AI 投研九章报告一键生成｜Claude Skill（equity-research-skill）

📌 核心价值：把"研究一下这只股"变成一份事实可溯、九章结构、多方法估值交叉验证的机构级投研报告

给 Claude Code / Claude Desktop (Cowork) / Codex 装上一颗"投研大脑"：五步工作流（标的确认 → 数据源探测与并行采集 → 对账与时间戳 → 九章模板撰写 → 估值交叉验证并交付），A 股 / 港股 / 美股通吃，A/H 双重上市标的自动做溢价对比。

---

🚀 什么是 equity-research-skill？

equity-research-skill 是一个为 Claude Code / Claude Desktop (Cowork) / Codex 等 AI Agent 工具设计的 Agent Skill：当用户随口说"研究一下 NVDA"或"分析下茅台值不值得买"时，它会自动触发，把这个请求转化为一份 事实准确、来源可溯、结论明确 的中文机构级投研报告（九章结构 + 多方法估值交叉验证）。

核心定位：把分散在分析师大脑里的"九章报告框架 + DCF 模型 + 标定纪律"封装成可复现的 Agent Skill

• 🌍 多市场覆盖：美股 / 港股 / A股；A/H 双重上市标的默认做溢价对比并分市场给结论
• 📋 五步工作流：标的确认 → 数据源探测与并行采集 → 数据对账与时间戳 → 九章模板撰写 → 估值交叉验证并交付
• 🧮 估值纪律：至少三种方法交叉验证——反向 DCF（证伪现价）+ 三情景概率加权 DCF + 相对估值/SOTP；所有 DCF 计算由 scripts/dcf.py 执行，禁止心算
• 🎯 结论可复现：估值标签与买卖动作按预注册标定规则映射产出（含动作矩阵与治理否决项），同一组数字不会两次给出不同结论
• 📚 九章报告结构：一页速览 → 业务详情 → 竞争与护城河 → 管理层与治理 → 财务分析 → 多方法估值 → 分析师观点汇总 → 新闻与催化剂 → 投资结论
• 🔬 研究纪律：事实与判断分离、每个关键数据标注来源与时间、冲突数据显式对账、缺失数据如实标注"未获取到"

项目背景

机构级投研报告的痛点不是"找不到数据"，而是"如何把数据按统一结构组织 + 用至少三种估值方法交叉验证 + 给出可复现的结论"。equity-research-skill 把这套分析师心智模型沉淀成纯 Markdown 指令 + 一个无依赖的 Python DCF 计算器：

1. 一行命令 git clone 到 ~/.claude/skills/equity-research/
2. 直接说"帮我研究一下 NVDA" → Skill 自动触发
3. 按九章模板输出 Markdown 报告（可继续转 docx）
4. 所有估值计算由 python scripts/dcf.py 跑出，禁止心算

⚠️ 本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。

---

✨ 核心功能一览

1. 多市场覆盖 + A/H 双重上市溢价模块

市场	数据源	覆盖标的
美股	SEC EDGAR / Morningstar / IBKR	NASDAQ / NYSE 全市场
港股	披露易（HKEX） / Morningstar HK	港股主板 + 创业板
A股	巨潮资讯网 / 上交所 / 深交所	沪深主板 + 科创板 + 创业板 + 北交所
A/H 双重上市	自动溢价对比模块	工商银行、宁德时代、比亚迪等

2. 五步工作流

1️⃣ 标的确认         →  公司名/代码 → 统一识别为 (市场, 代码) 对
2️⃣ 数据源探测与采集  →  探测 IBKR/Morningstar/SEC/巨潮/披露易可用性，并行抓取
3️⃣ 数据对账与时间戳  →  跨源冲突显式标注，每个数据点带"来源 + 时间戳"
4️⃣ 九章模板撰写     →  按 references/report-template.md 顺序逐章填充
5️⃣ 估值交叉验证     →  反向 DCF + 三情景 DCF + 相对估值/SOTP，加权出最终区间

3. 九章报告结构（references/report-template.md）

#	章节	内容
一	一页速览	现价 / 估值 / 共识 / Morningstar / 综合合理价值 / 一句话结论
二	业务详情	商业模式 + 最新收入结构 + 客户与产业链位置
三	业务与竞争分析	行业空间 + 竞争格局 + 护城河评分（无形/转换/网络/成本/规模）
四	管理层与公司治理	核心管理层 + 所有权与激励 + 资本配置 + 治理红旗
五	财务分析	五年趋势 + 最新季度 + 资产负债表 + 同业对比
六	多方法估值	相对估值 + 十年 DCF（含敏感性矩阵） + 中周期盈利 + 锚点
七	分析师观点汇总	买卖分布 + 目标价区间 + 平均/中位 + 与自身判断分歧
八	最新新闻与催化剂	时间轴 + 事件 + 多/空判断 + 影响逻辑
九	投资结论	评级 + 综合合理价值 + 执行框架 + 持续监控指标

