Fundamental Stock Analysis

核心用法

fundamental-stock-analysis 是一个专为基本面股票研究设计的分析型技能。它通过严格执行一套六维度评分手册（质量、资产负债表安全性、现金流、估值、行业调整、置信度修正），将主观投资判断转化为结构化、可复现的决策流程。

工作流程严格遵循：输入解析 → 数据采集 → 快速筛选 → 评分 → 评级 → 输出六大步骤。支持单只股票深度分析和多标的中比较排名，最终给出带置信度的投资结论，并明确标注失效触发条件。

显著优点

1. 决策框架标准化：将分散的基本面要素整合为可量化的评分体系，减少情绪化判断
2. 风险分层清晰：强制分离业务质量、财务安全性和估值三个独立维度，避免"好公司=好股票"的认知陷阱
3. 置信度机制：明确标注数据新鲜度和潜在冲突，对信息缺口坦诚披露而非掩盖
4. 同行比较能力：支持多标的排序和最优选择，适合投资组合构建场景

潜在局限

• 依赖外部数据输入质量，对数据断档敏感
• 评分权重可能无法覆盖所有行业特殊性
• 结构化流程在处理非标准商业模式（如平台型、亏损成长期企业）时可能僵化
• 未明确接入实时市场数据源，可能存在延迟

适合人群

• 价值导向的权益投资者
• 需要系统化研究框架的分析师
• 希望将基本面判断转化为可追溯记录的投资决策者
• 组合管理者进行标的比较筛选

常规风险

• 数据风险：依赖NA标记机制，但历史数据缺失仍可能导致评分失真
• 模型风险：行业调整系数和置信度修正为黑箱参数，过度拟合历史表现可能失效
• 时效风险：未强制要求实时数据，宏观或公司突发事件可能迅速使结论过时
• 执行风险："严格执行手册"的要求在复杂场景下可能与实际情况产生张力

核心用法

该 Skill 为股票基本面分析提供了一套完整的结构化评分框架，采用 "playbook" 模式指导分析流程。用户输入股票代码后，系统按固定步骤执行：输入解析 → 数据收集 → 快速筛选 → 多维度评分 → 综合评级 → 输出结论。

评分维度涵盖五大核心领域：

• Quality（质量）：商业模式护城河、盈利稳定性、管理层质量
• Balance-sheet Safety（资产负债表安全）：杠杆率、流动性、偿债能力
• Cash Flow（现金流）：自由现金流生成能力、现金流质量
• Valuation（估值）：相对估值与绝对估值指标
• Sector Adjustments（行业调整）：针对不同行业的特异性指标调整

支持多股票对比分析，可自动排序并给出 "最佳标的" 建议，同时设置失效触发条件（invalidation triggers）。

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. 多维度风险分离：明确区分 "好公司"（质量）与 "好价格"（估值），避免价值陷阱
3. 同业对比能力：支持多标的横向比较，提供相对排名视角
4. 置信度标注：每个结论均附带置信水平，并主动标注数据陈旧或冲突之处
5. 零代码执行风险：纯 Markdown 文档型 Skill，无外部 API 调用、无数据抓取、无敏感信息处理

潜在缺点与局限性

1. 无实时数据能力：Skill 本身不连接任何数据源，所有财务数据需用户通过其他工具（WebFetch、MCP 浏览器等）手动提供
2. 分析深度依赖输入质量：若用户提供的财务数据不完整或过时，输出质量显著下降
3. 行业调整规则有限：虽有行业调整模块，但覆盖面可能不及专业金融终端（如 Bloomberg、FactSet）
4. 缺乏动态建模：不支持 DCF 等复杂财务模型的自动迭代计算
5. T3 来源可信度：由个人开发者维护，非机构级金融工程团队出品

适合人群

• 价值投资学习者：希望建立系统基本面分析框架的个人投资者
• 股票研究员：需要快速生成标准化分析模板的初级研究员
• 教育场景：金融课程中用于演示基本面分析方法论的教学工具
• 多标筛选场景：需要从数十只候选股票中快速缩小范围的投资组合管理者

常规风险

1. 数据时效风险：Skill 明确标记 NA 缺失值，但无法自动验证用户输入数据的实时性
2. 模型局限性风险：评分体系基于规则设定，可能遗漏非线性风险或黑天鹅事件
3. 行业偏见风险：行业调整系数若未及时更新，可能导致特定板块系统性偏离
4. 教育性质限制：Skill 已内置完整免责声明，输出结果不构成投资建议，用户需独立判断

安全认证要点

• 安全等级 S+（顶级），CLS 扫描得分 98/100
• 纯 T-MD（Markdown 文档）类型，无可执行代码
• 零外部 API 调用、零敏感数据收集、零隐私合规风险
• 文档中引用的金融数据源（Yahoo Finance、Bloomberg 等）仅为参考指引，无实际网络行为