Tech Earnings Deep Dive - 完整指南

版本: v3.0
最后更新: 2026-03-24

📖 目录

第一部分：产品指南

产品概述
核心功能
使用指南
常见问题

第二部分：技术架构

系统架构
模块设计
评分算法
配置说明
扩展开发

第一部分：产品指南

1. 产品概述

1.1 产品定位

Tech Earnings Deep Dive 是一个机构级科技股财报深度分析系统，专为 AI 助手打造，提供专业投资机构级别的分析能力。

1.2 核心价值

价值点	说明
专业级分析	复刻 Day1Global 框架，16 模块 +6 视角 +6 估值方法
自动化流程	从数据获取到报告生成，全流程自动化
多维度对比	支持多只股票批量对比分析
客观中立	基于数据说话，避免情绪化决策

1.3 适用人群

人群	使用场景
个人投资者	财报分析、持仓决策、估值判断
投资顾问	客户报告、投资建议、风险评估
研究人员	行业分析、公司对比、趋势研究
AI 助手	为用户提供专业的投资分析服务

2. 核心功能

2.1 功能总览

Tech Earnings Deep Dive
│
├── 📊 16 模块分析      # 基本面深度分析
├── 👁️ 6 大投资视角     # 大师视角评估
├── 💰 6 种估值方法     # 多方法估值矩阵
├── 🎯 MSCI Barra      # 多因子评分
├── ⚠️ 反偏见框架      # 风险识别
├── 🔍 批量对比        # 多股对比分析
└── 📑 HTML 报告       # 专业格式输出

2.2 16 模块分析

模块	名称	说明
A	收入质量	收入增长率、收入构成、客户集中度
B	盈利能力	毛利率、净利率、ROE、ROA
C	现金流	自由现金流、现金流利润率
D	前瞻指引	管理层指引、分析师预期
E	竞争格局	市场份额、竞争壁垒
F	核心 KPI	行业特定指标
G	产品与新业务	产品线、新业务进展
H	合作伙伴生态	供应商、客户、战略合作
I	高管团队	管理层背景、持股情况
J	宏观政策	行业政策、宏观经济
K	估值模型	多方法估值对比
L	筹码分布	内部人交易、机构持仓
M	长期监控变量	长期跟踪指标
N	研发效率	研发投入产出比
O	会计质量	会计政策、审计意见
P	ESG 筛查	环境、社会、治理

2.3 6 大投资视角

视角	代表人物	关注点
质量复利	巴菲特/芒格	ROE 可持续性、护城河
想象力成长	Baillie Gifford/ARK	长期成长潜力
基本面多空	Tiger Cubs	基本面强弱对比
深度价值	Klarman/Marks	安全边际
催化剂驱动	Tepper/Ackman	短期催化剂
宏观战术	Druckenmiller	宏观环境、流动性

3. 使用指南

3.1 单股分析

python3 analyze.py AAPL
python3 analyze.py NVDA --no-cache

3.2 批量对比

python3 analyze_batch.py NVDA AMD INTC
python3 analyze_batch.py AAPL MSFT GOOGL --workers 5

3.3 输出位置

个股报告: ~/.openclaw/workspace/output/tech-earnings-deepdive/
对比报告: ~/.openclaw/workspace/output/tech-earnings-deepdive/batch/

3.4 配置选项

{
  "batch_analysis": {
    "max_workers": 3,
    "rate_limit": 10,
    "rate_period": 60
  },
  "error_handling": {
    "retry_on_failure": true,
    "max_retries": 2
  }
}

2. 核心功能

2.1 功能总览

Tech Earnings Deep Dive
│
├── 📊 16 模块分析      # 基本面深度分析
├── 👁️ 6 大投资视角     # 大师视角评估
├── 💰 6 种估值方法     # 多方法估值矩阵
├── 🎯 MSCI Barra      # 多因子评分
├── ⚠️ 反偏见框架      # 风险识别
├── 🔍 批量对比        # 多股对比分析
└── 📑 HTML 报告       # 专业格式输出

