China Stock Analysis Skill

基于价值投资理论的中国A股分析工具，面向低频交易的普通投资者。

When to Use

当用户请求以下操作时调用此skill：

• 分析某只A股股票
• 筛选符合条件的股票
• 对比多只股票或行业内股票
• 计算股票估值或内在价值
• 查看股票的财务健康状况
• 检测财务异常风险

Prerequisites

Python环境要求（必须使用venv）

所有脚本命令都应在项目虚拟环境中运行。

python3 -m venv .venv
source .venv/bin/activate

安装依赖：

pip install tushare pandas numpy

Environment Bootstrap（执行前必须自动完成）

在运行任何脚本前，先在当前项目目录执行：

cd <skill项目目录>
if [ ! -d ".venv" ]; then
  python3 -m venv .venv
fi
source .venv/bin/activate
python3 -m pip install -U pip
python3 -m pip install tushare pandas numpy

说明：

• .venv 必须位于 skill 项目根目录下（不是全局目录）
• 若 import tushare 失败，必须先执行上述 bootstrap，再继续后续分析流程

Tushare token 约定从 ~/.aj-skills/.env 读取：

# ~/.aj-skills/.env
TUSHARE_TOKEN=your_token

依赖检查

在执行任何分析前，先检查tushare是否已安装：

python3 -c "import tushare; print(tushare.__version__)"

Core Modules

1. Stock Screener (股票筛选器)

筛选符合条件的股票

2. Financial Analyzer (财务分析器)

个股深度财务分析

3. Industry Comparator (行业对比)

同行业横向对比分析

4. Valuation Calculator (估值计算器)

内在价值测算与安全边际计算

5. News & Sentiment (新闻与舆情)

抓取近期社会面新闻并生成舆情风险评估

Workflow 1: Stock Screening (股票筛选)

用户请求筛选股票时使用。

Step 1: Collect Screening Criteria

向用户询问筛选条件。提供以下选项供用户选择或自定义：

估值指标：

• PE (市盈率): 例如 PE < 15
• PB (市净率): 例如 PB < 2
• PS (市销率): 例如 PS < 3

盈利能力：

• ROE (净资产收益率): 例如 ROE > 15%
• ROA (总资产收益率): 例如 ROA > 8%
• 毛利率: 例如 > 30%
• 净利率: 例如 > 10%

成长性：

• 营收增长率: 例如 > 10%
• 净利润增长率: 例如 > 15%
• 连续增长年数: 例如 >= 3å¹´

股息：

• 股息率: 例如 > 3%
• 连续分红年数: 例如 >= 5å¹´

财务安全：

• 资产负债率: 例如 < 60%
• 流动比率: 例如 > 1.5
• 速动比率: 例如 > 1

筛选范围：

• 全A股
• 沪深300成分股
• 中证500成分股
• 创业板/科创板
• 用户自定义列表

Step 2: Execute Screening

python scripts/stock_screener.py \
    --scope "hs300" \
    --pe-max 15 \
    --roe-min 15 \
    --debt-ratio-max 60 \
    --dividend-min 2 \
    --output screening_result.json

参数说明：

• --scope: 筛选范围 (all/hs300/zz500/cyb/kcb/custom:600519,000858,…)
• --pe-max/--pe-min: PE范围
• --pb-max/--pb-min: PB范围
• --roe-min: 最低ROE
• --growth-min: 最低增长率
• --debt-ratio-max: 最大资产负债率
• --dividend-min: 最低股息率
• --token: tushare token（优先于环境变量）
• --format: 输出格式 (json/table)
• --quiet: 静默模式
• --output: 输出文件路径

Step 3: Present Results

读取 screening_result.json 并以表格形式呈现给用户：

Workflow 2: Stock Analysis (个股分析)

用户请求分析某只股票时使用。

Step 1: Collect Stock Information

询问用户：

1. 股票代码或名称
2. 分析深度级别：
   • 摘要级：关键指标 + 投资结论（1页）
   • 标准级：财务分析 + 估值 + 行业对比 + 风险提示
   • 深度级：完整调研报告，包含历史数据追踪

Step 1.5: Prepare Output Directory

单只股票分析时，skill 需要自动创建输出目录，命名规则：

• ${股票名称}_${股票代码}

示例：

stock_dir="贵州茅台_600519"
mkdir -p "${stock_dir}"

