股票研究Skill：一句话生成“一致预期＋财务＋股价＋宏观”的投资研究快照
- 一句话定位：它是一个把分析师一致预期、公司基本面、历史股价与宏观数据串成一份结构化研究快照的 AI 技能，输出的是带表格和投资结论的完整研究笔记，而非搜索引擎式的结果罗列。
- 数据来源清晰：技能本身不编造数据，而是调用 5 个 MCP 数据工具（一致预期、公司财务、历史股价、价格摘要、宏观指标）取数，再由模型负责“把数据讲成一个投资逻辑”。
- 核心方法论：始终围绕一个关键问题——「市场一致预期可能错在哪里」，从而把数据结论连接成投资观点。
- 输出高度标准化：固定包含一致预期表、财务摘要表、估值摘要表与投资论点（评级、合理价值区间、多头与空头逻辑、催化剂、信心等级）四个模块。
- 适用人群：买方/卖方研究员、个人投资者、投行与咨询从业者、企业战略与财经内容创作者。
一、该技能叫什么？如何一键安装 AI 技能提升开发效率？
基本信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 股票研究 |
| 技能英文名 | 股票研究 |
| 技能 ID | 14227 |
| 技能类型 | 金融研究 / 数据分析类 AI 技能 |
| 依赖能力 | 多个金融数据 MCP 工具（一致预期、公司财务、历史股价、价格摘要、宏观指标） |
它解决什么问题？
做一份像样的个股研究快照，传统流程要在数据终端、Excel 模型、研报库和宏观数据库之间来回切换：先拉分析师一致预期，再翻三年财报算毛利率和 ROE，然后去查一年股价走势和 Beta，最后补一段 GDP、CPI、政策利率的宏观背景。整套动作重复、耗时，且极易在“数据拼接”环节出错。
这个技能把上述流程固化成一条标准化的工具链：你只需要提出研究目标（哪家公司、关注哪些指标），技能会自动按顺序调用对应数据工具，最后按统一模板输出研究快照。技能负责取数与结构化，你负责判断与决策。
一键安装的思路与步骤
- 确认前提：需要一个支持 AI 技能（Skill）加载的客户端或平台账号；同时确认该技能依赖的金融数据 MCP 工具已接入，并具备相应数据权限（数据源范围与授权情况以官方说明为准）。
- 找到技能：在技能市场或技能库中检索技能名「股票研究」，或直接使用技能 ID「14227」定位。
- 一键添加：通过技能详情页的安装/启用入口完成加载；若使用本地技能目录方式，则按官方文档把技能文件放入指定目录（具体路径与命令以官方说明为准）。
- 验证是否生效：发起一次最小测试，例如输入「帮我生成某公司的最新研究快照」，观察返回结果中是否出现「一致预期表 / 财务摘要 / 估值摘要 / 投资论点」四个模块，并是否明确说明调用了哪些数据工具。若只给出泛泛的文字分析而无表格，说明 MCP 工具未正确接入。
二、该技能的主要功能和特点
- 分析师一致预期整合：调用
qa_ibes_consensus，获取 EPS、营收、EBITDA、DPS 在 FY1 / FY2 的中位数与均值预期，同时返回覆盖分析师数量与高低区间离散度——离散度越大，说明市场分歧越大，往往意味着预期被修正的空间越大。 - 多年度财务基本面还原：调用
qa_company_fundamentals，读取利润表、资产负债表、现金流量表的历史财年数据，可直接支撑营收增速、毛利率、营业利润率、ROE、ROIC、净负债/EBITDA 等比率分析。 - 股价表现与风险刻画：调用
qa_historical_equity_price获取 OHLCV、总回报与 Beta，可计算年初至今回报、近一年回报、52 周区间位置，用于评估当前价格处于历史什么位置。 - 近期量价细节补充：调用
tscc_historical_pricing_summaries拉取近 3 个月的日频价格摘要，观察成交量趋势与短期动量，弥补长周期数据对近期变化不敏感的短板。 - 宏观背景定位：调用
