Benchmark Analysis

✅ 能力边界

能做：

• 基于 standard/text 提取结果，建立头部股份制银行零售业务对标数据库（自 2015 年起连贯时序）
• 生成营收结构、减值损失、营业支出、存贷利差等多维趋势分析，并做同业排名与变化追踪
• 按用户指定的基准行 + 对标行产出可视化 PDF 报告，PDF 渲染运行时已内置于 _vendor/

不能做（超出范围）：

• 不下载财报、不提取原始数据（依赖上游 ①②③ 已把 JSON 放入 data/standard/、data/text/）
• 数据缺失时不臆造，只对已有数据做分析与排名
• 不生成战略洞察/治理穿透结论（属于 strategic-insight、strategy-governance-analysis）
• 分析对象仅限上市银行公开披露数据

股份制银行财报数据分析

📚 渐进式加载索引（按需阅读）

默认工作流：Agent 读本 SKILL.md 后按触发条件判断是否继续加载 references，避免一次性全量加载。

关键约束：首次 PDF 生成任务必须先 read_file references/02_pdf_runtime.md 和 _vendor/.../RUNTIME.md，否则 build_report(runtime_acknowledged=True) 不合规。

共享 PDF Runtime（已随包内置）

本 Skill 生成 PDF 所需的共享 PDF Runtime 已随包内置在 _vendor/pdf_report_builder_runtime/ 下，独立安装态（发布包）无需执行任何初始化命令，可直接生成 PDF 报告。

仅仓库开发态需要从共享源码重新注入：执行 python3 scripts/release.py --sync-paths（release.py 仅存在于仓库开发态，发布包中不含此脚本，无需也无法运行）。

定位

根据 Skill 1（标准数据提取器）和 Skill 2（文字数据提取器）获取的数据，从2015年起建立连贯的头部7家股份制银行零售业务对标数据库，并在此基础上形成多维度趋势分析和同业比较。

头部7家股份制银行

本 Skill 聚焦以下 7家头部股份制银行（按零售业务重要性排序）：

典型用户请求

• "帮我生成各行零售业务分部营收的历史趋势PDF报告"
• "分析基准行零售减值损失在全行中的占比变化。"
• "比较各行零售存贷利差的变化趋势。"
• "基准行零售业务各项指标在同业中排名第几？排名有没有变化？"
• "7家股份制银行零售业务对标分析。"

输入/输出 Schema（权威契约）

依赖声明

Schema 注册表文件由 release.py 在打包前从仓库根 shared/config-schemas/ 自动注入到本 Skill 的 config/schemas/ 下，打包后运行时按下表中的 skill 相对路径读取（不再回看仓库根）。

开发期 schema 的唯一 source of truth 在仓库根 shared/config-schemas/；请不要直接修改各 skill 内的 config/schemas/ 副本，修改共享源后由 python scripts/release.py --sync-paths 统一同步。

消费约束

• 读取前必须校验 _schema_version；不匹配则拒绝继续，不做向下兼容。
• 禁止探索字段：不得使用 item.get("name") or item.get("metric") 等旧字段兜底写法；必须按契约 standard_name / category_bucket / values[] 读取。
• bucket 过滤：消费 text 数据时必须用 category_bucket 精确过滤（AUM / 客户数 / 财富收入 / 信用卡 / 分部效益 / 量价 / 渠道 / 其他），禁止只用 standard_name 子串匹配。
• schema drift 处理：若发现上游产出字段与契约不符，报错并提示运行 Skill 1 / Skill 2 的 normalize 脚本，不得自行兼容。

前置条件与数据依赖

本 Skill 依赖前序 Skill 的产出数据。执行前必须确认以下数据已就绪，否则需先运行对应 Skill：

执行顺序：财报下载 → Skill 1 标准提取 → Skill 2 文字提取 → Skill 3 对标分析

基准行与对标行：用户必须指定一个基准行（分析主体）和至少 2 家对标行。本 Skill 不设默认基准行。 若用户未指定，Agent 应主动询问："请指定基准银行和对标银行（如：以A银行为基准，对比B、C、D银行）。"

核心规则

数据库管理规则

1. 时间跨度：从2015年起，逐年/逐半年积累数据
2. 银行范围：头部7家股份制银行（中信、招商、平安、兴业、浦发、光大、民生），用户需从中指定基准行和对标行
3. 数据冲突处理：前后两期数据不一致时，以最新期的为准，原值记入备注
4. 数据存储：~/RetailAnalysis/data/benchmark_database.json

分析维度（概要 · 详表见 references/04_dimensions_and_schema.md）

口径说明：除另外注明外均为集团口径；财富管理中收不含资管托管；平安私行门槛低于同业；招行私行门槛高于同业；兴业/浦发不披露零售分部损益数据。 DB 内部单位：金额存储为百万元；比率直接存 %；客户数为万户；AUM 存百万元。

五大分析维度：

1. 维度一：效益（亿元） —— 零售营收/利润/非息占比，财富管理中收
2. 维度二：量价结构（亿元） —— AUM、个人存款、零售贷款、存贷利差
3. 维度三：资产质量 —— 零售贷款不良率、减值损失、拨备覆盖率
4. 维度四：费效比 —— 减值负担率、减值成本率、全行成本收入比
5. 维度五：客户 —— 零售客户数、私行客户数/AUM

