Metadata

name: financial-advisor
description: Professional financial analysis and investment advisory skill with institutional-grade valuation capabilities. Use when users want to analyze stocks, funds, ETFs, compare investments, get market reviews, perform DCF valuation, comparable company analysis, financial statement modeling, competitive landscape analysis, macro-economic analysis, geopolitical impact assessment, or receive investment recommendations. Provides data collection, quantitative analysis, risk assessment, valuation modeling, macro-economic context, global event intelligence, news intelligence, and HTML report generation with real-time data.
cn_name: 金融数据分析与投资顾问
cn_description: 专业金融分析与投资顾问技能，具备机构级估值分析能力。当用户需要分析股票、基金、ETF、对比投资标的、DCF估值、可比公司分析、三表财务建模、竞争格局分析、宏观经济分析、国际局势评估、查看大盘复盘或获取投资建议时使用。提供数据采集、量化分析、风险评估、估值建模、宏观经济背景、国际事件情报、新闻情报和HTML报告生成。
author: Reconstructed by Learning
version: 1.0.0
tags: ["finance","quantitative","data-analysis","stock","fund","ETF","visualization","investment-advisory","valuation","dcf","financial-modeling","macro-economics","geopolitical","event-driven","trending"]
license: MIT

🏦 Financial Advisor - 专业金融分析与投资顾问

📋 技能概述

这是一个机构级的金融分析技能，提供从数据采集、量化分析、风险评估到投资建议的完整工作流程。

核心能力

📊 数据采集 - 实时行情、历史K线、基本面、财务数据
📈 技术分析 - MA、MACD、RSI、BOLL、KDJ等30+指标
⚠️ 风险评估 - 夏普比率、最大回撤、VaR、索提诺比率
💰 估值分析 - DCF模型、可比公司分析、三表财务建模
🌍 宏观分析 - 经济周期、货币政策、地缘政治影响
📰 新闻情报 - 全网热点采集、事件传导分析
🤖 AI深度分析 - 结构化思考框架、投资决策推导
📄 专业报告 - HTML交互式报告、可视化图表

🚀 使用流程

当用户请求分析某个股票/ETF/基金时，按以下流程执行：

阶段一：数据采集（Data Collection）

# 1. 创建数据目录
mkdir -p {OUTPUT_DIR}/financial_data/{SYMBOL}

# 2. 采集实时行情
python {skillDir}/scripts/fetch_stock_data.py \
  --symbol {SYMBOL} \
  --type realtime \
  --output-dir {OUTPUT_DIR}/financial_data/{SYMBOL} \
  --format csv

# 3. 采集历史K线（3年数据）
python {skillDir}/scripts/fetch_stock_data.py \
  --symbol {SYMBOL} \
  --type history \
  --period 3y \
  --output-dir {OUTPUT_DIR}/financial_data/{SYMBOL} \
  --format csv

# 4. 采集基本面数据
python {skillDir}/scripts/fetch_stock_data.py \
  --symbol {SYMBOL} \
  --type fundamental \
  --output-dir {OUTPUT_DIR}/financial_data/{SYMBOL} \
  --format csv

# 5. 采集估值数据
python {skillDir}/scripts/fetch_stock_data.py \
  --symbol {SYMBOL} \
  --type valuation \
  --output-dir {OUTPUT_DIR}/financial_data/{SYMBOL} \
  --format csv

输出文件：

{SYMBOL}_realtime.csv - 实时行情
{SYMBOL}_history.csv - 历史K线
{SYMBOL}_fundamental.csv - 基本面
{SYMBOL}_valuation.csv - 估值数据

阶段二：指标计算（Indicator Calculation）

# 1. 计算技术指标（MA、MACD、RSI、BOLL、KDJ等）
python {skillDir}/scripts/calculate_indicators.py \
  --input {OUTPUT_DIR}/financial_data/{SYMBOL}/{SYMBOL}_history.csv \
  --output {OUTPUT_DIR}/financial_data/{SYMBOL}/{SYMBOL}_indicators.csv \
  --indicator all

# 2. 计算风险指标（夏普、回撤、VaR等）
python {skillDir}/scripts/calculate_risk_metrics.py \
  --input {OUTPUT_DIR}/financial_data/{SYMBOL}/{SYMBOL}_history.csv \
  --output {OUTPUT_DIR}/financial_data/{SYMBOL}/{SYMBOL}_risk_metrics.json \
  --risk-free-rate 0.03

