aifinlab A股业绩前瞻 (A-Share Earnings Preview)
数据源
SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
# 历史财务指标（分析趋势）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]
# 最新行情（当前估值水平）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]
# 近 6 个月 K 线（股价已 price-in 多少预期）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [6个月前日期]
# 资金流向（机构是否提前布局）
python "$SCRIPTS/cn_stock_data.py" fund_flow --code [CODE] --days 30
补充：通过 web 搜索获取：
- 市场一致预期（券商预测均值）
- 业绩预告/快报（如已发布）
- 同行业已发布财报的参考信号
- 公司近期公告、调研纪要
Workflow
Step 1: 背景梳理
- 确认即将发布的报告期（Q1/半年报/Q3/年报）
- 通过 cn-stock-data 获取过去 4-8 个季度的财务数据，建立趋势基线
- Web 搜索：
- 是否已发布业绩预告/快报？（有则直接用预告数据）
- 市场一致预期（Wind/东方财富/券商研报的营收/净利润预测）
- 同行业已公布业绩的公司表现（作为参考信号）
- 公司近期重大事件（收购/产能投放/政策影响）
Step 2: 关键指标框架
财务指标预期（基于历史趋势 + 市场预期）：
| 指标 | 上季度实际 | 去年同期 | 市场预期 | 个人预判 |
|---|---|---|---|---|
| 营业收入(亿) | ||||
| 同比增速(%) | ||||
| 归母净利润(亿) | ||||
| 同比增速(%) | ||||
| 毛利率(%) | ||||
| 净利率(%) |
行业特定运营指标（通过 web 搜索获取）：
- 白酒：批价走势、渠道库存、预收款
- 银行：净息差趋势、不良率、拨备覆盖率
- 科技：订单/合同额、研发进度
- 新能源：出货量、价格趋势、产能利用率
- 消费：同店增长、线上占比、库存
- 医药：管线进度、集采影响、销售额
- 地产：销售面积/金额、回款率、新开工
Step 3: 情景分析
构建三种情景：
| 牛市情景(Bull) | 基准情景(Base) | 熊市情景(Bear) | |
|---|---|---|---|
| 营收 | |||
| 净利润 | |||
| 关键驱动 | [什么因素超预期] | [符合市场预期] | [什么因素低于预期] |
| 概率 | XX% | XX% | XX% |
| 股价反应 | +X% to +X% | -X% to +X% | -X% to -X% |
每个情景的逻辑必须自洽，概率合计 = 100%
Step 4: 催化剂检查清单
列出决定股价反应的 3-5 个关键观察点：
- [指标1]：预期 XX，若超过/低于 XX 则表明...
- [指标2]：...
- [管理层指引]：关注前瞻指引的措辞变化
- [特定事件]：...
Step 5: 输出
根据用户需求选择 formal 或 brief 风格，参考 references/preview-template.md 中的模板。
风格说明
| 维度 | formal（机构前瞻） | brief（个人预判） |
|---|---|---|
| 篇幅 | 2-3 页 | 半页 |
| 历史趋势 | 4-8 季度完整表格 | 简述趋势方向 |
| 情景分析 | 完整三情景 + 概率 + 股价反应估计 | 简化版（重点写偏离预期的情景） |
| 运营指标 | 行业特定的 3-5 个 | 1-2 个最关键的 |
| 催化剂 | 完整检查清单 | 1-2 个最重要观察点 |
| 交易建议 | 不给（只分析） | 可加个人操作思路 |
| 免责声明 | 需要 | 不需要 |
A 股财报日历特殊性
- 年报: 次年 1-4 月披露（4/30 截止）
- Q1 季报: 4/30 前披露
- 半年报: 7-8 月披露（8/31 截止）
- Q3 季报: 10/31 前披露
- 业绩预告: 通常提前 1-2 个月，创业板强制预告
- 业绩快报: 部分公司在正式报告前发布简要数据
关键规则
- 区分预告和预测：如果公司已发布业绩预告/快报，那是"已知信息"而非预测；真正的前瞻是分析正式报告可能的超预期/低于预期之处
- 预期差是核心：股价反应取决于实际 vs 预期的差值，而非绝对好坏
- 避免过度精确：给出合理区间比精确数字更诚实
- 季节性调整：注意 A 股的季度盈利不均匀分布（Q4 常有减值/一次性项目）
- 同比 vs 环比：高基数/低基数效应会扭曲同比增速，环比更能反映边际变化
- 与 a-share-earnings-analysis 联动：前瞻报告发布后，实际财报出来时用 a-share-earnings-analysis 做验证
使用示例
示例 1: 基本使用
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json