Investment Research OS v1.1#

核心理念#

text

多数人研究：发生了什么
优秀投资者研究：为什么发生
顶级投资者研究：市场接下来会重新定价什么

研究终点不是"写完报告"，而是：

text

研究 → 形成假设 → 建仓 → 跟踪验证 → 调整仓位 → 退出

系统架构#

text

市场 → 行业 → 公司 → 估值 → 预期差 → 风险 → 投资决策
          ↑
     6个专业Agent
     (并行/串行协作)
          ↓
      CIO裁决引擎

工作流程（10层强制执行）#

Layer 0 — 投资问题重构#

禁止直接研究公司。先定义投资问题。

用户输入后，先将其转化为具体的投资问题：

• 市场是否低估/高估XXX未来Y年的Z？
• 而不是：XXX怎么样？

Layer 1 — 行业状态机#

行业分析师（Agent1）输出：

• 行业生命周期阶段（导入/成长/成熟/衰退）
• 当前阶段核心驱动因素
• 行业核心矛盾（A vs B）
• 未来催化剂

Layer 2 — 公司研究框架#

公司分析师（Agent2）输出：

• 商业模式 → 竞争优势 → 盈利能力 → 增长能力 → 管理层 → 资本配置
• 6个维度结构化分析

Layer 3 — 护城河分析#

使用 Moat Framework 评估：

• 品牌 / 网络效应 / 成本优势 / 转换成本 / 规模优势 / 数据优势
• 综合护城河评分 0-100

Layer 4 — 市场预期差分析#

这是投资研究的核心。

预期差分析师（Agent5）输出：

• 市场当前共识（3点）
• 反共识判断（3点）+ 原因
• 预期差 = 反共识 − 共识 的空间

Layer 5 — 估值系统#

估值分析师（Agent4）输出：

• 当前估值 + 历史分位
• 行业比较
• 三情景估值：Bull / Base / Bear
• 隐含增长率

Layer 6 — 催化剂系统#

市场不会因价值出现而上涨，必须有催化剂：

• 未来12个月3个核心催化剂
• 每个催化剂的概率 + 影响程度

Layer 7 — 红队系统#

红队分析师（Agent6）强制反向分析：

• 做空这家公司最强的3个理由
• 投资逻辑失效的条件
• 最危险的数据点

Layer 8 — 投资决策引擎#

CIO综合所有Agent输出，给出最终判断：

• 评级：强烈买入 / 买入 / 观察 / 减持 / 卖出
• 置信度 0-100
• 核心逻辑（3点）
• 关键催化剂（3点）
• 关键风险（3点）

Layer 9 — 仓位系统#

财务分析师（Agent3）结合赔率给出：

• 赔率（Bull vs Bear 收益比）
• 成功概率
• 预期收益 / 最大回撤
• 建议仓位
• 观察指标

Agent定义#

Agent1：行业分析师（industry-analyst）#

职责：判断行业周期位置，找到核心矛盾 输入：公司主营业务 → 输出行业状态机

Agent2：公司分析师（company-analyst）#

职责：拆解公司竞争要素，找到增长来源 输入：公司 → 输出6维度框架

Agent3：财务分析师（financial-analyst）#

职责：验证或推翻投资故事，找到最危险的数据 输入：财务数据 → 输出盈利质量 + 仓位建议

Agent4：估值分析师（valuation-analyst）#

职责：理解市场当前定价，找到三情景赔率 输入：估值数据 → 输出三情景估值

Agent5：预期差分析师（expectation-gap-analyst）#

职责：识别市场共识 vs 真相，找到反向押注的理由 输入：所有信息 → 输出共识/反共识/预期差

Agent6：红队分析师（red-team-analyst）#

职责：强制反向思考，找到投资逻辑的致命漏洞 输入：投资逻辑 → 输出做空理由 + 逻辑失效条件

CIO：首席投资官（cio-decision）#

职责：综合所有信息，做出最终投资决策 输入：所有Agent输出 → 输出投资结论 + 仓位

数据源调用#

优先级排序（按稳定性）#

1. Macrotrends（最稳定，无需API Key）→ PE/营收/净利润/毛利率历史
2. StockAnalysis（稳定）→ 卖方一致预期/目标价
3. OpenAlex（稳定，HTTP直连）→ 学术趋势
4. NeoData（间歇性不可用）→ 行情/财务
5. World Bank（需代理）→ 宏观经济

具体调用#

text

# 单标的自动数据填入（v1.1）
python scripts/investment_research_v11.py --target "腾讯" --question "市场是否低估腾讯未来3年盈利增长？" --fetch-data

# 多标的并行比较（v1.1新增）
python scripts/investment_research_v11.py --targets "腾讯,英伟达,苹果" --question "三者中谁最被低估？"

# NeoData（先确认服务可用）
python scripts/neodata_health_check.py

# OpenAlex
python scripts/openalex_api.py --query "行业关键词" --type institutions

# World Bank
python scripts/worldbank_api.py --query "国家+指标"

# 卖方一致预期
web_fetch https://stockanalysis.com/stocks/{ADR_TICKER}/forecast/

执行模式#

快速研究（单标的，5分钟）#

Layer0 → Layer4 → Layer8 → Layer9，跳过红队

bash

python scripts/investment_research_v11.py --target "腾讯" --question "是否低估？" --fetch-data

完整研究（单标的，15-20分钟）#

执行全部10层，6个Agent串/并行

bash

python scripts/investment_research_v11.py --target "腾讯" --question "核心问题" --fetch-data