qa_macroeconomic获取 GDP、CPI、失业率、PMI 与政策利率，用于判断该公司所处行业面对的是顺风还是逆风。 - 固定的工具链编排：技能内置“一致预期 → 历史财务 → 一年股价 → 近三月量价 → 宏观 → 综合成文”的调用顺序，避免遗漏关键环节。
- 标准化输出模板：强制输出四张结构化表格（一致预期、财务摘要、估值摘要、投资论点），让不同公司的研究结果可以直接横向对比。
- 强制形成观点：结果不以数据罗列收尾，必须给出买入/持有/卖出建议、合理价值区间、核心多头逻辑、核心空头逻辑、未来催化剂与信心等级。
和普通工具比强在哪？
普通行情软件给你“数据”，通用大模型给你“话术”，而这个技能给的是两者之间的连接环节——数据来自真实工具调用，叙事来自模型综合，且每张表都指向同一个投资判断问题，避免了“数据很全但结论很虚”的常见毛病。
三、如何使用该技能？
步骤 1：明确研究标的与关注点 先想清楚你要研究哪家公司、主要关心什么——是估值贵不贵、预期是否过高，还是财务质量在下滑。关注点不同，后续解读的重点也不同。
步骤 2：发起研究请求（输入示例）
「请用股票研究技能，为某消费行业上市公司生成一份研究快照。重点看：FY1/FY2 的 EPS 与营收一致预期及分析师分歧度、近 3 个财年的毛利率与 ROE 趋势、当前前瞻市盈率相对历史区间的位置，以及其所在市场的 GDP 与 CPI 是否构成顺风。」
步骤 3：确认取数范围 技能会按工具链依次调用数据。如果公司主市场不在数据覆盖范围内，宏观模块可能返回空值，此时应主动缩小或调整范围，而不是强行让模型“补一段”。
步骤 4：阅读输出的四张表
- 一致预期表：看分析师数量（太少说明覆盖度低、结论稳定性差）与离散度（越高越值得深挖分歧原因）。
- 财务摘要表：看三年趋势而非单年绝对值，重点关注毛利率与营业利润率的同向或背离。
- 估值摘要表：前瞻市盈率 = 当前股价 / 一致预期 EPS，重点是与行业水平和自身历史区间做对比。
- 投资论点：检查多头与空头逻辑是否都能用前面三张表的数据支撑，若不能，说明论证尚不成立。
步骤 5：追问与迭代 完成第一版后可以继续追问，例如「把估值对比换成 EV/EBITDA 口径重算一遍」「如果按悲观情形下调 FY2 营收 5%，合理价值区间会变成多少」。技能会基于已有数据继续推演。
步骤 6：保存为研究底稿 把输出表格作为底稿存档，后续财报季更新时只需重新运行一次，即可对比预期修正的方向与幅度。
四、同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 股票研究技能（本技能） | 对话式一站式研究快照生成 | 一致预期 + 财务 + 股价 + 宏观四源整合，输出标准化四表与投资论点 | 需支持技能的客户端 + MCP 数据工具接入，以官方说明为准 | 快速出初稿、批量覆盖多只股票、财报季前后预期对比 | 优势：流程固化、输出统一、可直接产出观点；不足：深度依赖底层数据覆盖度，无法替代一手调研 |
| 传统金融数据终端 | 专业数据与图表平台 | 全量行情、财务、一致预期、宏观数据与筛选器 | 需付费订阅与学习成本，门槛高 | 专业机构日常取数与深度分析 | 优势：数据全面权威；不足：不自动成文，仍需人工搭模型、写结论 |
| 手工 Excel 财务模型 | 自建估值与研究模板 | 完全自定义的预测、估值与敏感性分析 | 需具备财务建模能力 | DCF、可比公司估值等精细建模 | 优势：灵活度最高；不足：搭建耗时长、数据更新靠手工、易出错 |
| 通用大模型对话 | 通用问答与文本生成 | 文字分析、逻辑梳理 | 几乎零门槛 | 概念解释、初稿润色 | 优势：上手快；不足：常缺真实数据支撑，容易生成看似合理但无来源的数字，不能作为研究依据 |