---

🛠️ 快速上手：5 分钟跑通示例

安装 / 部署

Claude Code（个人级）

# 克隆到 Claude Code 全局 skills 目录
git clone https://github.com/rollingSirius/equity-research-skill.git ~/.claude/skills/equity-research

# 立刻可用：说"帮我研究一下 NVDA"即自动触发

Claude Code（项目级）

git clone https://github.com/rollingSirius/equity-research-skill.git .claude/skills/equity-research

Claude Desktop / Cowork

1. 把仓库打包为 zip（或下载 Release）
2. Settings → Capabilities → Skills 上传 zip
3. 对话中说："用 equity-research 技能帮我看看 AAPL 值不值得买"

Codex CLI / 其他 Agent 工具

# 1. 放进项目 skills 目录
mkdir -p skills && git clone https://github.com/rollingSirius/equity-research-skill.git skills/equity-research

# 2. 在 AGENTS.md 加一句：
echo '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。' >> AGENTS.md

核心代码示例：DCF 计算器

scripts/dcf.py 是 纯标准库 实现的 DCF 计算器（三阶段 / 反向 / 敏感性 / 概率加权 / 标定），禁止心算。

# 自检脚本是否正常
python scripts/dcf.py --demo

# 反向 DCF：从现价反推市场隐含增长率
python scripts/dcf.py reverse \
    --price 201.55 \
    --shares 24.22e9 \
    --net-cash 41.9e9 \
    --fcf 119.1e9 \
    --wacc 0.095 \
    --g 0.03

# 三情景概率加权 DCF
python scripts/dcf.py weighted \
    --scenarios-json scenarios.json \
    --weights 0.25,0.50,0.25

# scripts/dcf.py 的核心计算逻辑（Python 3，仅标准库）
def dcf_3stage(fcf0, g1, g2, g3, wacc, net_debt, shares):
    """三阶段 DCF：高速增长 → 减速 → 永续"""
    pv = 0.0
    fcf = fcf0
    # 阶段一：高速增长（显式预测期）
    for t in range(1, 6):
        fcf *= (1 + g1)
        pv += fcf / (1 + wacc) ** t
    # 阶段二：减速期
    for t in range(6, 11):
        fcf *= (1 + g2)
        pv += fcf / (1 + wacc) ** t
    # 阶段三：永续增长率
    tv = fcf * (1 + g3) / (wacc - g3)
    pv += tv / (1 + wacc) ** 10
    return (pv - net_debt) / shares

注意：所有 DCF 假设必须以 JSON 留档，估值结论可被同组数字重新跑出同样结果

---

📊 与竞品对比

对比维度	equity-research-skill	Qlib	QuantGPT	Vibe-Trading
核心定位	AI Agent 九章投研 Skill	微软 AI 量化平台	Agent 驱动因子工厂	多智能体量化框架
输出形态	Markdown 九章报告	Python API + 报告	因子 + 评测	策略代码 + 信号
估值方法	反向 DCF + 三情景 + SOTP	仅回测框架	无	无
多市场	美股 / 港股 / A股 + A/H	A股为主	美股为主	美股 + A股
标定纪律	估值标签 + 治理否决项	无	无	无
Agent 兼容	Claude Code / Desktop / Cowork / Codex	需自包装	需自包装	需自包装
依赖	Python 3 标准库 + 联网	较重 Python 栈	较重 Python 栈	较重 Python 栈

equity-research-skill 的差异化：

1. 九章结构 + 三方法估值：分析师级别的报告骨架 + 估值纪律，封装为 Skill 后跨 Agent 复用
2. 纯 Markdown 指令：无私有格式，任何能读文件的 Agent 都能跑（Claude / Codex / Cowork / 自研 Agent）
3. 零依赖 DCF 计算器：scripts/dcf.py 仅用 Python 3 标准库，禁止心算估值
4. A/H 双重上市溢价模块：自动覆盖工商银行、宁德时代、比亚迪等跨市场标的
5. 标定纪律：估值 → 标签 → 买卖动作按预注册规则映射，避免"数字一样结论不同"

---

🏗️ 系统架构

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
│   ├── data-sources.md             # 取数手册：工具探测与降级表、行情 / Morningstar / SEC / 分析师数据与对账规则
│   ├── valuation-methods.md        # 估值方法：相对估值、正向/反向 DCF、情景加权、SOTP + 结论标定规则
│   └── markets-cn-hk.md            # A股/港股/A+H 差异手册：合约解析、披露源、财年、A/H 溢价模块
└── scripts/
    └── dcf.py                      # DCF 计算器：三阶段/反向/敏感性/概率加权/标定（python dcf.py --demo 自检）

