技能使用指南

stock-finance-profiler(股票基本面分析工具)Skill 究竟是什么?

股票基本面分析工具Skill只需三张财务报表数据,即可一键算出ROE、毛利率、流动比率、周转天数等20+项财务指标并完成杜邦三因素分解,支持文件、管道与JSON结构化输出,零依赖、结果可复现。本文详解安装步骤、使用示例、竞品对比与典型场景,帮你快速把财报分析变成可调用的能力。

股票基本面分析工具Skillstock-finance-profiler
8 个章节 约 15 分钟阅读 AI 智能生成

股票基本面分析工具:三张报表一键算出 20+ 财务指标与杜邦分解报告

  • 一个技能覆盖完整的基本面体检流程:只需提供资产负债表、利润表、现金流量表的关键数据,即可得到盈利能力、偿债能力、流动性、营运效率、每股指标、现金流、成长能力七大维度共 20+ 项指标。
  • 自带的杜邦分析提供更深入的视角:把 ROE 拆解为「净利率 × 总资产周转率 × 权益乘数」,直接定位企业赚钱的驱动来源。
  • 调用方式灵活:支持读取 JSON 文件、标准输入管道、--json 结构化输出三种模式,既可人工阅读也可接入程序流水线。
  • 无额外依赖:脚本仅使用 Python 标准库,不需要安装第三方包,环境门槛极低。
  • 边界清晰:基于用户提供的静态财报数据计算,不涉及实时行情抓取,结果适合作为分析起点而非投资结论。

该技能叫什么?如何一键安装 AI 技能提升开发效率?

技能中文名:股票基本面分析工具Skill 技能英文名:stock-finance-profiler 技能ID:14357

这个技能解决的是一个非常具体的环节:当你想判断一家上市公司「到底赚不赚钱、赚得稳不稳、负债高不高、周转快不快」时,通常要在 Excel 里手工录入十几行数据、写十几个公式,稍有口径不一致就要重算。stock-finance-profiler 把这一步固化成了一份标准输入格式加一个分析脚本——你把三张报表的关键科目填进 JSON,它把 20+ 项指标和杜邦分解一次性算完并给出参考范围与简要评价。

一键安装的思路与步骤:

  1. 确认前提条件。需要在支持 AI 技能(Skill)的客户端或工作环境中操作,并准备可用的 Python 3 运行环境。由于分析脚本仅依赖 Python 标准库,无需额外 pip install 任何依赖。
  2. 找到安装入口。在技能市场、技能库或技能管理面板中搜索技能英文名 stock-finance-profiler 或技能ID 14357,选中后点击添加/启用即可完成挂载。具体的入口路径、按钮名称与是否需要登录授权,以官方说明为准。
  3. 验证是否生效。有两种验证方式:
    • 对话侧验证:向 AI 发起「帮我分析一下这家公司的财报」或「计算一下财务比率」这类表述,观察技能是否被正确触发。
    • 脚本侧验证:直接运行 python3 scripts/analyze.py --help,若能看到参数说明,说明脚本已就绪。
  4. 跑通第一个样例。准备一份最小的 JSON 数据(至少包含 balance_sheet 与 income_statement),执行 python3 scripts/analyze.py --input financial_data.json,能正常输出报告即代表安装成功。

这种「一键安装」的价值在于:你不需要自己写财务公式、不需要维护指标口径文档,安装完成后技能就变成了一个随时可调用的能力单元,后续所有财报分析都复用同一套计算逻辑,避免每次口径不同导致结论互相矛盾。

该技能的主要功能和特点

1. 七大维度、20+ 项核心财务指标

  • 盈利能力(6 项):ROE、ROA、毛利率、净利率、营业利润率、EBITDA 利润率。
  • 偿债能力(4 项):资产负债率、权益乘数、利息保障倍数(EBIT / 利息费用)、产权比率。
  • 流动性(3 项):流动比率、速动比率、现金比率。
  • 营运效率(6 项):总资产周转率、存货周转率、存货周转天数、应收账款周转率、应收账款周转天数、营运资金周转率。
  • 每股指标(3 项):每股收益(EPS)、每股净资产(BVPS)、市盈率(P/E)。
  • 现金流指标(3 项):经营现金流比率、自由现金流、现金流净利润比。
  • 成长能力(2 项):营收同比增长率、净利润同比增长率。

2. 杜邦分析:把 ROE 拆开来看 不是只给一个 ROE 数字,而是按 ROE = 净利率 × 总资产周转率 × 权益乘数 三因素分解,帮助判断高 ROE 究竟来自「卖得贵」(高利润率)、「转得快」(高周转)还是「借得多」(高杠杆)——这三种来源的风险含义完全不同。

