核心用法
stock_fundamental_analysis 是一款面向投资者的股票深度基本面分析技能，通过自然语言触发即可启动完整投研流程。用户可通过"XX公司基本面怎么样""帮我分析XX财报"等口语化指令调用该技能。系统会自动执行六大分析维度：财务健康度评估（资产负债、现金流等8项指标）、估值分析（PE/PB/PEG/DCF/PS五法并用）、成长性分析（营收利润增速及杜邦分解）、行业对标（雷达图排名）、财报解读（季度变化与风险识别）、股东机构追踪（北向资金与基金持仓）。最终输出包含综合评分的 Markdown 结构化投研报告。
显著优点
该技能的最大优势在于体系化与专业性。六大维度覆盖基本面研究的核心框架，25%-25%-25%-15%-10%的权重设计符合专业投研逻辑。纯本地计算架构确保数据安全，Python标准库实现零第三方依赖，代码透明可审计。DCF折现模型、杜邦分解等高级分析能力的平民化，让普通投资者也能获得机构级研究支持。输出格式规范，含置信度标注与免责声明，具备专业研报特征。
潜在缺点与局限性
数据源依赖是首要局限——技能本身不生产数据，需通过STOCK_DATA_API_KEY接入外部API，数据质量与时效性取决于第三方服务商。市场覆盖盲区方面，A股、港股、美股的数据源成熟度差异可能导致部分市场分析深度不足。模型边界上，基本面分析无法捕捉市场情绪、宏观政策突变、黑天鹅事件等价格驱动因素，技术分析与事件驱动型机会不在能力范围内。此外，DCF模型对假设参数敏感，不同分析师可能得出迥异结论。
适合的目标群体
该技能最适合价值投资者与基本面研究者——包括长期持股的个人投资者、需要快速初筛标的的业余研究员、以及希望提升研究框架系统性的投资爱好者。对财务学习者也具有教育价值，可通过实际案例理解杜邦分析、估值倍数的应用场景。不适合纯技术派交易者、日内短线操作者，以及对实时行情有毫秒级要求的用户。
使用风险
性能风险：DCF等复杂模型计算可能消耗较多本地资源，大规模批量分析时需注意运行时长。依赖项风险：虽无第三方库依赖，但Python 3环境及API密钥配置不当会导致功能失效。合规风险：尽管输出包含免责声明，用户仍需自行承担投资决策责任，避免将机器分析结果直接转化为交易指令。数据时效风险：财报季度节点可能出现数据更新延迟，建议交叉验证关键财务数据。