输出文件：

{SYMBOL}_indicators.csv - 技术指标时间序列
{SYMBOL}_risk_metrics.json - 风险指标摘要

阶段三：宏观与热点分析（Macro & Trending Analysis）

# 1. 采集全网热点（13个平台）
python {skillDir}/scripts/fetch_trending.py \
  --output {OUTPUT_DIR}/financial_data/trending.json \
  --platforms all \
  --max-age-hours 24

# 2. 宏观经济分析与热点分类
python {skillDir}/scripts/macro_analysis.py \
  --dashboard \
  --trending-json {OUTPUT_DIR}/financial_data/trending.json \
  --stock-name "{STOCK_NAME}" \
  --industry "{INDUSTRY}" \
  --reference-date {YYYY-MM-DD} \
  --news-max-age-days 30 \
  --output {OUTPUT_DIR}/financial_data/macro_dashboard.json

输出文件：

trending.json - 全网热点原始数据
macro_dashboard.json - 宏观分析与热点分类

阶段四：新闻搜索与情报分析（News Intelligence）

使用 web_search 工具搜索相关新闻（5-10条搜索）：

搜索关键词示例：
1. "{股票名称} 最新消息 {YEAR}"
2. "{公司名称} 财报 业绩 {YEAR}"
3. "{行业} 政策 监管 {YEAR}"
4. "{公司名称} 竞争 对手"
5. "{股票代码} 投资 分析 展望"

阶段五：AI深度分析（AI Deep Analysis）

基于采集的所有数据，创建 AI 分析文件：

1. 创建 ai_analysis.json（核心结论）

{
  "summary": "一句话总结核心观点",
  "recommendation": "买入/持有/卖出",
  "target_price": {"low": XX, "mid": XX, "high": XX},
  "stop_loss": XX,
  "news_intelligence": {
    "key_events": [
      {"event": "事件描述", "impact": "影响分析", "direction": "利好/利空/中性"}
    ],
    "geopolitical": [...],
    "macro_policy": [...],
    "industry_dynamics": [...],
    "company_specific": [...],
    "market_sentiment": [...]
  },
  "impact_assessment": [
    {
      "event": "关键事件",
      "transmission": "传导路径（A → B → C → 股价）",
      "direction": "利好/利空",
      "strength": "强/中/弱",
      "duration": "时间周期"
    }
  ]
}

2. 创建 key_findings.json（投资策略）

{
  "investment_thesis": "投资逻辑总结",
  "bull_case": ["看涨理由1", "看涨理由2", ...],
  "bear_case": ["看跌理由1", "看跌理由2", ...],
  "key_metrics": {
    "current_price": XX,
    "pe_ratio": XX,
    "pb_ratio": XX,
    ...
  },
  "catalysts": [
    {"catalyst": "催化剂", "timing": "时间", "impact": "影响"}
  ],
  "risks": [
    {"risk": "风险", "probability": "概率", "impact": "影响", "mitigation": "缓解措施"}
  ],
  "investment_strategy": {
    "recommendation": "具体操作建议",
    "entry_range": [XX, XX],
    "target_price": {"conservative": XX, "base": XX, "optimistic": XX},
    "stop_loss": XX,
    "position_sizing": "仓位建议",
    "time_horizon": "持有周期",
    "rebalancing": "再平衡策略"
  }
}

阶段六：生成专业报告（Report Generation）

python {skillDir}/scripts/generate_html_report.py \
  --title "{STOCK_NAME} 投资分析报告" \
  --template stock \
  --data-dir {OUTPUT_DIR}/financial_data/{SYMBOL} \
  --ai-analysis-json {OUTPUT_DIR}/financial_data/ai_analysis.json \
  --ai-deep-analysis-json {OUTPUT_DIR}/financial_data/key_findings.json \
  --output {OUTPUT_DIR}/{STOCK_NAME}投资分析报告.html

输出：

交互式HTML报告，包含：
- 投资结论与评级
- 核心指标速览
- 实时行情数据
- 历史走势K线图（ECharts）
- 技术指标分析
- 风险评估
- AI深度分析
- 新闻情报汇总
- 投资策略建议