同业排名与变化追踪：排名变化、与前/后一名差距变化，重点关注差距缩小/领先扩大。

执行流程（高层）

默认执行模式：Step 3（派生指标计算）按银行拆分天然独立，Step 4（排名计算）按指标维度拆分也天然独立，必须使用 Team 并行模式（详见 references/05_team_parallel.md）。Step 1-2、Step 5-6 为串行阶段，由主 Agent 执行。

Step 1: 加载数据

• 读取 ~/RetailAnalysis/data/standard/<bank>.json（Skill 1 主输出）
• 读取 ~/RetailAnalysis/data/text/<bank>.json（Skill 2 主输出）
• 读取 ~/RetailAnalysis/data/benchmark_database.json（历史数据库，如存在）

⚠️ standard / text schema 契约：两份 JSON 均已强制统一到 values[] 数组结构（standard-v1.0 / text-v1.0）。读取前必须校验 _schema_version，取值必须走 extract_metric_value() + _period_label_matches()，禁止读 metric.get("value") 扁平字段。详见 references/03_data_contract.md。 某家银行在当期核心指标下取不到值时，必须先打印原始 JSON 到日志，不得默默写 "-"。

Step 2: 更新数据库

1. 将本期数据合并入历史数据库
2. 检查数据冲突：本期上期数据 vs 数据库已有上期数据
3. 如不一致，以本期披露的为准，原值移入备注
4. F/G 类回填：对每家银行，检查 text:零售分部营业净收入(文字) 等 F/G 类字段是否有值，按回填映射表执行回填（详见 references/01_directory_and_logging.md 第 3 节）
5. 保存 ~/RetailAnalysis/data/benchmark_database.json

Step 3: 计算派生指标

按维度一至四的公式计算所有派生指标。

Step 4: 计算排名

对每个指标、每个年度，在7家银行范围内：

1. 计算基准行（或用户指定银行）排名
2. 计算与前/后一名的差距
3. 与上期排名对比，标注变化

Step 5: 生成分析报告

输出 ~/RetailAnalysis/output/<bank_short>/benchmark_analysis.md（按基准行隔离），包含数据总览表、趋势分析、排名变化追踪、重点发现。

Step 6: 生成结构化输出

保存 ~/RetailAnalysis/output/<bank_short>/benchmark_analysis_result.json。

Step 7: 完整性校验（2026-04-29 强制）

生成 benchmark_analysis_result.json 后，必须在输出前做一次结构化自检：

• meta.dimensions 长度 >= 4
• 覆盖本期/上期 rankings
• 核心指标 2025 年参排银行数 >= 3
• 必要时执行降级策略（全行口径替代零售分部口径）

详见 references/04_dimensions_and_schema.md 第 3 节。

Step 8: benchmark_analysis_result.json Schema

固定 Schema（meta/results/rankings 三层结构），详见 references/04_dimensions_and_schema.md 第 4 节。

输出

PDF 交付物

在 benchmark_analysis.md 与 benchmark_analysis_result.json 已生成的基础上，生成面向高层审阅的专业 PDF 报告。

前置条件：

• benchmark_analysis_result.json 通过 Step 7 完整性校验
• VIS 资产已固化（通过 build_by_bank_vis.py --bank <short> 构建）
• Agent 已 read_file references/02_pdf_runtime.md 和 _vendor/.../RUNTIME.md
• validate_bank_logo(base_bank) 通过

调用约定（详见 references/02_pdf_runtime.md 第 3 节）：

from html_to_pdf import build_report
from bank_context import resolve

ctx = resolve(base_bank=base_bank_param, query=user_query)
build_report(
    ctx=report_ctx,
    template_path=str(skill_dir / "assets" / "report_template.html"),
    output_html=str(ctx.output_path("benchmark_analysis_report.html")),
    output_pdf=str(ctx.output_path("同业财报数据分析.pdf")),
    style_overrides_path=str(skill_dir / "assets" / "style_overrides.css"),
    base_bank=ctx.short_name,
    header_text=f"{ctx.full_name}视角 · 同业财报数据分析",
    runtime_acknowledged=True,
)

关键规则

1. 银行范围锁定7家：所有排名、对比、趋势分析仅在头部7家范围内进行
2. 以最新期为准：数据冲突时采用最新期年报数据，原值记入备注
3. 排名变化必须标注：任何排名变化都必须明确标注方向和幅度
4. 差距变化格外指出：与前/后一名的差距变化属重点关注事项
5. 数据缺失不补：缺失时不参与排名计算，不做插值填充
6. 计算公式透明：所有派生指标的计算公式必须在输出中说明
7. 备注不可省略：口径变化、数据修订、来源冲突的备注是输出质量关键
8. 按基准行隔离产物：所有产物必须写到 ~/RetailAnalysis/output/<bank_short>/，禁止直接写到 output/ 根目录
9. LOGO 校验必跑：每次 build_report 前必须先 validate_bank_logo(base_bank)，失败时走文字降级
10. 日志必留：每次运行（无论成功失败）必须生成 logs/skill3/<session_id>.log
11. 临时脚本规范：所有一次性脚本必须使用 _runtime_generate_ 前缀，完成后立即删除

依赖

• Python 3.10+
• pandas
• pyyaml
• jinja2（PDF 交付物模板渲染）
• playwright（HTML → PDF）
• Pillow（PDF 校验）

金融免责声明

⚠️ 本报告由 AI 基于上市银行公开披露信息生成，仅供研究参考，不构成任何投资建议，亦不构成对任何个股的推荐。投资有风险，决策需谨慎。