数据对账纪律（references/data-sources.md）

报告所有数据点必须满足：

属性	要求
来源	每个数字标注 URL + 平台（如 "IBKR, 2026-07-17" / "Morningstar, 2026-05-21"）
时间戳	每个数据点带时间戳，跨源冲突显式对账（如 Morningstar 动态页异常值 vs. 报告值）
缺失标注	拿不到的数据明确写"未获取到"，禁止编造或心算
降级表	工具不可用时按预设顺序降级（IBKR → yfinance → 联网抓取）

估值标定规则（references/valuation-methods.md）

综合区间 = w1 × 相对估值 + w2 × DCF + w3 × 中周期盈利 + w4 × Morningstar 锚点
默认权重：30% / 35% / 20% / 15%

动作矩阵（标签 → 买卖动作）：
  中度低估 (< -15%)           → 分批买入 / 已有仓位继续持有
  严重低估 (< -30%)           → 大幅买入 / 调高仓位
  合理区间 (-15% ~ +15%)      → 持有 / 关注
  中度高估 (> +15%, < +30%)   → 分批减仓
  严重高估 (> +30%)           → 大幅减仓 / 离场观望

治理否决项（任意一条触发 → 自动降级评级）：
  ✗ 关键审计意见非标
  ✗ 关联交易占比 > 30%
  ✗ 实控人/CEO 频繁变更（24 个月内 ≥ 2 次）
  ✗ 重大未决诉讼（涉案金额 > 总资产 10%）

---

💡 适用场景

场景 1：九章结构报告模板

核心优势：分析师级别的报告骨架 + 估值纪律，避免"数字一样结论不同"的常见漏洞

功能说明：九章模板覆盖"速览 → 业务 → 竞争 → 治理 → 财务 → 估值 → 分析师 → 新闻 → 结论"，每章都有明确的输入字段（如护城河评分表、同业对比表、敏感性矩阵）。

输入要求：仅需提供股票代码或公司名 + 投研意图（"研究"/"是否值得买"/"估值"等）

输出效果：完整 Markdown 报告（300+ 行，含表格与来源时间戳），可继续转 docx / Notion

适用场景：

• 卖方/买方分析师快速生成初稿，再人工精修
• 个人投资者深度调研个股
• 教学场景：演示"什么是机构级投研"

---

场景 2：DCF 三方法估值交叉验证

核心优势：至少三种估值方法交叉验证 + 反向 DCF 证伪现价 + 概率加权情景分析

功能说明：

• 方法一 相对估值：FY2027 EPS × 合理 P/E 区间（24-30x for NVIDIA）
• 方法二 十年 DCF：WACC × 永续增长率敏感性矩阵 + 增速 × FCF 利润率敏感性矩阵
• 方法三 中周期盈利：FY2028 EPS × 中周期 P/E（20-25x），折现回当前价值
• 方法四 Morningstar 锚点：独立第三方公允价值
• 反向 DCF：从现价反推市场隐含增长率，自动识别"现价已透支多少增长"

输入要求：历史财务数据（FCF / 营收 / 净现金 / 股本）+ 未来增长假设 + WACC + 永续增长率

输出效果：综合合理价值区间（点估 + 区间），含敏感性矩阵，假设全部 JSON 留档

适用场景：

• 估值辩论：DCF 结论与卖方共识差距多大？为什么？
• 投资决策：当前价是否透支未来增长？
• 教学场景：演示"为什么 DCF 对 WACC 和永续增长率高度敏感"

---

场景 3：A/H 双重上市溢价对比

核心优势：自动识别 A/H 双重上市标的 + 计算溢价 + 分市场给结论

功能说明：

• 自动识别 A/H 双重上市（工商银行、宁德时代、比亚迪、招商银行等）
• 实时计算 A 股 vs. 港股溢价率（基于 IBKR / 巨潮 / 披露易跨市场行情）
• 按 市场分别给出投资结论（同样的"低估"结论，A 股 vs. 港股可能因汇率与税费不同而不同）
• 港股特有因素：印花税（0.13%）、股息预扣税（10%-20%）、南向资金流向
• A 股特有因素：T+1 交收、单日价格波动幅度限制（主板 ±10% / 创业板/科创板 ±20%）、交易时段差异

