四大师投资研究

解决什么问题

LLM 做投资分析时有几个典型毛病：资料越多，输出越像市场共识，独立判断反而消失；财务数据靠“心算”，单位、股本数、口径一错就全错；冷门公司资料少，AI 倾向用“合理推测”把空白填成看似完整的报告；读者读完也分不清哪些结论有数据支撑，哪些只是推理。

如何工作

这个技能把一份投资研究拆成一条带关卡的流水线，而不是一次 prompt 调用。

前置：AI 研究偏见自觉。 先评估标的的信息丰富度，分成 A/B/C 三级。信息充裕的 A 级公司，重点转向反面检验：聪明人为什么不买？被忽略的风险是什么？信息适中的 B 级公司，每个推算数据都要标注置信度，区分“有据推算”和“凭空填充”。信息稀缺的 C 级公司，不试图拼凑完整报告，改用第一性原理追问：客户为什么付钱、复购靠什么驱动、竞争对手拿大笔资金能否复制这门生意、管理层的关键决策反映了什么判断力。研究全程还要过一遍偏见自查清单，把“确定性感受来自生意本质还是资料数量”这类问题摆在台面上。

七模块分析框架。 依次执行数据收集、生意本质分析、护城河评估、逆向思考与风险清单、管理层评估、行业与文明趋势、估值与安全边际。每个模块绑定一位大师的视角，并留下必问的追问：段永平的“这门生意好在哪”，巴菲特的“10年后护城河还在吗”，芒格的“我最可能在哪里犯错”，李录的“是这个时代的标准石油还是昙花一现的3Com”。

数据必须验算。 财务数据按上市地选双源：美股 macrotrends 加 stockanalysis，港股 aastocks 加 macrotrends ADR，A股东方财富加巨潮资讯。总股本、市值、收入、净利润、现金储备、管理层持股这些关键数据点，全部通过 tools/financial_rigor.py 做精确十进制验算，禁止 LLM 心算。估值同样走工具：反向 DCF、三情景估值、PE/PB/ROE/FCF Yield，一个都不能靠“合理推测”。

报告结构。 开头写信息丰富度评级和 AI 研究局限性声明；中间用 Markdown 表格呈现关键数据，工具验算结果嵌入“关键数据交叉验证记录”；结尾给出决策表格和具体价格区间，同时区分“AI分析置信度”与“投资确定性”。C级公司还要附一份“需要一手验证的问题清单”，告诉读者哪些结论只能靠田野调查、产品体验或供应链访谈补上。

数据抽检。 报告写入文件后，随机抽取 15% 数据点，按来源规范重新取数核验，偏差超过 1% 就打回修正，直到准出。

适用边界与注意点

• 产出的是研究备忘录，不是投资建议。决策表格里的“买入/观望/回避”是分析结论，不构成对读者的操作指令。
• A/B/C 评级衡量的是 AI 可研究性，不是公司好坏。C级意味着模型置信度低，不代表生意本质差。
• 大师追问是思维工具，不是预言。历史类比和文明演进框架能缩小思考范围，不能保证预测准确。
• 估值质量受限于输入数据。工具验算发现偏差过大时，技能会先排查原因，而不是继续输出报告。
• 对AB股结构、港币/人民币/美元单位、经营租赁负债口径敏感，使用前先确认标的的上市地和财报币种。