Validating Financial Data

Validating Financial Data

When to use this skill

• 強制觸發： 每次 collecting-market-data 或 scanning-macro-news 執行完畢後，在數據進入任何分析技能之前。
• 當估值結論或建議涉及重大資金決策（如再平衡、大額建倉）。
• 當用戶要求事實查核（fact-check）特定數據點。
• 當上游數據出現 ⚠️ 或 🚨 標記時（異常值已被偵測但尚未驗證）。
• 當分析結論與直覺「感覺不對」時——觸發回溯驗證。

Workflow

1. Plan

• 分類待驗證數據：
  • 量化數據 (Quantitative)： 股價、財務數字、經濟指標、匯率
  • 質化資訊 (Qualitative)： 新聞事件、管理層聲明、政策解讀、傳聞
  • 衍生數據 (Derived)： 估值倍數、成長率、排名、比較結論
• 確定驗證優先級：
  • 🔴 高：直接影響買賣決策的數據（持倉股價、關鍵財務指標）
  • 🟡 中：影響分析框架的數據（宏觀指標、產業數據）
  • 🟢 低：背景資訊（歷史類比、一般性敘述）

2. Execute — 三層驗證

Layer 1：多源交叉對標 (Multi-Source Cross-Referencing)

目的： 確保同一數據點在多個獨立來源中一致。

執行方法：

• 對每個關鍵量化數據點，至少查詢 2 個獨立來源。
• 搜尋模板：
  • 股價："{TICKER} stock price" 對比 Yahoo Finance / Google Finance / MarketWatch
  • 財務數據：SEC 10-Q/10-K vs 財經數據庫 vs 公司 IR 頁面
  • 經濟指標：官方機構（BLS/BEA/FRED）vs 財經新聞引用值
  • 台股：公開資訊觀測站 vs 證交所 vs Yahoo 奇摩股市

資訊源信譽分層：

交叉驗證規則：

• 差異 ≤ 0.1%：✅ 通過（價格可能因收盤時間微差）
• 差異 0.1%-1%：⚠️ 標記，取 T1/T2 來源的值
• 差異 > 1%：🚨 阻斷，必須查明原因（可能是：股票分割、幣別錯誤、日期錯誤、數據延遲）
• 低信譽源（T4/T5）發出重大情報時： 必須觸發 T1/T2 來源的二次確認

Layer 2：統計異常偵測 (Statistical Anomaly Detection)

目的： 用量化方法自動過濾不合理的數據點。

執行方法：

a) 合理性邊界檢查 (Schema Validation)

b) 離群值偵測 (Outlier Detection)

• Z-score 方法： 計算數據點相對於近 20 日均值的 Z-score。
  • |Z| > 2：⚠️ 需要確認是真實波動還是數據錯誤
  • |Z| > 3：🚨 高度可疑，強制二次驗證
• 適用場景： 成交量、價格變動、財務指標的季度變化

c) 一致性檢查 (Consistency Check)

• 同一公司的多個財務指標應內部一致：
  • 營收 × 毛利率 ≈ 毛利（誤差 < 1%）
  • EPS × 股數 ≈ 淨利（誤差 < 2%）
  • 若 PE 為正但 EPS 為負 → 數據矛盾 🚨
• 時間序列一致性：
  • 今年營收 vs 去年營收 + 營收成長率 → 是否算術一致

Layer 3：LLM 邏輯與真實性檢核 (AI-Driven Fact-Checking)

目的： 針對非結構化資訊（新聞、傳聞、管理層聲明）進行邏輯審查。

執行方法：

a) 多源一致性比對 (Cross-Source Consistency)

• 對同一事件，收集至少 3 篇獨立報導。
• 比對核心要素：日期、金額/數量、人名/公司名、因果關係。
• 若核心要素有衝突 → 標記為「⚠️ 待核實」並列出各版本。

b) LLM 幻覺過濾 (Hallucination Guard)

• 在使用 LLM 總結新聞/財報時，強制要求：
  • 列出「原文直接引用」vs「LLM 推論」→ 明確區分事實與推測
  • 若 LLM 聲稱某數字但原文中找不到 → 標記為「⚠️ 可能為模型補全」
• 自我檢查機制：
  • 要求 LLM 對自己的總結提出「我最可能犯錯的地方是什麼？」
  • 高風險聲明必須附帶原文 URL 與段落引用

c) 反向查證 (Reverse Verification)

