US Stock Valuation Model - Value Investing Framework / 美股估值模型-价值投资框架

核心用法

本技能为严格规则驱动的美股估值模型，需输入结构化财报JSON数据，执行四维量化检验：ROE连续3年>15%、负债率<50%、自由现金流占净利>80%、护城河（品牌/网络效应/成本优势）定性评估，最终输出A-D投资评级及双语理由说明。

显著优点

• 规则透明可复现：四项硬指标明确，消除主观判断噪音，适合纪律性投资者
• 双语输出：英文主报告+中文摘要，兼顾国际化与本土用户
• 自动化执行：Python脚本一键运行，输出JSON与Markdown双格式
• 护城河纳入框架：突破纯量化局限，将定性竞争优势转化为可评估维度

潜在缺点与局限性

• 行业适配僵化：15% ROE阈值对高杠杆金融、重资产公用事业等行业可能误杀优质标的
• 时滞依赖：需3年连续数据，对上市不久或业务转型期公司无法评估
• 护城河评估主观：品牌/网络效应缺乏量化标准，不同分析师结论可能分歧
• 无估值定价：仅判断质量未涉及价格合理性，可能出现"好公司贵到不能买"的盲区
• 单一市场局限：规则基于美股财报结构，港股/A股需调整字段映射

适合人群

• 信奉巴菲特-芒格价值投资理念、追求"以合理价格买优秀公司"的长期投资者
• 需快速初筛美股标的、建立观察清单的分析师或研究员
• 希望将投资纪律系统化为可执行代码的量化爱好者

常规风险

• 模型失效风险：低利率周期高ROE公司可能隐含高杠杆回购操纵，需交叉验证现金流真实性
• 数据质量风险：非GAAP调整后净利可能扭曲自由现金流比率，建议核对10-K原始披露
• 评级过度简化：D级公司可能处于周期底部或大额资本开支期，机械排除或错失反转机会
• 执行依赖风险：脚本运行需本地Python环境及依赖库，生产环境建议容器化部署

核心用法

该Skill是一个规则驱动的US股票价值投资评估模型，输入结构化财务数据后，自动执行四项硬性指标检测：

• ROE规则：连续3年ROE > 15%
• 杠杆规则：负债率 < 50%
• 现金转化规则：自由现金流 > 净利润的80%
• 护城河规则：评估品牌/网络效应/成本优势

输出A/B/C/D四级投资评级及双语理由说明，支持命令行批量处理。

显著优点

1. 决策透明：四项规则完全公开，无黑箱算法，投资者可清晰知道评分依据
2. 本地安全：纯Python标准库实现，零网络请求、零第三方依赖，财务数据无需上传云端
3. 双语输出：默认英文主报告+中文摘要，方便跨境投资场景
4. 轻量高效：305行代码，5个文件，毫秒级计算响应

潜在局限

1. T3来源：本地/个人项目，无GitHub仓库验证，作者信誉和社区反馈不可查
2. 规则刚性：固定阈值（如ROE>15%）可能不适用于特定行业（如银行、重资产行业）或熊市环境
3. 数据依赖：需用户自行准备标准化财务JSON，无自动财报抓取功能
4. 无动态调整：评分规则为静态编码，无法根据市场周期自动调整权重

适合人群

• 价值投资者，信奉巴菲特式ROE+护城河分析框架
• 需要快速批量筛选美股标的的分析师
• 对数据隐私敏感、拒绝云端财报工具的用户
• 有一定财务数据处理能力的进阶投资者

常规风险

1. 模型风险：硬编码规则可能产生假阳性（错过高成长低ROE公司）或假阴性（错判周期股）
2. 输入风险：若财务JSON数据有误（如单位不一致、会计期间错位），将直接导致错误评级
3. 时效性风险：依赖历史财报数据，无法反映最新季度业绩或突发事件影响
4. 来源风险：T3级别建议人工复核代码逻辑，确认无隐藏后门后再部署使用