aifinlab A股管理层质量评估/公司治理分析助手
数据源
SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"
# 财务数据（业绩趋势反映执行力）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]
# 十大股东（股权结构/集中度）
python -c "import efinance as ef; df=ef.stock.get_top10_stock_holder_info(stock_code='[CODE]'); print(df.to_json(orient='records', force_ascii=False))"
# 个股行情
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]
# K线（任期内股价表现）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期]
补充：通过 web 搜索获取管理层简历、过往业绩、诚信记录、薪酬数据、年报致辞、投资者关系互动、处罚记录等。
Workflow
Step 1: 管理层画像（Management Profile）
通过 web 搜索获取核心高管信息：
- 核心人物：董事长、总经理/CEO、财务总监（CFO）、实际控制人
- 背景调查：学历、从业年限、行业经验、过往任职公司及业绩
- 稳定性：核心高管任期长度、近年是否有频繁离职/更换
- 诚信记录：是否有证监会处罚、诉讼纠纷、失信记录
Step 2: 任期业绩追踪（Track Record）
通过 cn-stock-data finance 获取财务数据，分析管理层任期内：
- 营收增长趋势：是否持续增长、增速变化
- 利润质量：净利率、经营现金流/净利润比率
- ROE 变化：衡量资本配置能力
- 承诺兑现度：对比历年年报/投资者交流中的目标 vs 实际完成
好的管理层 = 说到做到，业绩趋势稳步向上。
Step 3: 治理结构分析（Governance Structure）
通过 efinance 十大股东数据 + web 搜索：
- 股权集中度：第一大股东持股比例、前十大股东合计、是否"一股独大"
- 股权制衡：第二大股东能否制衡第一大股东
- 独立董事：独董占比（≥1/3 为合规底线）、独董背景是否真正独立
- 审计委员会：是否有效运作、审计机构是否频繁变更
- 关联交易：关联交易规模和频率、是否存在利益输送嫌疑
详见 references/management-quality-guide.md 中的治理红旗和A股特色问题。
Step 4: 利益一致性检查（Alignment Check）
- 管理层持股：核心高管持股比例、近期增减持行为
- 股权激励：是否有股权激励计划、行权条件是否合理（过低=送钱、过高=摆设）
- 薪酬合理性：高管薪酬 vs 公司业绩 vs 行业水平
- 分红政策：分红率是否稳定、是否慷慨但不过度
管理层大量增持 = 利益绑定信号；频繁减持 = 需警惕。
Step 5: 输出（管理层评分）
| 维度 | formal | brief |
|---|---|---|
| 输出格式 | 完整治理分析报告（4-6页） | 快速评估要点 |
| 管理层画像 | 核心高管逐人分析 | 仅列关键人物和亮点/风险点 |
| 业绩追踪 | 多年财务趋势图表+承诺兑现度 | 仅ROE/营收趋势方向 |
| 治理结构 | 股权结构图+独董/委员会详情 | 仅标注治理红旗/绿旗 |
| 利益一致性 | 持股/激励/薪酬详细数据 | 仅增减持方向和激励有无 |
| 综合评分 | 五维雷达图（能力/诚信/激励/治理/稳定性） | 一句话结论+评级 |
| 结论 | 客观陈述各维度评估 | 可加简要判断（"管理层可信"/"需关注XX风险"） |
默认风格：brief。用户要求"详细分析"/"出报告"时用 formal。
综合评级参考：
- A（优秀）：能力强+诚信好+利益一致+治理规范+团队稳定
- B（良好）：多数维度达标，个别有小瑕疵
- C（一般）：存在明显短板但无重大红旗
- D（警惕）：多个治理红旗，管理层可信度存疑
关键规则
- 管理层评估主观性强，需多维交叉验证：不能仅凭单一维度下结论，需财务数据+行为数据+公开信息综合研判
- 言行一致是核心标准：对比管理层历年公开承诺与实际业绩，说到做到比什么都重要
- 关注管理层增减持行为：管理层用真金白银投票比任何言论更可信
- 好公司+差管理层=风险：再好的商业模式也可能被不靠谱的管理层毁掉
- 不做交易建议：只评估管理层质量，不建议"因为管理层好所以买入"
- 数据时效：管理层信息可能有滞后，分析时注明信息截止日期
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