输入要求：A/H 双重上市股票代码（如 600519 / 00700 / 002594 / 01211）

输出效果：A/H 溢价表 + 分市场结论 + 跨市场套利可行性提示（仅供研究，不构成套利建议）

适用场景：

• 同时持有 A/H 双重上市标的的投资者
• 跨市场对比研究
• 教学场景：演示"为什么不能简单拿 A 股价格 / 港股价格算溢价"

---

用户群体总结

• ✅ 卖方/买方分析师：快速生成初稿 + 估值交叉验证
• ✅ 个人投资者：深度调研个股，避免单一估值方法的盲点
• ✅ AI Agent 开发者：参考"如何把分析师心智模型封装成 Skill"
• ✅ 金融教育：演示机构级投研的标准流程
• ✅ 多 Agent 协作：Codex / Claude / Cowork 都能用同一份 Skill
• ❌ 不适合：直接照搬结论用于实盘（报告明确"不构成投资建议"，需独立判断）

---

🔬 核心技术亮点

1. 反向 DCF 证伪现价

传统 DCF 是"假设增长率 → 算现值"。反向 DCF 是"用现价反推市场隐含的增长率"——如果反推出来的增长率超过历史最高水平，那现价就"透支了未来"。

# 反向 DCF：从现价反推市场隐含的永续增长率
def reverse_dcf_implied_g(price, fcf, shares, net_cash, wacc, terminal_g_guess):
    """
    二分查找：找到使 DCF 输出等于 price 的 terminal_g
    """
    low, high = -0.05, 0.20
    for _ in range(50):
        mid = (low + high) / 2
        dcf_value = dcf_3stage(fcf, g1=0.30, g2=0.10, g3=mid,
                                wacc=wacc, net_debt=-net_cash, shares=shares)
        if dcf_value > price:
            high = mid
        else:
            low = mid
    return mid

判断原则：反推 g > 历史最高水平 → 现价透支；反推 g < 历史均值 → 现价低估

2. 数据冲突显式对账

报告不能"挑一个数字用"。当 Morningstar 动态页异常值 vs. 报告值冲突时，EXAMPLE_NVDA.md 明确说明：

"Morningstar 动态页存在异常解析值；本报告只采用带明确日期和正文的 2026-05-21 公允价值 $280，而不采信动态页异常快照。"

这就是"数据对账纪律"——分析师级别的可靠性。

3. 标定纪律避免结论漂移

同一组数字跑两次不能给出不同结论：

输入：现价 $201.55 / 合理价值区间 $235-$285 / 中枢 $260
计算：(260 - 201.55) / 201.55 = +28.9%
映射：+28.9% 落在 +15% ~ +30% → "中度高估"？还是 +17% ~ +41% 落在 -15% ~ +30% → "分批买入"？

解决：预注册标定规则——
  相对中枢的偏离：(260-201.55)/260 = -22.5%（中枢视角）→ 分批买入
  相对下限的偏离：(235-201.55)/201.55 = +16.6%（下限视角）→ 中度高估
两种视角可同时输出，由分析师自行选择权重。

4. 纯标准库 DCF 计算器

scripts/dcf.py 仅用 Python 3 标准库（无 numpy / pandas / scipy），保证 Skill 在任何 Python 环境都能跑。

$ python scripts/dcf.py --demo
=== DCF 计算器自检 ===
✓ 三阶段 DCF：$261/股
✓ 反向 DCF：从 $201.55 反推 g=4.2%（高于历史均值）
✓ 敏感性矩阵：WACC 9.5% × g 3.0% = $261
✓ 概率加权：基准 50% / 乐观 25% / 悲观 25% = $258

---

🎯 总结

equity-research-skill 不是一个"新工具"——它是 "分析师心智模型 + 估值纪律 + 数据对账"的封装，让 AI Agent 也能产出机构级九章投研报告。

核心价值：

• 📋 九章结构：覆盖速览/业务/竞争/治理/财务/估值/分析师/新闻/结论
• 🧮 三方法估值：反向 DCF + 三情景概率加权 + 相对估值/SOTP
• 🌍 多市场：美股 / 港股 / A股 + A/H 双重上市溢价模块
• 🎯 标定纪律：估值 → 标签 → 动作预注册，避免结论漂移
• 🤖 Agent 兼容：Claude Code / Desktop / Cowork / Codex 全部覆盖

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群：卖方/买方分析师、AI Agent 开发者、个人深度投资者、金融教育者

立即体验：

git clone https://github.com/rollingSirius/equity-research-skill.git ~/.claude/skills/equity-research
# 然后说："帮我研究一下 NVDA"

GitHub 仓库： rollingSirius/equity-research-skill

示例报告： EXAMPLE_NVDA.md（300+ 行 NVIDIA 九章报告样本）

---

数据截至 2026-07-19，最新信息请以 GitHub 仓库为准。