3. 输入结构标准化,字段说明清晰 输入 JSON 中 balance_sheet(总资产、总负债、股东权益、流动资产、流动负债、存货、应收账款、货币资金)与 income_statement(营业收入、营业成本、营业利润、净利润、利息费用、折旧摊销、所得税)为必填核心;cash_flow_statement、market_data、prior_year 为可选,用于解锁现金流指标、每股指标与增长率指标。

4. 三种调用方式,兼顾人读与机读 支持文件输入、标准输入管道、以及 --json 结构化输出,既能直接看报告,也能把结果喂给下游程序或报表系统。

5. 与普通工具相比的差异 相比 Excel 模板,它把公式与口径固化,避免手工错漏;相比金融终端,它轻量、可嵌入、可编程;相比直接问通用大模型,它走的是确定性计算路径,同样的输入得到同样的数字,不会出现「同一个问题两次答案不同」。

如何使用该技能?

步骤 1:准备财报数据 从年报、季报或财报数据库中提取三张报表的关键科目,注意保持单位一致(如统一为元或统一为万元)。

步骤 2:整理成 JSON 文件 一个最小可运行示例(数值为示意,请替换为真实数据):

{
  "company_name": "示例股份有限公司",
  "report_period": "2025Q4",
  "currency": "CNY",
  "balance_sheet": {
    "total_assets": 10000000000,
    "total_liabilities": 4500000000,
    "shareholders_equity": 5500000000,
    "current_assets": 4000000000,
    "current_liabilities": 2500000000,
    "inventory": 900000000,
    "accounts_receivable": 700000000,
    "cash_and_equivalents": 1200000000
  },
  "income_statement": {
    "revenue": 8000000000,
    "cost_of_goods_sold": 5200000000,
    "operating_income": 1100000000,
    "net_income": 850000000,
    "interest_expense": 120000000,
    "depreciation_amortization": 300000000,
    "income_tax": 180000000
  },
  "cash_flow_statement": {
    "operating_cash_flow": 1300000000,
    "capital_expenditure": 500000000
  },
  "market_data": {
    "shares_outstanding": 1000000000,
    "stock_price": 18.5
  },
  "prior_year": {
    "revenue": 7000000000,
    "net_income": 700000000
  }
}

步骤 3:选择调用方式

  • 文件方式(生成可读报告):python3 scripts/analyze.py --input financial_data.json
  • 结构化方式(便于程序处理):python3 scripts/analyze.py --input financial_data.json --json
  • 管道方式(从标准输入读取):cat financial_data.json | python3 scripts/analyze.py --stdin

步骤 4:解读输出 脚本会输出结构化分析报告,包含各类指标的数值、参考范围和简要评价。建议先看杜邦三因素定位 ROE 来源,再看偿债与流动性判断风险,最后看成长能力判断趋势。不同行业指标参考范围差异较大,报告中的评价仅供参考,需结合行业特点综合判断。

步骤 5:在对话中直接调用 也可以不提命令,直接说「帮我分析一下这家公司的财报」并把报表数据贴给 AI,技能会按上述流程完成计算与解读。

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
stock-finance-profiler(本技能) 轻量、可编程的财报分析技能 20+ 项指标 + 杜邦三因素分解,支持文件/管道/JSON 输出 需在支持 Skill 的环境中挂载,需 Python 3(仅标准库,无额外依赖) 快速体检、批量分析、嵌入自动化流程 优势:口径统一、结果确定、零依赖、可机读;不足:仅基于用户提供的静态数据,不抓实时行情,不含行业基准库
Excel/手工财务模板 通用表格工具 自定义公式计算任意比率 门槛低但需自行搭建并维护公式 单家公司、一次性分析 优势:灵活、人人会用;不足:公式易错、口径难统一、无法批量处理、无杜邦自动拆解
金融数据终端(如 Wind、同花顺 iFinD 等) 专业投研数据平台 海量行情、行业基准、研报与估值模型 门槛较高,通常需付费订阅,以官方说明为准 机构投研、深度覆盖与横向对比 优势:数据全、有行业对标;不足:成本高、偏重终端操作,嵌入自定义脚本流程不便
通用大模型直接提问 对话式分析 直接把报表丢给模型让其「分析」 门槛最低,无需安装 快速获取定性解读 优势:上手快、能生成文字点评;不足:数值计算可能出现偏差且不可复现,缺少固定的指标定义与杜邦公式约束
自建 Python 分析脚本 完全定制开发 按需实现任意指标 门槛最高,需自行开发与维护 有特殊口径需求的团队 优势:完全可控;不足:开发与维护成本高,指标口径与文档需自己沉淀