🎯 AI 深度分析框架

思考路径（Deep Analysis Framework）

当进行深度分析时，遵循以下结构化思考框架：

1️⃣ 信息扫描（Information Scanning）

识别关键数据点：价格、估值、增长率、市占率
识别异常信号：暴涨暴跌、成交量异常、高管变动
识别时间线索：财报发布、政策出台、行业事件

2️⃣ 事件传导分析（Event Transmission）

宏观 → 行业 → 公司 → 股价
政策 → 监管 → 商业模式 → 盈利
竞争 → 市场份额 → 收入 → 估值

示例：

ChatGPT爆发 → AI芯片需求激增 → HBM内存订单暴涨 
→ 三星/SK海力士业绩增长 → 韩国半导体出口强劲 
→ KOSPI上涨 → EWY受益

3️⃣ 交叉验证（Cross-Validation）

技术面 ↔ 基本面：价格走势是否匹配业绩
新闻 ↔ 数据：媒体报道是否与财务数据一致
宏观 ↔ 微观：经济周期是否支撑公司增长

4️⃣ 风险矩阵（Risk Matrix）

风险类别 | 概率 | 影响 | 缓解措施
-------|------|------|----------
短期调整 | 高  | 中  | 等待回调加仓
政局不稳 | 中  | 中  | 控制仓位
周期下行 | 中  | 高  | 跟踪订单数据
地缘风险 | 低  | 高  | 设置止损

5️⃣ 决策推导（Decision Derivation）

数据 → 观察 → 推理 → 结论 → 建议

示例：
数据：EWY涨175%，PE 17.5倍，回撤-15%
观察：AI芯片繁荣，机构上调目标，近期暴跌10%
推理：长期趋势向上，短期调整充分，估值合理
结论：持有评级，目标价145美元
建议：等待120-125美元加仓，止损115美元

📂 文件结构

financial-advisor/
├── SKILL.md                          # 本文件
├── README.md                         # 技能说明
├── requirements.txt                  # Python依赖
├── SCRIPTS_GUIDE.md                  # 脚本详细文档
│
├── scripts/                          # Python工具脚本
│   ├── fetch_stock_data.py          # 数据采集（yfinance）
│   ├── calculate_indicators.py      # 技术指标计算
│   ├── calculate_risk_metrics.py    # 风险指标计算
│   ├── fetch_trending.py            # 全网热点采集
│   ├── macro_analysis.py            # 宏观分析与热点分类
│   ├── search_service.py            # 新闻搜索服务
│   ├── calculate_valuation.py       # DCF/可比公司估值
│   ├── generate_html_report.py      # HTML报告生成
│   ├── market_review.py             # 市场复盘
│   ├── validate_execution.py        # 执行验证
│   ├── setup_dependencies.py        # 依赖检查
│   └── templates/                   # HTML模板
│
├── examples/                         # 使用示例
│   ├── single-stock-analysis.md     # 单股分析示例
│   └── multi-stock-compare.md       # 多股对比示例
│
└── references/                       # 参考文档
    ├── financial-indicators.md      # 金融指标说明
    ├── valuation-analysis.md        # 估值方法论
    ├── macro-event-framework.md     # 宏观事件框架
    ├── trading-discipline.md        # 交易纪律
    └── data-sources.md              # 数据源说明

🔧 关键脚本说明

1. `fetch_stock_data.py`

功能：从 yfinance 采集股票数据

参数：

--symbol: 股票代码（如 AAPL、600519.SH）
--type: 数据类型（realtime/history/fundamental/valuation/financial）
--period: 历史周期（1y/3y/5y/max）
--output-dir: 输出目录
--format: 输出格式（csv/json）

输出：CSV格式的结构化数据

2. `calculate_indicators.py`

功能：计算技术指标

支持指标：

均线：MA5/10/20/30/60/120/250
趋势：MACD、BOLL、ATR
动量：RSI、KDJ
成交量：OBV
乖离率：BIAS

输出：带技术指标的时间序列CSV

3. `calculate_risk_metrics.py`

功能：计算风险指标

输出指标：

收益率：累计、年化、日均
波动率：日波动、年化波动
风险调整收益：夏普比率、索提诺比率、卡玛比率
风险度量：最大回撤、VaR(95%/99%)、CVaR
胜率统计：正收益天数、胜率、最大涨跌幅

4. `fetch_trending.py`

功能：采集全网热点

数据源（13个平台）：

基础7个：微博、知乎、百度、36氪、虎嗅、微信、今日头条
金融扩展：雪球、东方财富、财联社
科技扩展：CSDN、开源中国、掘金

输出：JSON格式的热点列表，包含标题、链接、热度、时间

5. `macro_analysis.py`

功能：宏观经济分析与热点分类

核心功能：

热点分类：按宏观/行业/公司维度分类
关键词提取：基于TF-IDF提取热点关键词
搜索查询生成：自动生成针对性搜索关键词
宏观数据：（需要akshare）利率、通胀、PMI等