• 對「傳聞」或「獨家」報導：
  • 搜尋該公司的官方 IR / Press Release 頁面
  • 搜尋監管機構公告（SEC EDGAR / 公開資訊觀測站）
  • 若 T1 來源無法確認 → 標記為「未經證實傳聞 — 不可作為決策依據」

d) 時效性驗證 (Temporal Validation)

• 確認新聞/數據的發布時間與當前分析的相關性。
• 超過 7 天的新聞標記為「⚠️ 可能已過時」。
• 超過 30 天的數據標記為「🚨 陳舊數據 — 需更新」。

3. Validate — 彙總驗證結果

• 計算整體數據品質分數。
• 識別哪些下游分析可能受到數據品質問題的影響。

4. Synthesize — 產出驗證報告

• 將驗證結果結構化輸出。
• 對未通過驗證的數據提出「修正建議」或「阻斷建議」。

Instructions

• 本技能為強制閘門——不可跳過。 任何下游分析引用的數據必須標明驗證狀態。
• 驗證的深度與買賣決策的重要性成正比：
  • 日常監控：Layer 1 交叉對標即可
  • 估值分析：Layer 1 + Layer 2
  • 重大資金決策（再平衡/建倉）：Layer 1 + Layer 2 + Layer 3
• 不可僅報告「數據一致」——必須記錄驗證過程（使用了哪些來源、何時檢查的）。
• 發現矛盾時，絕不覆蓋原始數據——保留兩方數據並標記差異。
• 所有修正必須標註修正原因與修正前後的值。

數據品質分數

Output template

## 🔍 數據驗證報告 — <YYYY-MM-DD>

### 驗證摘要
- 數據點總數：<N>
- 驗證通過：<N> (XX%)
- 需注意：<N> (XX%)
- 已修正：<N> (XX%)
- 阻斷（不可用）：<N> (XX%)
- **整體品質分數：<X> / 100 — 等級 <A/B/C/D>**

### Layer 1：多源交叉對標結果
| 數據點 | 來源 1 (T?) | 來源 2 (T?) | 差異 | 狀態 | 採用值 |
|---|---|---|---|---|---|
| <數據> | <值> (<來源>) | <值> (<來源>) | X.X% | ✅/⚠️/🚨 | <值> |

### Layer 2：統計異常偵測結果
| 數據點 | 原始值 | 合理範圍 | Z-score | 狀態 | 備註 |
|---|---|---|---|---|---|
| <數據> | <值> | <範圍> | <Z> | ✅/⚠️/🚨 | <說明> |

### Layer 3：LLM 邏輯檢核結果
| 資訊 | 來源數 | 一致性 | 官方確認 | 狀態 |
|---|---|---|---|---|
| <新聞/聲明> | <N> | 一致/衝突 | 是/否/未查 | ✅/⚠️/🚨 |

### 修正記錄
| 數據點 | 修正前 | 修正後 | 原因 | 來源 |
|---|---|---|---|---|
| <數據> | <舊值> | <新值> | <原因> | <來源> |

### 阻斷項目（下游分析不可使用）
- <列出不可用的數據點及原因>

### 下游影響評估
- 受影響的分析技能：<列出>
- 建議行動：<修正/重新收集/降低信心度>

Error handling

• 若 web_search 不可用（離線模式），將所有數據標記為「⚠️ 未驗證 — 離線模式」並將品質分數上限設為 60。
• 若某數據點在所有可用來源中都找不到 → 標記為「❓ 不可驗證」，不可用於高影響決策。
• 若 Layer 2 異常偵測觸發但 Layer 1 交叉對標通過 → 數據可能正確但不尋常，標記為「✅⚠️ 已確認的異常值」並搜尋原因。
• 若驗證過程中發現上游收集的數據有系統性錯誤（如幣別全部搞錯），立即阻斷並要求重新收集。

Resources

• collecting-market-data（上游技能：提供待驗證的量化數據）
• scanning-macro-news（上游技能：提供待驗證的質化資訊）
• verifying-financial-conclusions（互補技能：本技能驗證「輸入數據」，後者驗證「輸出結論」）
• 所有下游分析技能均依賴本技能的驗證結果