 | |
| 卖出信号 | |
| 加仓信号 |
四位大师的模拟点评（用引用格式）。
~/[公司名]投资研究报告.md报告写入文件后，必须执行数据抽检，通过后方可发布：
Step 1 — 提取抽检清单（15%随机抽样）：
python3 tools/report_audit.py extract \
--report <报告文件路径>
输出 JSON 模板，每项含 fetched_value（待填）。
Step 2 — 取数核验：
对清单中每个数据点，按 skills/financial-data.md 规范从可靠信源取数
（美股：macrotrends+stockanalysis；港股：aastocks+macrotrends；A股：东方财富+巨潮资讯），
填入 fetched_value / fetched_source / fetched_value2 / fetched_source2。
Step 3 — 输出判决：
python3 tools/report_audit.py verdict \
--results '<填好的JSON>' \
--report <报告文件名>
AI Berkshire skill: 财务数据获取与交叉验证规范. Source: skills/financial-data.md.
AI Berkshire skill: 深度公司系列：8 篇长文拆一家公司. Source: skills/deep-company-series.md.
AI Berkshire skill: 投资论文漂移检测：分清事实变化与措辞变化. Source: skills/thesis-drift.md.
AI Berkshire skill: 供应链瓶颈猎手：AI驱动的全球产业链瓶颈套利. Source: skills/bottleneck-hunter.md.
AI Berkshire skill: 段永平问答：以他的方式思考. Source: skills/dyp-ask.md.
AI Berkshire skill: 财报精读：一手资料深度解读. Source: skills/earnings-review.md.