Step 2: Fetch Stock Data

python scripts/data_fetcher.py \
    --code "600519" \
    --data-type all \
    --with-news \
    --news-days 7 \
    --news-limit 20 \
    --years 5 \
    --output "${stock_dir}/stock_data.json"

参数说明：

• --code: 股票代码
• --data-type: 数据类型 (basic/financial/valuation/holder/news/all)
• --years: 获取多少年的历史数据
• --token: tushare token（优先于环境变量）
• 默认读取：~/.aj-skills/.env 中的 TUSHARE_TOKEN
• --with-news: 附加新闻与舆情
• --news-days: 新闻窗口天数
• --news-limit: 新闻最大条数
• --news-sources: 新闻来源过滤（逗号分隔）
• --format: 输出格式 (json/table)
• --quiet: 静默模式
• --output: 输出文件

可选：单独执行新闻舆情流程

python scripts/news_fetcher.py --code 600519 --name 贵州茅台 --days 7 --limit 20 --output "${stock_dir}/news.json"
python scripts/sentiment_analyzer.py --input "${stock_dir}/news.json" --output "${stock_dir}/sentiment.json"

Step 3: Run Financial Analysis

python scripts/financial_analyzer.py \
    --input "${stock_dir}/stock_data.json" \
    --level standard \
    --output "${stock_dir}/analysis_result.json"

参数说明：

• --input: 输入的股票数据文件
• --level: 分析深度 (summary/standard/deep)
• --output: 输出文件

Step 4: Calculate Valuation

python scripts/valuation_calculator.py \
    --input "${stock_dir}/stock_data.json" \
    --methods dcf,ddm,relative \
    --discount-rate 10 \
    --growth-rate 8 \
    --output "${stock_dir}/valuation_result.json"

参数说明：

• --input: 股票数据文件
• --methods: 估值方法 (dcf/ddm/relative/all)
• --discount-rate: 折现率(%)
• --terminal-growth: 永续增长率(%)
• --growth-rate: 永续增长率兼容别名(%)
• --margin-of-safety: 安全边际(%)
• --format: 输出格式 (json/table)
• --quiet: 静默模式
• --output: 输出文件

Step 5: Generate Report

读取分析结果，参考 templates/analysis_report.md 模板生成中文分析报告。

报告生成必检项（必须全部满足）： 0. 最终报告必须落盘为 Markdown 文件（.md）

1. 必须包含“新闻与舆情”章节
2. 必须使用 stock_data.json 中的 news_sentiment/news_items 填充对应字段
3. 若新闻抓取失败，需在报告中明确写出失败原因（来自 news_sentiment.error）
4. 不允许省略模板中 summary_title 与“业绩与审计信号”章节

报告结构（标准级）：

1. 公司概况：基本信息、主营业务
2. 财务健康：资产负债表分析
3. 盈利能力：杜邦分析、利润率趋势
4. 成长性分析：营收/利润增长趋势
5. 估值分析：DCF/DDM/相对估值
6. 风险提示：财务异常检测、股东减持
7. 投资结论：综合评分、操作建议

报告标题规范：

• summary_title 使用格式：股票名称(股票代码)：总结性结论
• 示例：贵州茅台(600519)：财务稳健，估值与风险匹配度较好

输出文件：

${stock_dir}/final_report.md

Step 6: humanize Output

读取 ${stock_dir}/final_report.md，并调用 humanizer-zh skill 进行润色和优化。

输出文件：

${stock_dir}/final_report_humanized.md

Workflow 3: Industry Comparison (行业对比)

CLI方式（板块分析，推荐）

# 1) 获取板块数据
python scripts/sector_fetcher.py \
  --sector-name "算力板块" \
  --sector-file config/sector_computing_default.json \
  --output "${stock_dir}/sector_data.json"

# 2) 生成板块分析结果 + Markdown报告
python scripts/sector_analyze.py \
  --input "${stock_dir}/sector_data.json" \
  --output "${stock_dir}/sector_analysis.json"

Step 1: Collect Comparison Targets

询问用户：

1. 目标股票代码（可多个）
2. 或者：行业分类 + 对比数量

Step 2: Fetch Industry Data

python scripts/data_fetcher.py \
    --codes "600519,000858,002304" \
    --data-type comparison \
    --output industry_data.json

或按行业获取：

python scripts/data_fetcher.py \
    --industry "白酒" \
    --top 10 \
    --output industry_data.json

