seaworld008 Stock Screener Builder (股票筛选器构建专家)
建立一个清晰的研究漏斗（Research Funnel），而不是对着成千上万的股票清单漫无目的地看。本技能旨在帮助投资者构建可重复的筛选逻辑，从全市场数千只标的中通过多维财务指标（估值、增长、质量、动量）快速筛选出具有潜力的“候选池”。
安装与前提条件
# 确保已安装金融数据接口与数据处理库
pip install pandas numpy openbb requests
# 下载筛选模板
npx clawhub install stock-screener-builder
触发条件 / When to Use
- 覆盖列表初筛 (Narrowing Coverage List)：在进入深度调研前，先将几百个备选标的缩小到 10-20 个重点关注项。
- 投资想法生成 (Idea Generation)：寻找符合特定策略（如：低估值且高分红、高增长且负债率低）的新机会。
- 质量-增长型筛选 (Quality-Growth Screens)：锁定那些具有高 ROIC 且营收增速稳定的优质公司。
- 事件驱动候选池生成：例如筛选出在未来 30 天内有除权、解锁或财报发布的特定标的。
- 行业对比初探：分析全行业中表现最突出的“领头羊”和被低估的“落后者”。
核心能力 / Core Capabilities
1. 筛选漏斗设计 (Funnel Design)
- 操作步骤：
- 定义“初选池”（Universe）：如标普 500、中证 800 或特定的行业（Semiconductor）。
- 设置“硬性门槛”（Hard Filters）：如市值 > 10 亿、日均成交量 > 100 万。
- 叠加“多维得分”（Scoring Rules）：将估值（P/E）、增长（Revenue Growth）、质量（ROE）按权重进行综合打分。
- 最佳实践：不要一次设置过多过滤器，防止筛选结果为零。先放大范围，再通过排序（Ranking）精选。
2. 多维度指标过滤 (Multi-factor Filtering)
- 操作步骤：
- 运行
scripts/screen_stocks.py。 - 配置以下核心维度：
- 估值 (Valuation): P/E, P/S, EV/EBITDA, Dividend Yield.
- 增长 (Growth): Revenue Growth (YoY), EPS Growth (CAGR).
- 质量 (Quality): ROIC, Net Margin, Debt/Equity Ratio.
- 动量 (Momentum): 52-week High/Low %, Relative Strength.
- 运行
- 最佳实践：对不同行业使用差异化的筛选逻辑（如：银行看 P/B 和不良率，科技看 P/S 和研发强度）。
3. 可重复性与版本管理 (Repeatability)
- 操作步骤：
- 将筛选规则（Criteria）固化为 JSON 格式的配置文件。
- 定期（如每周一）执行脚本，观察结果列表的变动（即哪些新公司进入了视野，哪些被剔除了）。
- 最佳实践：记录每一次筛选结果的快照，以便在月底进行复盘。
4. 结果结构化与后续联动 (Actionable Output)
- 操作步骤：
- 将筛选后的 Shortlist 导出为 CSV 或 Notion 表格。
- 为每一个入选标的自动触发
comps-valuation-analyst或sec-filing-reviewer技能进行深度背景调查。
常用命令/模板 / Common Patterns
股票筛选 JSON 配置文件模板 (Screener Config JSON)
{
"name": "GARP_Strategy_V1",
"universe": "S&P 500",
"filters": {
"market_cap_min": 5000000000,
"pe_ratio_max": 25.0,
"peg_ratio_max": 1.2,
"revenue_growth_min": 0.15,
"roe_min": 0.18,
"debt_to_equity_max": 0.5
},
"sort_by": "peg_ratio",
"ascending": true,
"limit": 20
}
筛选报告摘要模板 (Screener Report)
### 🔎 股票筛选报告：[GARP_Strategy_V1]
**1. 筛选概述 (Execution Summary)**:
- **初选池**: 500 只 (S&P 500)
- **通过过滤器**: 18 只
- **平均分值**: 7.2/10
**2. 核心幸存标的 (Top Surviving Names)**:
| 代码 | 行业 | 市盈率 (P/E) | 营收增速 | ROE | 综合得分 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| **GOOGL** | Interactive Media | 22.5 | 15% | 25% | 8.8 |
| **META** | Interactive Media | 24.2 | 22% | 28% | 8.5 |
| **KLAC** | Semiconductors | 23.5 | 18% | 35% | 8.2 |
**3. 排除说明 (Why others failed)**:
- 35% 的标的因 `ROE < 18%` 被排除。
- 15% 的标的因 `PEG > 1.2` 被排除（估值过高）。
**4. 后续动作 (Next Steps)**:
- [ ] 调用 `earnings-call-analyzer` 分析 GOOGL 最新财报。
- [ ] 使用 `sec-filing-reviewer` 检查 KLAC 的地缘政治风险披露。
快速执行命令
# 运行预定义的筛选规则
python scripts/screen_stocks.py --config assets/garp_config.json --export output/screener_results.csv
进阶应用场景 / Advanced Use Cases
1. 动态监控仪表盘 (Dashboard)
- 结合
cron技能，每天收盘后自动运行筛选器，如果出现符合“深度价值”（如：破净且现金充足）的新标的，立即通过question发送提醒给投资经理。
2. 情绪筛选器 (Sentiment Screener)
- 将财务指标与客户端内置 Web Search 或
deep-research得到的可溯源新闻信号结合，筛选“基本面较强但近期市场情绪极度悲观”的候选，并明确数据时间与局限。
边界与限制 / Boundaries
- 数据源一致性：不同数据源（如 Yahoo Finance vs Bloomberg）对相同指标的定义可能不同，导致筛选结果差异。
- 幸存者偏差：如果初选池本身包含偏差（如剔除了历史退市标的），筛选出的策略在回测时会虚高。
- 陷阱标的 (Value Traps)：低 PE 可能是因为公司基本面即将崩溃，Agent 必须通过多重指标交叉验证以识别陷阱。
- 财务造假识别局限：筛选器只看表面数字，无法识别财务报表中的欺诈行为。
- 过度拟合 (Over-filtering)：过细的过滤器可能导致只选出那些过去表现极好的“个案”，而不具备普遍的策略指导意义。
最佳实践总结
- 先宽后严：第一层过滤应该尽量宽，防止核心标的被漏掉。
- 重视现金流：永远将 P/FCF 或 OCF 作为质量核实的关键维度。
- 行业对齐：对金融、地产、科技、消费应分别设计不同的筛选逻辑（Vertical Screens）。
- 记忆同步：将入选标的的理由和观察日期存入
MEMORY.md。 - 动态阈值：根据宏观象限（Regime）调整筛选门槛。例如：在高息环境下，调高对“资产负债率”的要求。
- 逻辑自洽：确保筛选器反映的是你的真实投资理念（Thesis），而非一堆随机数字的拼凑。
- 引述来源：所有筛选结果必须注明数据截止日期（Snapshot Date）。