Agent Skills
返回列表
A股研究与选股

A股研究与选股

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_70e70568/15616354135dsagdsag。

技能介绍

先说解决的问题

A股研究与选股(A-Share Research & Stock Selection)要解决的不是“输入代码就给建议”,而是把 A 股研究里分散的口径收拢成可追溯证据:证券身份、行情复权、财务期数、行业分类、资金代理、公司事件和未来日历经常不一致,若直接拼接,很容易把代理指标误写成主力账户行为。因此,这个技能先区分个股诊断与股票筛选:前者围绕一只可确认标的展开完整研究,后者先做硬性排除和统一打分,再对排名靠前标的执行诊断。

核心能力与工作方式

完整研究会读取 references/data-contract.md、references/evidence-and-sources.md、references/analysis-framework.md、references/institutional-retail-behavior.md 和 references/output-template.md,分别约束数据包字段、来源层级、评分规则、参与者情景和输出模板。采集器会先建立本地可复现数据包,并按 manifest.json、market_signals.json、CSV 成功状态容错解释;接口失败、空数据、结构缺失会被分开标注,而不是笼统说“没有数据”。

量化侧覆盖 5/20/60/120/252 个交易日价格与成交量、至少 8 个季度和 3 年年度财务趋势、估值历史分位与同业比较、行业政策与产业链事件,以及融资融券、龙虎榜、大宗交易、股东人数、机构持仓等可获得代理。fund_flow_daily.csv 使用平台订单大小口径;失败时才退回 signed_amount_proxy 和 signed_volume_proxy,并明确其只表示量价压力,不能识别机构、大单、小单或真实净流入。

分析按七层展开:公司业务、财务质量与异常、估值同业比较、多周期量价筹码、行业景气与事件、机构多空和量化资金竞争、散户心理与触发价位;每项重要判断都要求支持证据、反对证据、置信度和失效条件。随后输出乐观、中性、悲观三种条件式情景,并强制在数据不足时扩大“不确定”,不做伪精确概率。

适用边界

结论只写“数据显示”“代理指标提示”“若条件 A 出现,则情景 B 概率上升”,不承诺收益,不推断具体机构账户、真实成本或仓位,也不提供操纵市场的执行方法。若简称存在歧义,应先确认代码、交易所和公司全称;页面收盘、数据未落库或只有不完整盘中数据时,回退到最近完整交易日,并分开标注生成时间和行情截止日。依赖需要一次性在工作区 .venv 完成部署,部署脚本支持 Python 3.10—3.12;运行环境禁止下载时,缺少依赖应先说明环境未就绪,而不是误报为股票数据缺失。

使用场景

  • 拿到股票简称需要先确认代码交易所,再输出完整个股诊断报告
  • 给定一个行业股票池,需要先硬性排除再统一打分筛选排名靠前的标的
  • 需要对最近几天的融资融券、龙虎榜做资金代理追溯和量价压力分析
  • 需要把三种情景的条件式概率推演与反证失效条件写入研究输出

适合人员

  • A 股量化研究员需要可追溯证据支持多空情景推演
  • 券商分析师需要把财务异常和同业估值比较写进个股研究底稿
  • 独立投资者需要在分散股票池里按统一规则筛选并诊断靠前标的
  • 数据工程师需要规范本地数据契约与采集器状态解释口径