stock-research-engine

核心定位

stock-research-engine 是一款面向股票投资者的基本面深度研究引擎，采用买方基金经理视角，为 A股、港股、美股提供结构化的投资分析输出。其核心价值在于将分散的市场信息整合为可直接服务于买卖决策的研判框架，而非传统卖方研报的信息罗列。

显著优点

1. 投资决策导向的框架设计

• 七步分析流程（时间校准→市场情绪→基本面速写→管理层评估→业务拆解→投资结论→估值展示）紧扣"这个价格该不该买"的核心命题
• 明确区分事实与观点（"我们认为/我们判断"），降低认知偏差
• 2000-4000字的信息密度控制，杜绝套话

2. 数据纪律与时效性保障

• 强制标注数据来源、时间节点和口径
• 双来源交叉验证机制，超两个季度的数据自动预警
• 用户数据优先原则，避免重复搜索

3. 多市场覆盖与数据源分级

• A股（tushare/akshare优先）、港股/美股（FMP优先）差异化数据源配置
• 公告原文直采（巨潮资讯网、公司IR页面）

潜在局限与风险

1. 数据依赖性风险

• 高度依赖外部金融数据接口（tushare、FMP等）的稳定性和权限
• 若核心数据源失效，分析质量将显著下降
• 对非标准化信息（如管理层定性判断）的获取能力有限

2. 模型化分析的边界

• 虽强调"有观点有判断"，但本质上仍是基于公开信息的归纳推理
• 对突发黑天鹅事件、内幕信息驱动的股价异动缺乏预判能力
• "买方视角"是风格模拟，非真实资金约束下的决策压力测试

3. 估值模块的决策留白

• 估值数据"纯展示、不下结论"的设计虽严谨，但对新手用户可能形成决策真空
• 缺乏个性化的仓位管理、组合风险建议

适合人群

• 主动管理型投资者：需要超越市场共识的深度研究框架
• 多市场配置者：希望统一 A/H/美股分析语言的跨市场投资者
• 研究效率优先者：需批量快速学习多个标的基本面的场景
• 不适合：纯量化交易、短线技术分析、完全被动的指数投资者

常规风险提示

• 所有分析基于公开信息，不构成投资建议
• 历史估值分位不等于安全边际，需结合产业周期判断
• 管理层评估存在主观性，建议交叉验证关键人物背景
• 数据源时效性警告不可忽视，财报空窗期分析置信度下降

核心功能与定位

stock-research-engine 是一款面向专业投资者的个股基本面深度研究工具，定位为"买方基金经理视角"的投资分析引擎。该Skill不直接调用外部API执行交易，而是提供系统化的分析框架和决策指引，帮助用户在分析股票代码（如600519茅台、00700.HK腾讯、AAPL苹果）时，输出结构化、高信息密度的投资简报。

显著优点

1. 投资实战导向
不同于传统研报的罗列式分析，该引擎明确服务于"这个价格该不该买、买什么、赚什么钱"的投资决策核心问题。框架设计包含市场情绪标签、催化剂日历、跟踪清单、风险分级等实战模块，直接对接基金经理的日常 workflow。

2. 数据纪律严格
强调"数据标注时间节点和口径，无法获取的直接注明，绝不编造"，并要求核心数据至少两个来源交叉验证。这种设计有效抑制了大模型常见的"幻觉"问题，对投资决策场景至关重要。

3. 全市场覆盖
框架适配A股（Tushare/akshare）、港股/美股（FMP/Yahoo Finance）多市场数据源，并区分不同市场的信息披露规则和数据获取路径，具备真正的全球化投研能力。

4. 信息密度高
要求输出2000-4000字，"杜绝套话，有观点有判断"，同时明确区分事实与观点（事实客观陈述，观点用"我们认为"标识），符合专业投资者的阅读偏好。

潜在局限性与风险提示

1. 纯提示词模板，无实时数据能力
该Skill为纯Markdown文档，不具备直接调用金融数据API的能力。实际分析时，底层模型仍需自行搜索/计算数据，数据质量和时效性取决于模型本身的能力，而非Skill的技术保障。

2. 依赖模型层的搜索质量
虽然框架要求"搜索query带具体时间关键词"、"数据至少两个来源交叉验证"，但最终执行效果高度依赖所使用AI模型的搜索工具质量和数据检索能力，Skill本身无法强制约束。

3. T3级别来源可信度
维护者为个人开发者（ttyyyy8517），无知名机构背书。尽管安全检测通过，但长期维护稳定性、框架更新及时性存在不确定性。

4. 投资风险的最终归属
Skill明确声明"估值模块客观呈现数据，不做值不值的判断，决策留给用户"，这既是优点也是责任边界——用户需自行承担所有投资决策后果。

适用人群

• 专业投资者：基金经理、分析师、私募研究员，需要快速建立对陌生标的的认知框架
• 进阶个人投资者：具备基础财务知识，希望用机构化思维替代消息面炒股
• 批量研究场景：需要一次性梳理多个行业/标的的基本面，建立可比分析基础

常规风险

• 数据时效性风险：模型搜索可能获取过时数据，Skill虽要求标注数据新鲜度警告，但无法自动校正
• 市场极端行情失效：情绪标签、催化剂分析在流动性危机、黑天鹅事件中可能迅速失效
• 模型幻觉传导：若底层模型错误理解Skill框架要求，可能输出"看起来专业但数据失真"的分析

使用建议

该Skill最适合作为分析框架启动器和输出格式规范器，而非全自动研究机器人。建议专业用户结合自身数据源（如Wind、Bloomberg终端）交叉验证关键数据，将Skill输出作为结构化思考的起点而非终点。