Octagon Analyst Estimates

分析师财务预测：营收与 EPS 估计区间

通过 Octagon MCP 拉取上市公司未来年度的分析师财务预测：营收（Revenue）与每股收益（EPS）的共识均值、低-高区间，以及覆盖该期的分析师人数。用于评估前瞻预期、构造估值输入、与历史业绩做对照。

何时使用

当用户想知道「市场对这家公司未来几年的营收/盈利预期是多少、共识有多集中、覆盖分析师够不够多」时使用——一次拿到多个未来财年的营收与 EPS 估计表（含低高区间、均值、分析师数），再据此生成隐含增速、离散度、覆盖质量、近远期置信度、前瞻 P/E 等洞察。

不该用的边界：

• 要自建估值模型、逐项重算内在价值或做敏感性分析 → 转 dcf-valuation-model / three-statement-model；估计只是输入，不是估值结论。
• 要绝对值历史财报（过去实际营收/利润数字）或三表勾稽 → 用 octagon-income-statement-data / three-statement-model。
• 要实时股价 / 单季 tick / 技术指标 → 用 alpha-vantage-market-data；前瞻 P/E 所需现价也从那里补。
• 标的非 Octagon 覆盖（多为美股上市公司）或为私有公司 → 无数据，先确认 ticker 有效。
• 离线 / 未配置 Octagon MCP 的环境 → 依赖 octagon-agent，无 MCP 无法取数。
• 估计是分析师前瞻意见，会被频繁修正、且远期高度不确定，不能替代基本面验证与人工判断。

步骤

1. 确认 MCP 就绪：AI 客户端（Claude Desktop / Cursor / Windsurf）已注册 octagon-mcp，octagon-agent 工具可见（Windows 需先装 Node.js / npx；配置见「指令」）。需要 OCTAGON_API_KEY。
2. 确定标的 Ticker 与参数：填 ticker、周期（annual 年度）、记录数 N、页码 page。
3. 发起查询：调用 octagon-agent，传入自然语言 prompt。
4. 读表：得到逐年的营收估计（低-高 + 均值）、EPS 估计（低-高 + 均值）、营收/EPS 分析师人数（数据源 octagon-financials-agent）。
5. 生成洞察：套用 5 类观察模式（增长轨迹 / 估计离散度 / 分析师覆盖 / 近 vs 远期 / 历史对比）。
6. 量化解读：按公式表算隐含 CAGR、离散度、前瞻 P/E。
7. 追问下钻：按结果给出深挖问题（增长驱动、与历史对比、上行风险等）。

指令

Octagon MCP 配置（Claude Desktop / Windsurf 的 claude_desktop_config.json）：

{
  "mcpServers": {
    "octagon-mcp-server": {
      "command": "npx",
      "args": ["-y", "octagon-mcp@latest"],
      "env": { "OCTAGON_API_KEY": "YOUR_API_KEY_HERE" }
    }
  }
}

API Key 在 https://app.octagonai.co 注册后于 API Keys 菜单生成。

查询模板：

Retrieve analyst financial estimates for <TICKER> for the annual period, limited to <N> records on page 0.

MCP 调用：

{
  "server": "octagon-mcp",
  "toolName": "octagon-agent",
  "arguments": {
    "prompt": "Retrieve analyst financial estimates for AAPL for the annual period, limited to 10 records on page 0"
  }
}

指标定义速查：

5 类观察模式：

量化公式：

隐含 CAGR  = (未来估计 / 当前值)^(1/年数) - 1     # 例：($566B/$416B)^(1/5)-1 ≈ 6.4% 营收 CAGR
离散度 %   = (High - Low) / Average × 100
前瞻 P/E   = 现价 / EPS 估计                       # 现价需从行情数据补齐

离散度分区：

覆盖质量经验值： 分析师越多 → 共识越可靠；覆盖逐期下降 → 机构兴趣减弱；某期 < 5 名分析师 → 覆盖偏薄，谨慎采信。

置信度评估：

示例

查询 AAPL 年度估计的典型返回：

数据源：octagon-financials-agent。

读法：

• 增长轨迹：营收均值从 2026 的 $460B 到 2030 的 $566B，4 年 CAGR ≈ ($566/$460)^(1/4)−1 ≈ 5.3%；EPS 从 $8.42 到 $12.77，CAGR ≈ 11.0%，盈利增速快于营收（经营杠杆 / 回购）。
• 离散度：2026 营收离散度 = (483.54−445.03)/460.35 ≈ 8.4%（< 10%，近期共识强）；2030 = (600.88−540.64)/566.24 ≈ 10.6%，远期略宽。
• 覆盖：近端 2026/2027 有 24–31 名分析师覆盖，可靠；远端 2029/2030 EPS 仅 6 名，覆盖偏薄、需谨慎。
• 近 vs 远期：近期覆盖多、离散窄 → 高置信；远期覆盖薄、离散宽 → 低置信。

追问下钻（按需）：

• What factors are driving the projected revenue growth from 2026 to 2030?
• How do these estimates compare to AAPL's historical financial performance?
• What are the key risks to achieving the upper end of these revenue estimates?
• Retrieve analyst price targets and ratings for AAPL（转 octagon-price-target-consensus）

注意事项

• 覆盖范围：主要为美股上市公司；非美股 / 私有公司多无数据，ticker 必须有效。
• 估计 ≠ 业绩：这是前瞻共识，会被频繁向上/向下修正；修正方向（上修=正动量，下修=负动量）和频率本身就是信号。
• 远期不可靠：5 年以上估计覆盖薄、离散宽，仅作方向性参考，勿当精确值。
• 薄覆盖陷阱：某期分析师 < 5 名时共识噪声大，须降低置信度。
• 前瞻 P/E 需现价：本条只给 EPS 估计，算前瞻 P/E / PEG 时另从行情数据补现价。
• API Key 安全：Key 经 OCTAGON_API_KEY 环境变量注入，勿硬编码或外泄；超频时降低请求频率。
• 输出为 Agent 生成的分析参考，不能替代独立尽调与专业复核。

互见

• requires：（无）
• related：octagon-price-target-consensus（同源目标价共识，估计 + 目标价共同支撑估值判断）、octagon-financial-growth-metrics（历史 YoY 增长，与前瞻估计做「过去 vs 未来」对照）、octagon-income-statement-data（绝对值历史财报，校验估计是否激进）、alpha-vantage-market-data（补现价以算前瞻 P/E）。
• combines_with：octagon-equity-research-analyst（编排型投研报告，把估计作为前瞻预期段落）、octagon-price-target-consensus（估计 → 目标价，串成「盈利预期 → 估值」链路）、dcf-valuation-model（营收/EPS 估计作为 DCF 的收入与盈利假设输入）。

本条采编自 OctagonAI/skills（MIT 许可），已做中文适配重写。