2.2 16 模块分析

模块	名称	说明
A	收入质量	收入增长率、收入构成、客户集中度
B	盈利能力	毛利率、净利率、ROE、ROA
C	现金流	自由现金流、现金流利润率
D	前瞻指引	管理层指引、分析师预期
E	竞争格局	市场份额、竞争壁垒
F	核心 KPI	行业特定指标
G	产品与新业务	产品线、新业务进展
H	合作伙伴生态	供应商、客户、战略合作
I	高管团队	管理层背景、持股情况
J	宏观政策	行业政策、宏观经济
K	估值模型	多方法估值对比
L	筹码分布	内部人交易、机构持仓
M	长期监控变量	长期跟踪指标
N	研发效率	研发投入产出比
O	会计质量	会计政策、审计意见
P	ESG 筛查	环境、社会、治理

2.2 16 模块分析

模块	名称	说明
A	收入质量	收入增长率、收入构成、客户集中度
B	盈利能力	毛利率、净利率、ROE、ROA
C	现金流	自由现金流、现金流利润率
D	前瞻指引	管理层指引、分析师预期
E	竞争格局	市场份额、竞争壁垒
F	核心 KPI	行业特定指标
G	产品与新业务	产品线、新业务进展
H	合作伙伴生态	供应商、客户、战略合作
I	高管团队	管理层背景、持股情况
J	宏观政策	行业政策、宏观经济
K	估值模型	多方法估值对比
L	筹码分布	内部人交易、机构持仓
M	长期监控变量	长期跟踪指标
N	研发效率	研发投入产出比
O	会计质量	会计政策、审计意见
P	ESG 筛查	环境、社会、治理

2.3 6 大投资视角

视角	代表人物	关注点
质量复利	巴菲特/芒格	ROE 可持续性、护城河
想象力成长	Baillie Gifford/ARK	长期成长潜力
基本面多空	Tiger Cubs	基本面强弱对比
深度价值	Klarman/Marks	安全边际
催化剂驱动	Tepper/Ackman	短期催化剂
宏观战术	Druckenmiller	宏观环境、流动性

3. 使用指南

3.1 单股分析

python3 analyze.py AAPL
python3 analyze.py NVDA --no-cache

3.2 批量对比

python3 analyze_batch.py NVDA AMD INTC
python3 analyze_batch.py AAPL MSFT GOOGL --workers 5

3.3 输出位置

个股报告: ~/.openclaw/workspace/output/tech-earnings-deepdive/
对比报告: ~/.openclaw/workspace/output/tech-earnings-deepdive/batch/

3.4 配置选项

{
  "batch_analysis": {
    "max_workers": 3,
    "rate_limit": 10,
    "rate_period": 60
  },
  "error_handling": {
    "retry_on_failure": true,
    "max_retries": 2
  }
}

4. 常见问题

Q: 数据准确性如何保证？

A: 数据来源于 Yahoo Finance 和 SEC EDGAR，均为权威数据源。详细的数据验证流程请查看数据准确性文档。

Q: 缓存多久更新一次？

股价数据：1 小时
财报数据：24 小时
内部人交易：24 小时
机构持仓：24 小时

Q: 如何禁用缓存？

A: 使用 --no-cache 参数：

python3 analyze.py AAPL --no-cache

Q: 批量分析太慢怎么办？

A: 可以增加并发数：

python3 analyze_batch.py NVDA AMD INTC --workers 5

Q: 如何查看技术细节？

A: 请查看技术架构文档，包含系统架构、评分算法、扩展开发等详细内容。

最后更新

第二部分：技术架构

系统架构

1.1 整体架构

Tech Earnings Deep Dive
│
├── analyze.py              # 单股分析入口
├── analyze_batch.py        # 批量分析入口
├── config.json             # 配置文件
│
├── modules/                # 核心模块
│   ├── core.py            # 核心分析引擎
│   ├── fetch_data.py      # 数据获取
│   ├── analyze_full.py    # 16 模块分析
│   ├── perspectives_full.py  # 6 大视角分析
│   ├── valuation_full.py  # 估值计算
│   ├── export_report.py   # 报告导出
│   ├── exceptions.py      # 自定义异常
│   └── ...
│
├── references/            # 参考文档
│   ├── valuation-models.md
│   ├── investing-philosophies.md
│   └── bias-checklist.md
│
└── cache/                 # 数据缓存
    └── {TICKER}_data.json

