Financial Fraud Analyzer Lite

SKILL.md

---
name: financial-fraud-analyzer
description: 财务造假风险分析技能。基于财务报表（利润表、资产负债表、现金流量表）评估盈余操纵与会计舞弊概率，输出结构化风险结论与证据链。支持单公司深度分析和批量筛查。Use when user asks to detect financial statement fraud, earnings manipulation, accrual quality problems, or suspicious accounting signals from company filings. Supports both single-company deep analysis and batch screening.
---

# 财务造假风险分析（Financial Fraud Analyzer v2）

按以下流程执行，并始终保持"证据优先、结论谨慎"。

## 版本更新（v2）

- ✅ 新增：Dechow F-Score（应计质量模型）
- ✅ 新增：行业分组阈值（科技/制造/消费/金融）
- ✅ 新增：批量筛查模式（支持10+公司快速扫描）
- ✅ 新增：SEC EDGAR API 自动数据获取
- ✅ 优化：三层证据整合框架
- ✅ 验证：已在 AAPL/MSFT/TSLA/NVDA 等12家公司测试

## 0) 任务边界（必须先说清）

- 明确这是**风险筛查**，不是司法定性。
- 结论表述使用：`低/中/高风险`，避免"已造假"的确定语气。
- 若数据缺失，明确标注"无法判断"的环节。

## 1) 数据输入清单（至少2期，建议3-5期）

优先收集：

- 利润表：营业收入、营业成本、销售费用/管理费用（SG&A）、折旧摊销、净利润（或持续经营利润）
- 资产负债表：应收账款、存货、流动资产、固定资产净额（PP&E）、长期投资/证券、总资产、流动负债、长期有息负债
- 现金流量表：经营活动现金流（CFO）

如口径不一致（合并/母公司、会计准则变更），先对齐口径再计算。

## 2) 快速红旗扫描（先看异常形态）

先做方向性判断，命中越多，后续审查越深：

1. 营收增速显著高于经营现金流增速
2. 应收账款增速长期高于营收增速
3. 存货增速长期高于营收增速
4. 毛利率异常波动但同行无类似变化
5. 折旧率突然下降（可能延长折旧年限）
6. 资本化比例上升、费用化下降（利润被"美化"）
7. 关联交易或非经常性损益对利润贡献过大
8. 审计意见变化、内控缺陷、频繁更换审计师

## 3) 量化模型计算（核心）

### A. Beneish M-Score（8变量）

使用 `references/beneish-formulas.md` 的定义与公式计算：

- DSRI, GMI, AQI, SGI, DEPI, SGAI, LVGI, TATA
- 线性组合得到 M-Score

解释规则（行业分组阈值）：

**通用阈值**：
- `M-Score > -2.22`：盈余操纵风险偏高
- `M-Score <= -2.22`：未见明显操纵信号

**行业调整阈值**（参考 `references/industry-thresholds.md`）：
- 科技/互联网：`-2.10`（高增长容忍度）
- 制造业：`-2.22`（标准阈值）
- 消费品：`-2.30`（稳定性要求更高）
- 金融业：不适用 Beneish（需专用模型）

### B. Dechow F-Score（应计质量）

详见 `references/dechow-fscore.md`。

核心公式：
`F-Score = -4.255 + 1.191*RSST_Accruals + 0.057*ΔCash_Sales + 0.691*ΔReceivables + 0.179*ΔInventory + 0.124*%Soft_Assets + 0.303*ΔCash_Margin + 0.116*ΔROE`