Step 3: Generate Comparison

python scripts/financial_analyzer.py \
    --input industry_data.json \
    --mode comparison \
    --output comparison_result.json

Step 4: Present Comparison Table

Workflow 4: Valuation Calculator (估值计算)

Step 1: Collect Valuation Parameters

询问用户估值参数（或使用默认值）：

DCF模型参数：

• 折现率 (WACC): 默认10%
• 预测期: 默认5å¹´
• 永续增长率: 默认3%

DDM模型参数：

• 要求回报率: 默认10%
• 股息增长率: 使用历史数据推算

相对估值参数：

• 对比基准: 行业均值 / 历史均值

Step 2: Run Valuation

python scripts/valuation_calculator.py \
    --code "600519" \
    --methods all \
    --discount-rate 10 \
    --terminal-growth 3 \
    --forecast-years 5 \
    --margin-of-safety 30 \
    --output valuation.json

Step 3: Present Valuation Results

Financial Anomaly Detection (财务异常检测)

在分析过程中自动检测以下异常信号：

检测项目

1. 应收账款异常

   • 应收账款增速 > 营收增速 × 1.5
   • 应收账款周转天数大幅增加

2. 现金流背离

   • 净利润持续增长但经营现金流下降
   • 现金收入比 < 80%

3. 存货异常

   • 存货增速 > 营收增速 × 2
   • 存货周转天数大幅增加

4. 毛利率异常

   • 毛利率波动 > 行业均值波动 × 2
   • 毛利率与同行严重偏离

5. 关联交易

   • 关联交易占比过高（> 30%）

6. 股东减持

   • 大股东近期减持公告
   • 高管集中减持

风险等级

• 🟢 低风险：无明显异常
• 🟡 中风险：1-2项轻微异常
• 🔴 高风险：多项异常或严重异常

A-Share Specific Analysis (A股特色分析)

政策敏感度

根据行业分类提供政策相关提示：

• 房地产：房住不炒政策
• 新能源：补贴政策变化
• 医药：集采政策影响
• 互联网：反垄断、数据安全

股东结构分析

1. 控股股东类型（国企/民企/外资）
2. 股权集中度
3. 近期增减持情况
4. 质押比例

Output Format

JSON/Table输出格式

• 默认 json
• 可选 --format table 用于终端快速查看
• 使用 --quiet 可关闭过程日志

所有脚本输出JSON格式，便于后续处理：

{
  "code": "600519",
  "name": "贵州茅台",
  "analysis_date": "2025-01-25",
  "level": "standard",
  "summary": {
    "score": 85,
    "conclusion": "低估",
    "recommendation": "建议关注"
  },
  "financials": { ... },
  "valuation": { ... },
  "risks": [ ... ]
}

Markdown报告

生成结构化的中文Markdown报告，参考 templates/analysis_report.md。

Data Contract

核心数据结构由 scripts/data_contract.py 约束。分析脚本会在运行前校验：

• 顶层必需字段：code/fetch_time/data_type/basic_info
• 常用可选字段：financial_data/financial_indicators/valuation/price/holder/dividend
• 新闻相关字段：news_items/news_sentiment
• 业绩审计字段：performance_data（含 forecast/express/audit/main_business）
• 报表字段要求：
  • financial_data.balance_sheet 必须是数组
  • financial_data.income_statement 必须是数组
  • financial_data.cash_flow 必须是数组

字段映射（Akshare -> Tushare）

Error Handling

网络错误

如果tushare数据获取失败，提示用户：

1. 检查网络连接
2. 稍后重试（可能是接口限流）
3. 尝试更换数据源

股票代码无效

提示用户检查股票代码是否正确，提供可能的匹配建议。

数据不完整

对于新上市股票或财务数据不完整的情况，说明数据限制并基于可用数据进行分析。

Best Practices

1. 数据时效性：财务数据以最新季报/年报为准，价格数据为当日收盘价
2. 投资建议：所有分析仅供参考，不构成投资建议
3. 风险提示：始终包含风险提示，特别是财务异常检测结果
4. 对比分析：单只股票分析时，自动包含行业均值对比

Important Notes

• 所有分析基于公开财务数据，不涉及任何内幕信息
• 估值模型的参数假设对结果影响较大，需向用户说明
• A股市场受政策影响较大，定量分析需结合定性判断