Fundamental Stock Analysis

核心用法

该技能面向股票基本面分析场景，采用六维评分框架：业务质量（护城河、盈利能力）、资产负债表安全性（杠杆、流动性）、现金流健康度、估值合理性、行业周期调整，以及置信度修正因子。用户输入单个或多个股票代码后，系统自动执行标准化流程：解析输入→数据采集→快速筛选→逐项打分→综合评级→输出结论。

显著优点

1. 结构化决策框架：将主观判断转化为可量化的评分体系，减少情绪化决策
2. 多维风险隔离：明确区分「好公司」「安全财务」「便宜价格」三个独立维度，避免价值陷阱
3. 同业对比能力：支持多标的横向排名，自动触发淘汰机制筛选最优标的
4. 透明度机制：强制标注数据时效性问题与置信度等级，不掩盖分析局限性

潜在缺点与局限

• 依赖外部数据源的完整性与准确性，缺失指标需标记为NA
• 行业调整因子可能存在滞后性，难以捕捉结构性变革
• 评分权重固定化，可能不适用于极端市场周期或特殊商业模式
• 未集成实时市场情绪或技术指标，纯基本面视角存在盲区

适合人群

• 具备基础财务知识的长期投资者
• 需要快速筛选标的的基金研究员
• 学习价值投资方法论的教育场景

常规风险

⚠️ 非投资建议声明：输出内容为教育性质，用户需独立判断。历史财务数据不代表未来表现，估值模型存在假设偏差风险。建议在重大决策前交叉验证原始财报数据。

核心用法

本 Skill 提供了一套完整的股票基本面量化分析框架，适用于以下场景：

• 单标的基本面深度评分（质量、资产负债表安全、现金流、估值、行业调整）
• 多标的横向对比与排名
• 基于评分体系的"最佳标的"推荐（含失效触发器）
• 生成风险意识明确的研究结论

执行流程严格遵循 6 步 playbook：输入解析 → 数据采集 → 快速筛选 → 评分 → 评级 → 输出。多标的请求需先逐一分析，再进行 peer ranking。

显著优点

1. 框架化决策：将主观判断转化为可复现的评分体系，减少情绪干扰
2. 风险分离设计：强制区分"业务质量"、"资产负债表安全"、"估值"三大维度，避免混为一谈
3. 置信度机制：要求标注数据新鲜度和置信水平，对冲突/过期数据显式提示
4. 失效触发器：为"最佳标的"结论设置明确的否定条件，增强可证伪性
5. 零代码风险：纯 Markdown 文档型 Skill，无可执行代码、无外部依赖、无网络请求

潜在缺点与局限性

| 局限类型 | 具体说明 |

|---------|---------|

| **执行依赖** | 仅为分析指南，实际数据采集、计算需人工或外部工具完成 |

| **评分主观性** | 指标权重、行业调整系数仍需人工设定，不同用户结论可能差异显著 |

| **数据时效** | 明确标注需处理 stale data，但未强制要求实时数据源 |

| **市场覆盖** | 主要针对美股体系设计（提及 SEC EDGAR），A股/港股需适配调整 |

| **无回测验证** | Skill 本身不包含历史策略有效性验证 |

适合人群

• 价值投资学习者：希望建立系统化分析框架的投资者
• 卖方/买方研究员：需要标准化比较模板进行同业对标
• 组合管理从业者：快速筛选标的池、定位核心持仓候选
• 金融教育场景：课堂教学中的案例分析工具

不适合：寻求自动化交易信号、量化回测系统、或一键生成投资建议的用户。

常规风险

1. T3 来源风险：由个人开发者（nickfiorani）维护，无机构背书，框架权威性依赖社区验证
2. 执行偏差风险：用户可能简化或跳过 playbook 步骤，导致评分失真
3. 数据质量风险：依赖公开数据源（Yahoo Finance、SEC EDGAR），可能存在延迟或错误
4. 合规边界：虽明确标注"非投资建议"，但用户仍可能误用为决策依据
5. 过度拟合风险：自定义评分权重可能事后优化，产生虚假安全感