skill分享：Stock Analysis Skill 使用指南

概要

Stock Analysis Skill 是一个面向 AI Agent 的证券研究 Skill，覆盖：

• 股票、ETF 与投资组合分析
• 基本面、估值与技术面研究
• 财报、股息和风险分析
• 行业轮动与股票筛选
• 期权策略设计
• 利率、通胀等宏观市场研究

它的目标不是让 AI 随口给出“买入、卖出、目标价”，而是把投资分析组织成一套可核验、可复算、可证伪的研究流程。

普通大模型做股票分析时，常见问题包括：

• 混淆同名股票、不同交易所或不同币种；
• 使用没有时间戳的价格；
• 把事实、预测和假设混在一起；
• 数据不足时编造 RSI、MACD、期权 Greeks；
• 先形成看涨或看跌结论，再倒推理由；
• 给出目标价，却没有情景概率、压力测试和失效条件。

Stock Analysis Skill 的优势，正是通过来源优先、证据标签、数据闸门、情景估值和确定性评分，尽量约束这些问题。仓库 README明确将其定位为研究工具，而不是个性化投资建议。

整体架构流程

这个项目并不是一份孤立的提示词，而是由入口路由、统一研究协议、专项框架和计算脚本共同组成：

用户提出投资问题
        ↓
SKILL.md 识别意图并选择运行模式
        ↓
验证股票代码、交易所、证券类型、币种和时间点
        ↓
加载对应的专业研究框架
        ↓
收集并标注事实、预测、假设和未知信息
        ↓
建立熊市、基准、牛市三种情景
        ↓
计算预期回报、要求回报、压力损失和证据分数
        ↓
执行数据闸门与评级门槛
        ↓
输出结论、反方证据、失效条件和执行计划

项目的主要结构如下：

stock-analysis/
├── SKILL.md
├── frameworks/
│   ├── 00-thesis-driven-research.md
│   ├── 01-coverage-memo.md
│   ├── 02-technical-panel.md
│   ├── 03-risk-framework.md
│   ├── 04-earnings-analyzer.md
│   ├── 05-dividend-analyzer.md
│   ├── 06-sector-rotation.md
│   ├── 07-quant-screener.md
│   ├── 08-etf-portfolio.md
│   ├── 09-options-architect.md
│   └── 10-macro-outlook.md
├── references/
│   ├── research-protocol.md
│   ├── decision-model.md
│   └── output-quality.md
└── scripts/
    ├── decision_math.py
    └── test_decision_math.py

其中，SKILL.md 负责识别用户意图。例如：

• “这家公司是否值得买”进入完整单股研究；
• “分析基本面和估值”进入基本面框架；
• “寻找支撑位和买入区间”进入技术分析框架；
• “分析财报”进入财报分析框架；
• “设计 covered call”进入期权框架；
• “分析美联储和市场状态”进入宏观框架。

这使它不必每次加载所有内容，也减少了不同分析任务互相干扰的问题。

技术名词解释

Skill

Skill 可以理解为提供给 AI Agent 的专业工作规范。它本身不是新的大模型，也不是独立行情终端，而是告诉 Agent：

• 应该先检查什么；
• 应该加载哪个研究框架；
• 哪些数据可以使用；
• 数据缺失时如何降级；
• 怎样计算和输出结论。

因此，最终效果仍然取决于 Agent 是否具备浏览网页、读取财报和取得行情数据的能力。

证据标签

项目使用六类标签区分信息性质：

标签	含义	示例
[F]	Fact，已核验事实	财报披露的营业收入
[C]	Consensus，市场共识	分析师一致预期
[E]	Estimate，预测值	对下一年度利润的估计
[A]	Assumption，假设	假设估值倍数保持不变
[D]	Derivation，推导结果	根据财报计算的利润率
[U]	Unknown，未知或未核验	无法取得可靠的当前价格

它的价值在于：读者可以立即分辨一句话究竟是公开事实、模型计算，还是研究者的主观假设。

数据闸门

数据闸门决定当前证据是否足以支撑结论。

例如，无法验证当前价格时，Skill 应将 P0 标记为 [U]，并停止输出依赖当前价格的目标价或最终评级，而不是偷偷使用搜索摘要中的过期价格。

同样，如果没有同步的期权买卖报价，就不应该编造隐含波动率、Greeks、胜率或策略收益。

情景分析

Skill 使用 Bear、Base、Bull 三种情景，而不是只给一个目标价。

每个情景至少需要：

• 目标价格；
• 现金分配或股息；
• 发生概率；
• 对应总回报。

情景概率必须合计为 100%，否则计算脚本会直接报错。

ETR、PCR、SL 与 ECS

• ETR：情景加权预期总回报；
• PCR：预期上涨空间对预期下跌空间的覆盖程度；
• SL：熊市情景与独立压力测试中更严重的损失；
• ECS：Evidence Confidence Score，证据置信分数。

这些指标会共同决定一项研究能否得到正面评级，而不是只看“预期收益率很高”。

技术细节

一、如何安装

安装时需要复制完整仓库，不能只下载 SKILL.md。因为入口文件还会继续加载 frameworks、references 和 scripts 中的内容。

Windows PowerShell：

New-Item -ItemType Directory -Force "$HOME\.agents\skills" | Out-Null

git clone `
  https://github.com/Arthur19940725/stock-analysis-skill.git `
  "$HOME\.agents\skills\stock-analysis"

macOS 或 Linux：

mkdir -p ~/.agents/skills

git clone \
  https://github.com/Arthur19940725/stock-analysis-skill.git \
  ~/.agents/skills/stock-analysis