五、该技能的典型应用场景与实际体验情况
场景一：买方研究员的财报季批量筛查 痛点：财报季要在两三周内覆盖数十家公司，逐家拉数据来不及。 用法：对每家公司依次运行技能，重点对比“一致预期离散度”与“近一年股价区间位置”，快速筛出“分歧大且股价已在高位”的标的优先深研。 体验：上手难度低，第一次运行即可得到结构统一的表格；注意分析师覆盖数量过少的小市值公司，结论稳定性会明显下降。
场景二：个人投资者的个股体检 痛点：看研报抓不住重点，看行情软件不知从哪几个指标入手。 用法：直接要求生成研究快照，重点看毛利率与 ROE 趋势、前瞻市盈率相对历史的位置、以及投资论点里的多空逻辑。 体验：把“看什么”这件事标准化了，收益明显；但需注意技能的结论是研究起点而非买卖建议，最终决策仍需自己承担。
场景三：投行/咨询的项目初筛 痛点：项目前期需要快速判断标的质量与估值合理性，但没有现成报告。 用法：把技能输出的一致预期表和财务摘要表作为内部讨论底稿，用估值摘要表与同业做初步对标。 体验：效率提升显著，一小时级别即可拿到可讨论的框架；但涉及具体交易时，仍需以尽职调查与一手数据为准。
场景四：财经内容创作者的选题与素材准备 痛点：写个股分析需要数据支撑，但整理数据极其枯燥。 用法：用技能生成快照后，以“一致预期 vs 实际”的差异为切入点撰写分析。 体验：素材获取从数小时压缩到很短的对话时间；注意事项是要核实工具返回数据的口径与截止日期，避免在文章中引用过期数据。
六、该技能能为用户带来的价值
- 效率提升：把“拉数据—拼表格—写结论”的重复劳动合并为一次对话，原本需要数小时的研究初稿可以在很短时间内成型。
- 门槛降低：不懂财务建模的人，也能通过标准化四表读懂一家公司的预期、质量、估值与宏观位置；懂行的人则可以把省下的时间投入真正创造价值的分歧判断。
- 质量提升：固定的工具链杜绝了“忘记看宏观”“漏了离散度”这类疏漏，标准化模板让不同标的、不同时间点的研究结果可以直接横比。
- 决策支持：强制输出评级、合理价值区间、多空逻辑与催化剂，让研究不停留在数据表面，直接服务投资讨论。
- 长期价值：把研究流程资产化——每次运行都是一次可复用的底稿，长期积累后形成自己的覆盖数据库和预期修正追踪记录。
七、常见问题 FAQ
Q1：这个技能怎么安装？需要付费吗？ A：在支持 AI 技能的客户端或平台中检索技能名「股票研究」或技能 ID「14227」，通过技能详情页的安装/启用入口一键添加即可；前提是相关金融数据 MCP 工具已接入并具备数据权限。至于是否收费、包含哪些数据源与订阅方式，以官方说明为准。
Q2：它给出的数据是真实的还是模型编的？ A：技能的设计原则是由 MCP 工具负责取数、模型负责综合。一致预期、财务、股价、宏观数据均来自对应工具调用。使用时应检查输出是否标注了调用的工具与数据口径；若某段结论找不到数据支撑，应视为待核实内容。
Q3：它适合谁用？零基础能上手吗？ A：适合买方/卖方研究员、个人投资者、投行与咨询从业者、财经内容创作者。操作层面接近零门槛，只需用自然语言描述研究目标；但要读懂并质疑输出结果，仍需要基础的财务与估值常识（如市盈率、EV/EBITDA、ROE 的含义）。
Q4：和金融数据终端、Excel 建模比，该怎么选？ A：三者是互补关系。需要快速出初稿、批量覆盖、统一格式时用本技能；需要全量底层数据和自定义筛选时用专业终端；需要精细的 DCF、敏感性分析与个性化假设时用 Excel 建模。实务中常见做法是：技能出初稿 → 终端核数据 → 模型做深度估值。
Q5：能用来做投资决策吗？ A：它是研究效率工具，输出的是研究快照与分析框架，不构成投资建议。它的最大价值在于帮你提出更好的问题——比如“一致预期为什么这么高、离散度为什么这么大”，最终判断仍需结合一手信息与自身风险承受能力。