1.2 核心组件

组件	文件	职责	行数
数据获取	`fetch_data.py`	从 Yahoo Finance/SEC 获取数据	~800 行
16 模块分析	`analyze_full.py`	基本面 16 维度分析	~600 行
6 大视角	`perspectives_full.py`	投资哲学视角评估	~700 行
估值计算	`valuation_full.py`	6 种估值方法	~800 行
报告导出	`export_report.py`	HTML/MD 报告生成	~2200 行
核心引擎	`core.py`	整合所有模块	~300 行

模块设计

2.1 16 模块分析

modules = {
    'A_revenue_quality': {'name': '收入质量', 'weight': 1/16},
    'B_profitability': {'name': '盈利能力', 'weight': 1/16},
    'C_cash_flow': {'name': '现金流', 'weight': 1/16},
    'D_forward_guidance': {'name': '前瞻指引', 'weight': 1/16},
    'E_competitive_landscape': {'name': '竞争格局', 'weight': 1/16},
    'F_core_kpis': {'name': '核心 KPI', 'weight': 1/16},
    'G_products_new': {'name': '产品与新业务', 'weight': 1/16},
    'H_partners': {'name': '合作伙伴生态', 'weight': 1/16},
    'I_management': {'name': '高管团队', 'weight': 1/16},
    'J_macro_policy': {'name': '宏观政策', 'weight': 1/16},
    'K_valuation': {'name': '估值模型', 'weight': 1/16},
    'L_ownership': {'name': '筹码分布', 'weight': 1/16},
    'M_long_term_vars': {'name': '长期监控变量', 'weight': 1/16},
    'N_rd_efficiency': {'name': '研发效率', 'weight': 1/16},
    'O_accounting_quality': {'name': '会计质量', 'weight': 1/16},
    'P_esg_screening': {'name': 'ESG 筛查', 'weight': 1/16},
}

2.2 6 大投资视角

perspectives = {
    'quality_compounder': {
        'name': '质量复利',
        'representatives': '巴菲特/芒格',
        'focus': 'ROE 可持续性、护城河、管理层质量'
    },
    'imaginative_growth': {
        'name': '想象力成长',
        'representatives': 'Baillie Gifford/ARK',
        'focus': '长期成长潜力、颠覆性创新'
    },
    'fundamental_long_short': {
        'name': '基本面多空',
        'representatives': 'Tiger Cubs',
        'focus': '基本面强弱、多空机会'
    },
    'deep_value': {
        'name': '深度价值',
        'representatives': 'Klarman/Marks',
        'focus': '安全边际、逆向投资'
    },
    'catalyst_driven': {
        'name': '催化剂驱动',
        'representatives': 'Tepper/Ackman',
        'focus': '短期催化剂、事件驱动'
    },
    'macro_tactical': {
        'name': '宏观战术',
        'representatives': 'Druckenmiller',
        'focus': '宏观环境、流动性、战术配置'
    }
}

2.3 6 种估值方法

valuation_methods = [
    'owner_earnings',      # 所有者盈余折现
    'peg',                 # PEG 估值
    'reverse_dcf',         # 反向 DCF
    'magic_formula',       # 神奇公式
    'ev_ebitda',           # EV/EBITDA
    'ev_revenue_rule40'    # EV/Revenue (Rule of 40)
]

评分算法

4.1 综合评分计算

def calculate_overall_score(modules, perspectives, valuation, biases):
    # 16 模块基础评分 (50%)
    module_scores = [m['score'] for m in modules.values()]
    avg_module_score = sum(module_scores) / len(module_scores)
    
    # 6 大视角评分 (20%)
    perspective_scores = [p['total_score'] for p in perspectives.values()]
    avg_perspective_score = sum(perspective_scores) / len(perspective_scores)
    
    # 估值评分转换 (30%)
    upside = valuation['summary']['upside_downside']
    valuation_score = min(100, max(0, 75 + upside * 1.25))
    
    # 综合评分
    base_score = (
        avg_module_score * 0.50 +
        avg_perspective_score * 0.20 +
        valuation_score * 0.30
    )
    