如果目录已经存在，可以进入目录更新：

git pull --ff-only

安装后，建议开启一个新的 Agent 任务。如果当前客户端仍未识别 Skill，则重启对应客户端，让它重新扫描技能目录。

二、验证安装

进入安装目录后运行：

Windows：

cd "$HOME\.agents\skills\stock-analysis"
python .\scripts\test_decision_math.py

macOS 或 Linux：

cd ~/.agents/skills/stock-analysis
python3 scripts/test_decision_math.py

本文核对当前 main 时，测试结果为：

Ran 11 tests
OK

这些测试主要验证确定性计算、输入边界和数据不足时的降级行为。它们能证明计算脚本按预期工作，但不能证明任何投资策略能够获得未来收益。

三、如何调用

可以直接描述任务：

使用 stock-analysis 分析苹果公司（Nasdaq: AAPL），
持有期为 12 个月，比较基准为标普 500，
我的风险承受能力为中等，目前没有持仓。

也可以显式调用：

$stock-analysis 分析微软（Nasdaq: MSFT），
评估未来 12 个月的基本面、估值、主要风险和合理买入条件。

技术分析示例：

$stock-analysis 分析 SPY 的技术结构、趋势、支撑位和风险。

请标明价格时间、时区、复权方式和数据来源；
如果历史数据不足，不要生成无法计算的指标。

财报分析示例：

$stock-analysis 分析 NVIDIA 最新季度财报。

区分已披露事实、管理层指引、市场共识和你的假设，
并列出最强支持证据、最强反方证据以及投资逻辑失效条件。

期权分析示例：

$stock-analysis 为 AAPL 设计最大亏损明确的期权策略。

预算为 2000 美元，不允许无限风险结构；
必须使用同一时间点的 bid/ask 期权链，
如果无法取得可靠报价，就停止计算并说明缺失数据。

四、怎样写出更好的输入

一次完整分析最好包含以下信息：

证券代码：
主交易所：
证券类型：
分析日期或价格时间：
持有期：
比较基准：
最低要求回报：
风险承受能力：
最大可接受回撤：
当前持仓状态：
持仓成本与仓位：
重点问题：

例如：

$stock-analysis 全面分析 SK hynix（KRX: 000660）普通股。

分析日期：当前日期
持有期：12 个月
基准：KOSPI
最低要求回报：12%
风险承受能力：中等
最大可接受回撤：25%
持仓状态：观察名单

重点分析 HBM 竞争力、资本开支、存储周期、
估值、汇率风险以及周期反转风险。
所有市场数据必须注明币种、时间戳、时区和来源。

股票代码、交易所和证券类型尤其重要，因为同一个 ticker 可能对应不同市场、不同币种，甚至完全不同的金融产品。完整输入规范可以参考项目的统一研究协议。

五、它的主要优点

第一，来源优先。它优先使用监管文件、交易所公告、公司 Investor Relations 和官方数据，而不是把搜索摘要当作最终证据。

第二，时间点意识较强。历史复盘只能使用当时已经公开的信息，避免用后来发布的财报或修订数据“预测过去”。

第三，数据不足时主动降级。缺少可靠数据，就降低结论精度或暂不评级，而不是为了生成一份完整报告而补造数字。

第四，结论可以复算。decision_math.py 会计算情景回报、要求回报、压力损失和证据分数，并使用固定门槛限制最终评级。

第五，强制寻找反方证据。核心投资观点不仅要有支持证据，还要列出最强反证和明确的失效条件。这比单纯罗列利好信息更接近严谨的投资研究。

第六，覆盖面完整但可以按需加载。同一套 Skill 可以处理股票、ETF、筛选、行业轮动、财报、股息、技术面、期权和宏观研究，同时通过意图路由避免每次都进行全量分析。

六、需要注意的边界

Stock Analysis Skill 不能保证盈利，也不能替代实时行情终端、专业数据库或持牌投资顾问。

它不会自动让错误数据变正确。如果 Agent 无法访问可靠财报、行情、分析师共识或同步期权链，正确行为应该是披露缺口、降低精度或停止评级。

此外：

• 技术指标依赖足够长度、频率一致的历史数据；
• 期权策略依赖同一时点的 bid/ask、IV 和合约信息；
• 情景概率仍需要研究者给出可解释的依据；
• 固定评级公式可以减少叙事漂移，但不能消除输入假设错误；
• 动态行情和最新财报必须在实际决策前重新核验；
• GitHub 仓库公开可访问不等于自动获得任意再分发或商业使用权，使用时应检查项目最新许可说明。

小结

Stock Analysis Skill 最值得肯定的地方，不是它能生成一篇很长的股票报告，而是它尝试给 AI 投资研究安装“护栏”：

• 先确认分析对象；
• 再确认数据来源和时间；
• 区分事实、预测、假设与未知；
• 用多情景分析代替单点目标价；
• 用固定计算规则约束评级；
• 数据不够时明确拒绝过度推断；
• 为每个核心观点提供反证和失效条件。

它更像一套证券研究操作系统，而不是“AI 荐股神器”。