核心用法
该技能提供一套完整的美国股票价值投资决策系统，核心流程包括：定义投资主题与时间框架 → 收集基本面与风险数据 → 对公司质量与估值进行量化评分 → 归类为 Buy/Watch/Avoid 三档 → 设定自动化监控阈值与再平衡规则。
评分模型采用五维加权结构：质量指标（ROIC、毛利率、FCF 利润率、债务纪律）占 30%，增长可持续性（收入与 FCF 增长稳定性）占 20%，护城河与治理（管理层质量、资本配置）占 15%，估值指标（P/E、EV/EBIT、FCF 收益率）占 25%，风险惩罚项（集中度、杠杆冲击、政策/监管风险、会计红旗）占 10%。最终输出 0-100 分的综合得分与 buy/watch/avoid 投资建议。
显著优点
- 结构化框架：将主观价值投资理念转化为可复现的量化流程，降低情绪化决策风险
- 双语输出：默认英文主报告 + 中文摘要，适合跨境投资团队使用
- 自动化支持：提供 Python 评分引擎与 cron-ready 的日/周/季度监控规则，便于集成至量化工作流
- 阈值清晰：75+/60-74/<60 的三档分界简单直接，辅助仓位管理决策
潜在局限
- 数据依赖性：评分质量高度依赖输入数据的准确性与时效性，对非标准财报或新兴行业覆盖不足
- 模型固化风险：权重分配（如质量 30%、估值 25%）为默认设置，未针对特定行业（如科技成长股 vs 公用事业）动态调整
- 缺乏情绪/市场面因子：完全基于基本面，未纳入技术面动量、市场情绪或宏观流动性指标
- 执行门槛：需要用户具备 Python 环境配置能力与财务数据获取渠道
适合人群
- 信奉 Graham-Buffett 传统的价值投资者
- 具备基础编程能力的个人投资者或小型资管团队
- 需要标准化投研流程以支持团队协作的跨境投资群体
- 希望将主观判断部分自动化、保留人工终审权的半量化投资者
常规风险
- 过拟合历史数据：评分模型基于历史财务指标，对未来颠覆性变化（如技术替代、监管剧变）预警不足
- 估值陷阱：低估值评分可能反映价值陷阱而非投资机会，需结合护城河深度综合判断
- 监控盲区：日/周/季度监控规则依赖外部数据源，API 中断或延迟可能导致风险信号遗漏
- 杠杆与集中度惩罚项权重偏低（10%）：高杠杆企业可能在总得分中未充分体现尾部风险