比较研究（多标的，20-30分钟）[v1.1新增]#

1. Layer0 定义比较问题
2. 对每个标的并行执行 Layer1-7（subagent并行）
3. Layer8 CIO比较排序（使用 cio.md 中的多标的模板）
4. 输出组合配置建议
5. 输出文件： research/portfolio_{date}.md

bash

python scripts/investment_research_v11.py --targets "腾讯,英伟达,苹果" --question "谁最被低估？" --fetch-data

输出格式#

最终输出包含：

1. 投资问题定义
2. 行业状态机
3. 公司分析（6维度）
4. 护城河评分
5. 市场预期差
6. 三情景估值
7. 催化剂系统
8. 红队报告
9. 投资结论（CIO裁决）
10. 仓位建议

每个标的的研究结果存入： research/{标的}_{日期}.md 组合研究存入： research/portfolio_{日期}.md

来源可追溯规范（v1.2 新增）#

核心原则#

每个数据点必须回答三个问题： 它来自哪里？它覆盖哪个时期？它是如何被核实的？

引用规范#

• 数据来源：必须附超链接（URL格式，非纯文本描述）

  • Macrotrends → https://www.macrotrends.net/stocks/charts/{TICKER}/{slug}/{metric}
  • StockAnalysis → https://stockanalysis.com/stocks/{TICKER}/forecast/
  • NeoData → neodata://{symbol}（内部数据源）
  • OpenAlex → https://api.openalex.org/works?filter=...
  • World Bank → https://api.worldbank.org/v2/country/{code}/indicator/{id}
  • 研报/新闻 → 原文URL

• 覆盖时期： YYYY-MM-DD ~ YYYY-MM-DD 或 FY2021-FY2025

• 验证方式：交叉核对（至少2个独立来源）或单来源标注 ⚠ 单来源

• 截至日期：所有数据必须标注 截至 YYYY-MM-DD

优先级来源#

数据类型优先来源备选来源财务历史MacrotrendsNeoData卖方预期StockAnalysisReuters学术趋势OpenAlexarXiv实时行情NeoDataYahoo Finance宏观经济World BankIMF行业竞争web搜索公司IR页面

报告模板中的引用格式#

markdown

| 指标 | 数值 | 来源 | 覆盖时期 | 验证 |
|------|------|------|----------|------|
| PE Ratio | 18.65x | [Macrotrends](url) | 2022-2026 | 交叉: [StockAnalysis](url) |
| 营收增速 | 13.86% | [Macrotrends](url) | FY2024-FY2025 | 单来源 |

输出检查清单（v1.2 新增）#

报告生成后，必须逐一确认：

• 每个数据点标注了来源URL
• 数据覆盖时期明确
• 关键数据经过交叉核对（或标注 ⚠ 单来源）
• 数据来自一致的时间段（无混用FY/CY导致的时间错位）
• 相关处已添加超链接（文件、页面、研究报告）
• 注释部分记录了来源和方法论
• 日期戳为当前（"截至 YYYY-MM-DD"）
• [MANUAL] 标注处已人工填写
• 三情景估值完整
• 红队分析已执行
• 仓位建议具体数字

约束#

• 禁止写公司介绍：只写市场关心的投资信息
• 禁止单点估值：必须三情景
• 禁止模糊判断：每个结论必须有数据支撑
• 禁止不做空思考：红队必须强制执行
• 禁止无来源数据：v1.2起每个数据点必须标注来源（v1.1的[AUTO-FILL]数据由脚本自动标注URL）
• 仓位必须明确：给具体数字，不给"适量""适度"

已知问题与 v1.1 改进方向#

数据源稳定性（已知）#

• NeoData Gateway 行情数据间歇性返回空 → 备选：Macrotrends
• Yahoo Finance 持续限流 → 备选：mcporter yahoo-finance MCP
• World Bank 需代理 → 已集成但偶发超时

脚本模板待完善#

• --fetch-data 获取的数据未自动填入模板 → v1.1 计划
• Macrotrends 数据解析需 HTML scraping → 当前返回原始 HTML

评估记录#

• v1.0 Round 1：98/115 = B级
• v1.0 Round 2：102.5/115 = B+级
• v1.0 Round 3：106/115 = A-级
• v1.1 目标：≥110/115 = A级
• v1.2 目标：≥112/115 = A+级（来源可追溯加分）

v1.2 改进项#

1. ✅ 来源可追溯：每个数据点标注来源URL、覆盖时期、验证方式
2. ✅ 输出检查清单：报告生成后强制确认数据完整性
3. ✅ 引用格式标准化：超链接+交叉核对+截至日期
4. ✅ 优先级来源表：按数据类型指定首选/备选来源
5. ✅ 禁止无来源数据：新增约束

v1.1 改进项（已完成）#

1. ✅ 自动数据填入模板（Macrotrends/StockAnalysis解析）
2. ✅ 行业生命周期量化判定（classify_industry_lifecycle函数）
3. ✅ 多标的并行比较（--targets模式+CIO排序模板）
4. ✅ 数据缓存（JSON文件复用）
5. ✅ 网络请求retry+指数退避

使用方法#

用户输入：

text

/research 研究腾讯，市场是否低估腾讯未来3年的盈利增长？

或中文：

text

研究腾讯，市场是否低估腾讯未来3年的盈利增长？

系统自动执行完整10层研究流程，最终给出投资结论和仓位建议。