back
loading skill details...
Professional financial analysis and investment advisory skill with institutional-grade valuation capabilities. Use when users want to analyze stocks, funds,...
---
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
1. **📊 数据采集** - 实时行情、历史K线、基本面、财务数据
2. **📈 技术分析** - MA、MACD、RSI、BOLL、KDJ等30+指标
3. **⚠️ 风险评估** - 夏普比率、最大回撤、VaR、索提诺比率
4. **💰 估值分析** - DCF模型、可比公司分析、三表财务建模
5. **🌍 宏观分析** - 经济周期、货币政策、地缘政治影响
6. **📰 新闻情报** - 全网热点采集、事件传导分析
7. **🤖 AI深度分析** - 结构化思考框架、投资决策推导
8. **📄 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)
```bash
# 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)
```bash
# 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)
```bash
# 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)
```json
{
"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)
```json
{
"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)
```bash
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**:
1. 采集数据:实时行情、历史K线、基本面
2. 计算指标:技术指标、风险指标
3. 采集热点:全网时政热点
4. 宏观分析:分类热点、生成搜索查询
5. 新闻搜索:5-10条相关新闻
6. 深度分析:创建 ai_analysis.json 和 key_findings.json
7. 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**:
1. 分别采集两只股票的全部数据
2. 计算各自的指标
3. 使用 `--template compare` 生成对比报告
4. 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**:
1. 采集主要指数数据(上证、深成、创业板)
2. 采集行业板块数据
3. 采集龙虎榜、资金流向
4. 分析涨跌分布、成交量
5. 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**:
1. 数据采集(CSV)
2. 指标计算(基于CSV)
3. 热点采集(trending.json)
4. 宏观分析(基于trending.json)
5. 新闻搜索
6. AI深度分析
7. 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:
1. 检查 Python 依赖是否安装完整
2. 确认数据目录权限
3. 验证数据文件是否正确生成
4. 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!**
don't have the plugin yet? install it then click "run inline in claude" again.