该技能的典型应用场景与实际体验情况

场景一:个人投资者做持仓体检 痛点:看财报时能看懂营收和净利润,但毛利率变化、应收账款是否异常增长、经营现金流是否跟得上利润,很难自己算清楚。 使用方式:从年报中摘出三张表关键科目,整理成 JSON 后运行脚本,或直接把数据贴给 AI 让其调用技能。 实际体验:上手难度低,第一次准备 JSON 大约需要十几分钟,之后同一模板可反复复用。输出报告结构清晰,杜邦分解对「ROE 是靠杠杆撑起来的」这类判断特别直观。注意点:务必确认数据单位统一,否则比率会严重失真。

场景二:投研/分析人员做初筛 痛点:需要在一批候选公司里快速筛出「盈利质量高、负债可控」的标的,手工算几十家不现实。 使用方式:用 --json 输出模式批量跑,把结果汇总成表格做横向排序。 实际体验:因为输出是结构化 JSON,接入下游处理非常顺畅,比人工读报告效率提升明显。注意点:脚本不做行业基准对比,跨行业横向比较时需要自己补充行业参考区间。

场景三:财务/审计/咨询人员做客户分析 痛点:客户给的报表格式五花八门,每次都要重新搭表格。 使用方式:把不同来源的数据统一映射到技能的字段口径上(total_assets、revenue 等),再统一计算。 实际体验:字段定义清晰是最大优势,团队内部可以基于同一份字段表协作,减少口径争议。注意点:非标准科目(如「其他非流动资产」中的特殊项)需要自行判断归入哪一类,可能影响部分比率。

场景四:开发者/教学场景 痛点:财务分析课程或量化项目中需要一个可复现的计算内核。 使用方式:直接调用脚本,或将其作为更大流水线中的一环。 实际体验:仅依赖 Python 标准库这一点对教学和部署非常友好,学生不需要折腾环境。注意点:它是计算工具不是投资建议工具,输出中的「简要评价」应理解为提示而非结论。

该技能能为用户带来的价值

效率层面:把原本需要手工录入、写公式、逐项核对的财报分析流程压缩为「整理一份 JSON + 一条命令」。20+ 项指标和杜邦分解一次算完,单家公司的完整分析从「半天」量级降到「十几分钟」量级;配合 --json 做批量分析时,效率提升更明显。

门槛层面:用户不需要记住 ROE、速动比率、利息保障倍数的公式,也不需要理解杜邦分解的推导过程,只要按字段表填数就能得到规范结果。对非财务背景的开发者、产品经理、创业者来说,这是把「财务分析」从专业技能变成可调用能力的关键一步。

质量层面:固定公式 + 固定字段口径 + 确定性计算,意味着同一个输入永远得到同一个输出,避免了手工计算错漏和「每次问大模型答案都不一样」的问题,结果可复核、可追溯。

长期价值:技能沉淀的字段结构本身就是一份可复用的数据契约。团队一旦按这套字段整理历史财报数据,后续无论是做趋势对比、搭建自动报表,还是接入更复杂的分析流程,都可以直接复用,边际成本持续下降。

常见问题 FAQ

Q1:这个技能怎么安装?需要付费吗? 在支持 AI 技能的环境中搜索技能英文名 stock-finance-profiler 或技能ID 14357,添加到技能列表即可。技能声明为 MIT 许可,运行脚本仅使用 Python 标准库,无需安装第三方依赖。至于是否需要付费、具体的入口位置与授权方式,以官方说明为准。

Q2:必须准备现金流量表和市场数据吗? 不是必需。balance_sheet 和 income_statement 是必填项;cash_flow_statement 用于计算经营现金流比率、自由现金流和现金流净利润比;market_data 用于计算 EPS、BVPS 和市盈率;prior_year 用于计算营收与净利润同比增长率。缺哪部分,对应指标就不会输出。

Q3:它会给出行情数据或实时股价吗? 不会。技能明确说明所有指标基于用户提供的静态财报数据计算,不涉及实时行情获取。market_data 中的股价也是由用户自行填入,用于计算市盈率等指标。

Q4:算出来的指标评价准不准?适合谁用? 报告中的「参考范围」和「简要评价」是通用口径下的提示,不同行业的合理区间差异很大(例如重资产行业与轻资产行业的资产周转率不可直接比较),因此评价仅供参考,需结合行业特点和公司具体情况综合判断。它适合个人投资者、投研分析人员、财务与咨询从业者,以及需要财务计算内核的开发者与教学场景。

Q5:和直接用 Excel 或者直接问大模型相比,怎么选? 如果只是看一家公司、想随手算两个比率,Excel 足够;如果想要的是定性解读和文字点评,通用大模型更快。但如果你需要口径统一、结果可复现、可批量、可机读的财务分析,本技能的优势就体现出来了——它把公式和字段定义固化下来,输出可以稳定进入下游流程。如果你追求行业基准对标与海量数据覆盖,则更适合使用专业金融数据终端。