    # 红旗罚分
    red_flag_penalty = calculate_red_flag_penalty(biases)
    
    overall_score = max(0, base_score - red_flag_penalty)
    
    return overall_score

4.2 MSCI Barra 6 大因子

barra_factors = {
    'quality': {
        'weight': 0.30,
        'modules': ['A', 'B', 'C', 'E', 'H', 'I', 'O']
    },
    'growth': {
        'weight': 0.25,
        'modules': ['F', 'G', 'N']
    },
    'value': {
        'weight': 0.20,
        'modules': ['K']
    },
    'sentiment': {
        'weight': 0.10,
        'modules': ['L']
    },
    'macro': {
        'weight': 0.10,
        'modules': ['J']
    },
    'esg': {
        'weight': 0.05,
        'modules': ['P']
    }
}

4.3 投资建议映射

def map_recommendation(score):
    if score >= 80:
        return '强烈买入'
    elif score >= 70:
        return '买入'
    elif score >= 60:
        return '持有'
    elif score >= 50:
        return '减持'
    else:
        return '卖出'

配置说明

5.1 config.json 结构

{
  "name": "tech-earnings-deepdive-openclaw-skill",
  "version": "3.0.0",
  "default_stock": "NVDA",
  "output_format": "html",
  "cache_ttl_hours": 24,
  "batch_analysis": {
    "max_workers": 3,
    "rate_limit": 10,
    "rate_period": 60,
    "timeout_per_stock": 300
  },
  "error_handling": {
    "retry_on_failure": true,
    "max_retries": 2,
    "log_level": "INFO"
  }
}

5.2 环境变量

# 输出目录
export OUTPUT_DIR=~/.openclaw/workspace/output/tech-earnings-deepdive

# 日志级别
export LOG_LEVEL=INFO

# API 密钥（可选）
export TIINGO_API_KEY=your_key_here

扩展开发

6.1 添加新模块

在 modules/ 目录创建新模块文件
在 analyze_full.py 中注册模块
在 config.json 中启用模块
更新 export_report.py 支持新模块输出

6.2 添加新估值方法

在 valuation_full.py 中实现计算方法
在 config.json 的 valuation_methods 列表中添加
更新 export_report.py 的估值表格

6.3 自定义报告模板

修改 export_report.py 中的 HTML 模板
或创建新的导出器类继承 ReportExporter

附录

A. 错误代码

错误代码	说明	解决方案
`DATA_FETCH_ERROR`	数据获取失败	检查网络连接/API 限流
`INSUFFICIENT_DATA`	数据不足	等待财报发布/检查股票代码
`ANALYSIS_ERROR`	分析失败	查看日志定位具体模块
`EXPORT_ERROR`	导出失败	检查输出目录权限

B. 性能优化建议

启用缓存：use_cache=True（默认）
批量分析限流：--rate-limit 10（10 请求/60 秒）
并发控制：--workers 3（默认 3 并发）
超时设置：timeout_per_stock=300（5 分钟/股）

文档版本: v3.0
最后更新: 2026-03-24

FilesExpand file tree

GUIDE.md

Latest commit

History

GUIDE.md

File metadata and controls

Tech Earnings Deep Dive - 完整指南

📖 目录

第一部分：产品指南

第二部分：技术架构

第一部分：产品指南

1. 产品概述

1.1 产品定位

1.2 核心价值

1.3 适用人群

2. 核心功能

2.1 功能总览

2.2 16 模块分析

2.3 6 大投资视角

3. 使用指南

3.1 单股分析

3.2 批量对比

3.3 输出位置

3.4 配置选项

2. 核心功能

2.1 功能总览

2.2 16 模块分析

2.2 16 模块分析

2.3 6 大投资视角

3. 使用指南

3.1 单股分析

3.2 批量对比

3.3 输出位置

3.4 配置选项

4. 常见问题

Q: 数据准确性如何保证？

Q: 缓存多久更新一次？

Q: 如何禁用缓存？

Q: 批量分析太慢怎么办？

Q: 如何查看技术细节？

第二部分：技术架构

系统架构

1.1 整体架构

1.2 核心组件

模块设计

2.1 16 模块分析

2.2 6 大投资视角

2.3 6 种估值方法

评分算法

4.1 综合评分计算

4.2 MSCI Barra 6 大因子

4.3 投资建议映射

配置说明

5.1 config.json 结构

5.2 环境变量

扩展开发

6.1 添加新模块

6.2 添加新估值方法

6.3 自定义报告模板

附录

A. 错误代码

B. 性能优化建议