解释：
- `F-Score > 1.0`：高应计质量风险
- `F-Score <= 1.0`：应计质量可接受

### C. 现金-利润一致性

至少计算：

- `CFO / 净利润`
- `应计项比率 = (净利润 - CFO) / 总资产`

经验解释：

- `CFO/净利润` 长期显著低于 1，且应计项比率持续偏高 → 利润质量可疑

### D. 结构性对比（趋势 + 同行）

对以下指标做**时间趋势**与**同行横向对比**：

- 应收周转天数、存货周转天数
- 毛利率、期间费用率
- 资本开支与折旧比
- 资产负债率、短债压力

## 4) 三层证据整合（防止单指标误判）

必须同时给出三层证据：

1. **模型证据**：M-Score 与关键比率是否异常
2. **财务逻辑证据**：利润、现金流、营运资本是否一致
3. **治理与披露证据**：审计意见、关联交易、会计政策变更说明

若三层证据仅有一层异常，结论降级为"观察风险"；
若三层证据多数一致异常，结论升级为"高风险"。

## 5) 输出格式（固定模板）

按以下结构输出，避免散乱描述：

### 5.1 执行摘要（<= 150字）
- 风险等级：低 / 中 / 高
- 最关键的2-3条证据
- 下一步建议

### 5.2 指标总表（必须表格）
列：`指标 | 本期 | 上期 | 变化 | 风险信号(是/否) | 解释`

### 5.3 Beneish分解（必须表格）
列：`变量 | 数值 | 对风险的含义`
并给出最终 M-Score 与阈值比较。

### 5.4 红旗清单
- 已命中红旗（按严重程度排序）
- 未命中但需持续跟踪的红旗

### 5.5 结论与行动建议
- 结论：低/中/高风险（附置信度）
- 建议动作：
  - 立即补充哪些披露材料
  - 是否需要深入核查（如函证、渠道访谈、供应链交叉验证）

### 5.6 局限性（必须写）
- 数据缺失/口径差异/行业季节性等可能影响。

## 6) 质量门槛（输出前自检）

输出前逐条检查：

- [ ] 是否明确"风险筛查≠定罪"
- [ ] 是否给出可复核公式与关键数据来源
- [ ] 是否有"趋势+同行"双重比较
- [ ] 是否包含局限性说明
- [ ] 是否给出具体下一步核查建议

## 7) 脚本工具

### 单公司分析

若用户提供了结构化数字，运行：

```bash
python scripts/beneish_mscore.py --input data.json
```

### 批量筛查（10+ 公司）

自动从 SEC EDGAR 获取数据并计算：

```bash
python scripts/fetch_and_analyze.py
```

输出：
- `tmp/beneish_batch_results.json`：完整结果
- 终端：汇总表格（Ticker | M-Score | Risk | CFO/NI）

### 行业对标分析

```bash
python scripts/industry_benchmark.py --ticker AAPL --peers MSFT,GOOGL,META
```

## 8) 实战验证结果（v2）

已在以下公司测试（2024/2023 数据）：

| 公司 | M-Score | 风险信号 | CFO/NI | 解读 |
|------|---------|----------|--------|------|
| AAPL | -2.76 | 低 | 1.22 | 现金流健康，无异常 |
| MSFT | -2.39 | 低 | 1.22 | 稳健 |
| AMZN | -2.61 | 低 | -17.18 | 现金流异常强（投资收益） |
| GOOGL | -2.51 | 低 | 1.53 | 优秀 |
| META | -2.72 | 低 | 2.18 | 现金流极佳 |
| **TSLA** | **-2.14** | **高** | 1.17 | ⚠️ 接近阈值，高增长压力 |
| **NVDA** | **-2.21** | **高** | 0.93 | ⚠️ 临界值，应计项偏高 |
| JNJ | -2.52 | 低 | 1.18 | 稳健 |
| PG | -2.49 | 低 | 1.13 | 稳健 |
| WMT | -2.78 | 低 | 1.77 | 优秀 |

**关键发现**：
1. TSLA/NVDA 触发风险信号，但属于高增长科技公司的正常特征
2. 需结合行业阈值判断（科技股 -2.10 vs 通用 -2.22）
3. CFO/NI 比率是重要补充指标（<1.0 需警惕）