四大师综合投资研究

要解决什么问题

用 LLM 做个股研究时，常见问题是：资料一多就复述市场共识、数字靠心算、结论看起来完整却缺少反面检验。本技能把 巴菲特 / 芒格 / 段永平 / 李录 四套方法论压成一条可重复的研究流水线，并在动笔前先做 AI 研究偏见自觉（信息丰富度 A/B/C 评级），避免把「资料多」误当成「确定性高」。

技能如何工作

研究按固定模块推进，而不是自由发挥写研报：

1. 数据收集：收入结构、五年财务、竞争格局、管理层、估值与多空论点等；财务口径遵循 skills/financial-data.md，美股 / 港股 / A 股各用规定的主副数据源。
2. 程序化验数：关键指标必须经 tools/financial_rigor.py 交叉验证（股本、市值、收入、现金、持股比例及 PE/PB/ROE/FCF Yield 等），禁止 LLM 心算；偏差过大需先排查再继续。
3. 定性框架：段永平式「对的生意」、巴菲特五类护城河、芒格逆向风险清单、管理层与资本配置、李录文明/产业趋势视角。
4. 估值与安全边际：当前定价、反向 DCF、三情景估值均要求工具精确计算，并给出可操作的决策备忘录（空仓 / 持仓 / 加减仓信号）。

成稿写入 ~/[公司名]投资研究报告.md，报告头尾需标明信息丰富度、AI 研究局限，以及 AI 分析置信度 与 实际投资确定性 的差异；C 级标的还要附「需一手验证的问题清单」。发布前还有 15% 随机数据抽检 准出流程（偏差 ≤1% 方可准出）。

适用边界与注意点

• 依赖网络与仓库内共享工具；Codex 场景下需用本会话可用的能力替代 Claude 专有工具（子代理、搜索、Shell 等），并在研究前用 date 确认数据截止日。
• 技能强调严谨与可审计，不替代你的投资判断；信息稀缺公司应主动降级结论强度，用田野调查、产品体验等补盲区。