输出：结构化的宏观分析仪表盘JSON

6. `generate_html_report.py`

功能：生成专业HTML报告

模板类型：

stock: 单股分析报告
market: 市场复盘报告
comprehensive: 综合分析报告
compare: 多股对比报告

特性：

响应式设计
ECharts交互式图表
K线图、技术指标可视化
AI分析区块
打印友好

💡 使用示例

示例1：分析单只股票

用户请求：「分析贵州茅台」

执行步骤：

采集数据：实时行情、历史K线、基本面
计算指标：技术指标、风险指标
采集热点：全网时政热点
宏观分析：分类热点、生成搜索查询
新闻搜索：5-10条相关新闻
深度分析：创建 ai_analysis.json 和 key_findings.json
生成报告：HTML报告

交付物：

HTML投资分析报告
7个数据CSV/JSON文件
AI分析结论文件

示例2：对比多只股票

用户请求：「对比茅台和五粮液」

执行步骤：

分别采集两只股票的全部数据
计算各自的指标
使用 --template compare 生成对比报告
重点对比：估值、增长率、盈利能力、风险指标

示例3：市场复盘

用户请求：「今天A股市场怎么样」

执行步骤：

采集主要指数数据（上证、深成、创业板）
采集行业板块数据
采集龙虎榜、资金流向
分析涨跌分布、成交量
使用 market_review.py 生成复盘报告

📊 数据源

主要数据源

yfinance：美股、港股、A股实时数据和历史K线
公开API：热点榜单、新闻数据
Web Search：补充新闻和深度报道

备用数据源

腾讯财经API（参考示例代码）
东方财富API
雪球API

⚠️ 注意事项

1. 执行顺序

必须按顺序执行：

数据采集（CSV）
指标计算（基于CSV）
热点采集（trending.json）
宏观分析（基于trending.json）
新闻搜索
AI深度分析
报告生成

2. 数据存储

所有数据文件存储在 {OUTPUT_DIR}/financial_data/
每个股票一个子目录
CSV格式便于二次分析

3. AI分析质量

必须基于真实数据，不能编造
事件传导路径要清晰
风险评估要全面
投资建议要具体可操作

4. 报告质量

图表必须基于真实数据
K线图自动生成（需要history.csv）
技术指标可视化
响应式布局，支持移动端

🎓 学习资源

技能开发

参考 examples/ 目录的完整示例
阅读 references/ 目录的方法论文档
查看 SCRIPTS_GUIDE.md 的详细脚本说明

金融知识

financial-indicators.md: 技术指标详解
valuation-analysis.md: 估值方法论
macro-event-framework.md: 宏观分析框架
trading-discipline.md: 交易纪律与风控

📝 版本历史

v1.0.0 (2026-03-11): 初始还原版本
- 基于原始技能的使用记录还原
- 包含完整的数据采集、分析、报告生成流程
- 支持股票、ETF、基金分析
- 集成宏观分析和新闻情报

📞 技术支持

如果在使用过程中遇到问题：

检查 Python 依赖是否安装完整
确认数据目录权限
验证数据文件是否正确生成
查看脚本输出的错误信息

📜 许可证

MIT License - 本技能为学习还原版本，仅供参考学习。

🌟 祝你投资顺利！

Financial Advisor

安装技能

🏦 Financial Advisor - 专业金融分析与投资顾问

📋 技能概述

核心能力

🚀 使用流程

阶段一：数据采集（Data Collection）

阶段二：指标计算（Indicator Calculation）

阶段三：宏观与热点分析（Macro & Trending Analysis）

阶段四：新闻搜索与情报分析（News Intelligence）

阶段五：AI深度分析（AI Deep Analysis）

阶段六：生成专业报告（Report Generation）

🎯 AI 深度分析框架

思考路径（Deep Analysis Framework）

1️⃣ 信息扫描（Information Scanning）

2️⃣ 事件传导分析（Event Transmission）

3️⃣ 交叉验证（Cross-Validation）

4️⃣ 风险矩阵（Risk Matrix）

5️⃣ 决策推导（Decision Derivation）

📂 文件结构

🔧 关键脚本说明

1. fetch_stock_data.py

2. calculate_indicators.py

3. calculate_risk_metrics.py

4. fetch_trending.py

5. macro_analysis.py

6. generate_html_report.py

💡 使用示例

示例1：分析单只股票

示例2：对比多只股票

示例3：市场复盘

📊 数据源

主要数据源

备用数据源

⚠️ 注意事项

1. 执行顺序

2. 数据存储

3. AI分析质量

4. 报告质量

🎓 学习资源

技能开发

金融知识

📝 版本历史

📞 技术支持

📜 许可证

1. `fetch_stock_data.py`

2. `calculate_indicators.py`

3. `calculate_risk_metrics.py`

4. `fetch_trending.py`

5. `macro_analysis.py`

6. `generate_html_report.py`