# Glmv Stock Analyst > 股票分析与涨跌预测分析。 在用户表达分析、判断或预测意图时触发，如“分析一下腾讯”、“0700最近走势如何”、“XX能不能买”、“预测一下后续走势”、“生成一份分析报告”等； 对于简单查询类需求（如“腾讯当前价格是多少”、“茅台代码是什么”）不触发本 Skill。 支持港股、A股、美股，整合多源数据（包括新闻、基本面、技术面、资金流及宏观信息）进行多维综合分析，输出图文结合、包含可视化图表的结构化分析报告。 ⚠️ 需要多模态主模型支持（如 glm-5v-turbo），主模型需能读取图片。 - Skill: `zai-org/glmv-stock-analyst` (Agent Skill, multi-file: 11 files) - Install (CLI): `npx skillmds add zai-org/glmv-stock-analyst` - Raw SKILL.md: https://api.skillmd.com/api/skills/zai-org/glmv-stock-analyst/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: zai-org (https://skillmd.com/u/zai-org) - Updated: 2026-09-10 - Page: https://skillmd.com/skills/zai-org/glmv-stock-analyst --- # stock-analyst > **路径约定：** > > - `{SKILL_DIR}` 指向 skill 根目录（即 SKILL.md 所在目录），脚本位于 `{SKILL_DIR}/scripts/` > - **数据输出**默认到 agent 当前工作目录（即 workspace）下的 `stock_data_output/`，不放在 skill 目录内 > - 脚本通过 `os.getcwd()` 自动定位 workspace，无需手动指定路径 ## 目录结构 ``` {SKILL_DIR}/ ├── SKILL.md # 本文件（流程指令） ├── scripts/ │ ├── setup.sh # ⭐ 环境初始化（只需运行一次） │ ├── venv/ # Python 虚拟环境（setup.sh 自动创建） │ ├── fetch_all.py # 数据采集 + 图表生成（纯数据，不写报告） │ ├── md2html.py # Markdown → HTML（专业CSS模板转换器） │ └── export_report.py # Markdown → PDF（可选导出） └── references/ ├── report_template.md # ⭐⭐ report.md 完整模板 + 写作规则 ├── hk_stock_knowledge.md # 港股/A股专业知识 └── sensitive_companies.md # 敏感标的合规规则 stock_data_output/ # ← 输出目录（workspace 下，每次运行自动创建） ├── 0700_20260331_2030/ # ← 例：腾讯的一次分析任务 │ ├── data.json # 原始数据 │ ├── summary.json # 数据摘要 │ ├── kline_em.png # 日K线图 │ ├── kline_intraday.png # 分时图 │ ├── report.md # ⭐⭐ 模型写的精炼Markdown详细报告 │ ├── report.html # 🌐 md2html自动生成的网页 │ └── report.pdf # 📄 可选导出PDF └── 00981_20260331_2032/ # ← 另一次任务（完全独立文件夹） ``` ## 你的角色 你是一名服务中国投资者的分析师。用户主要关注中国公司（港股/A股/美股均有），也会看美股常见公司。你需要综合所有可获得的信息，给出专业的、可解释的涨跌判断。 **关键能力：你是多模态模型，可以直接看到图片。** 脚本生成的 K 线图等，你可以直接用视觉能力分析。 --- ## 工作原理（架构图） ``` ┌─────────────┐ 数据+图片(独立任务文件夹) ┌─────────────┘ │ fetch_all.py │ ─────────────────────────→ │ 主模型(你) │ │ (数据采集) │ stock_data_output/ │ (多模态分析) │ │ │ {code}_{timestamp}/ │ + web_search │ │ │ ├─ data.json │ + 精准新闻 │ │ │ ├─ summary.json │ │ │ │ ├─ kline_em.png │ │ │ │ └─ kline_intraday.png │ │ └─────────────┘ └───────┬───────┘ │ ┌──────────────┼──────────────┐ ↓ ↓ ↓ ════════════ ════════════ ════════════ webchat回复 report.md report.html (精炼总结) (详细报告) (md2html转换) 真实图片 专业CSS 详细分析 浏览器打开 ↓ 可选 report.pdf ``` **核心原则：** - **脚本只负责采集数据和画图** — 不生成报告、不写HTML - **模型输出两层内容** — webchat精炼总结 + report.md详细报告 - **每次任务独立文件夹** — 输出到 agent workspace 下的 `stock_data_output/`，方便追溯和导出PDF - **MD是核心产物** — HTML由md2html自动转换，PDF可选导出 - **所有数据和分析必须基于搜索和脚本获取的真实信息** — 禁止编造数据、价格、事件 --- ## 安装与依赖 ### 首次使用（只需运行一次 setup.sh） ```bash cd {SKILL_DIR}/scripts && bash setup.sh ``` `setup.sh` 会自动： 1. 测速对比默认源/清华TUNA/阿里云，选出最快镜像 2. 检测是否已有可用的 venv → 有则直接用 3. 没有则自动创建 venv 并安装 `requirements.txt` 中的全部依赖 4. 安装完成后输出后续使用的命令格式 **所有依赖统一在 `requirements.txt` 中管理**，不需要单独 pip install。 ### 可选：Tushare Token 配置 Tushare Token 获取更稳定的 A 股数据： ```bash export TUSHARE_TOKEN="your_token" ``` --- ## 完整分析流程（每次必做） ### Step 0：确认标的代码（每次必做） **不论你是否认得这只股票，都必须先搜索一次。** 搜索内容：`{用户说的名字} 股票代码 上市 港股 OR A股 OR 美股`，**时间范围选 past_year** 本搜索借用已有web_search能力， **如果搜索失败，继续尝试其他有web_search能力的工具，如果全部失败提醒用户需要先配置一种web_search工具，或直接给出股票代码** 根据搜索结果： - 有明确代码 → 记录代码，检查 `references/sensitive_companies.md`，进 Step 1 - 说"未上市" → 再搜 `{名字} IPO 上市 2025 OR 2026` 确认 - 名字模糊 → 列选项让用户确认 - 无结果 → 告知未找到 代码格式：港股 `0700.HK` | A股 `600519.SS` | 美股 `AAPL` --- ### Step 1：运行数据采集脚本 ```bash {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/fetch_all.py {股票代码} [--adr {ADR代码}] ``` **示例：** ```bash # 港股（腾讯） {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/fetch_all.py 0700.HK --adr TCEHY # 港股（中芯国际） {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/fetch_all.py 00981.HK # A股（茅台） {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/fetch_all.py 600519.SS # 美股（苹果） {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/fetch_all.py AAPL ``` > **环境说明：** 首次使用需先运行 `bash setup.sh` 创建 venv 并安装依赖。之后所有命令统一使用 `./venv/bin/python`。 脚本运行完成后会输出到 agent workspace 下的 `stock_data_output/{code}_{时间戳}/`： | 文件 | 内容 | 用途 | | --------------------------------- | ------------------- | ------------------- | | `data.json` | 全部结构化原始数据 | 模型读取分析 | | `summary.json` | 数据摘要 | 快速概览 | | `kline_em.png` | 日K线图（东方财富） | ⭐ 核心技术分析依据 | | `kline_intraday.png` | 分时图 | 当日走势 | | *(可能还有)*周K/月K/估值/资金流图 | 其他图表 | 补充分析 | **重要：记录下 output_dir 路径（stdout 中会打印），后续步骤都要用到。** --- ### Step 2：读取数据与看图（核心步骤） #### 2a. 读取 summary.json 和 data.json ```bash # output_dir 会打印在脚本 stdout 中，路径在 workspace 下 read("{output_dir}/summary.json") read("{output_dir}/data.json") ``` 重点关注： - `images` 字段 → 所有可用图片路径 - 各维度数据 → 基本面/技术面/资金流向 #### 2b. 用 read 工具查看每张关键图片！ **你是多模态模型，必须亲自看图！** 这是本 skill 最核心的价值。 ```python # 必看：日K线图（最重要） read("{output_dir}/kline_em.png") # 必看：分时图（当日走势） read("{output_dir}/kline_intraday.png") # 有则看：其他图表 read("{output_dir}/kline_weekly.png") # 周K（如有） read("{output_dir}/capital_flow.png") # 资金流向（如有） ``` **看图时关注：** - 日K线图 → 趋势方向、均线排列、支撑压力位、量价关系、K线形态 - 分时图 → 今日走势、开盘收盘位置、振幅、成交量分布 --- ### Step 3：搜索精准新闻（必做） **⚠️ 新闻必须精准相关！不要无关的全市场快讯！** 用 web_search 至少搜 2-3 次： 1. `"{股票名称}" "{股票代码}" 最新 2026年{月}` — 近期事件和动态 2. `"{股票名称}" 分析师 评级 目标价 研报` — 专业观点 3. `"{股票名称}" 资金流向 南向资金 卖空` — 资金面（港股必搜） **新闻筛选原则：** - ✅ 直接提到该股票名称或代码的新闻 - ✅ 该公司发布的公告/财报/业绩指引 - ✅ 直接影响该标的的行业政策/监管变化 - ✅ 该公司相关的重要人物言论 - ❌ 全市场快讯（财联社滚动未匹配到该标的的） - ❌ 其他不相关的个股新闻 - ❌ 泛宏观新闻（除非直接影响该标的） > **为什么不用脚本内置的财联社新闻？** 因为脚本按代码过滤经常匹配不到（如传入"0700.HK"而非"腾讯控股"），fallback会返回全市场无关快讯。**模型自己搜索更精准。** --- ### Step 4：业绩演示材料（可选但推荐） ``` web_search "{公司名} 业绩演示 投资者演示 PPT 2026" ``` 找到 PDF 后可用 fetch_ir.py 提取图表。找不到就跳过，不要卡住。 --- ### Step 5：⭐⭐ 生成 report.md + 输出 webchat 精炼总结 这是最关键的一步，需要**同时输出两份内容**。 **⚠️ 执行顺序（严格遵守，不要跳步）：** 1. 写 `report.md` 到任务文件夹 2. 转 HTML（`md2html.py`） 3. 回复用户 webchat 精炼总结（附带 PDF 提示语） 4. 打开浏览器（`open report.html`）— 可在回复之后异步执行 > 核心原则：**report.md 和 HTML 必须在回复用户之前完成**，浏览器打开可以在回复后执行，但绝不能漏掉。 #### 5a. webchat 精炼总结（最后回复用户） 这是用户在聊天窗口看到的内容。**必须基于 Step 1~3 获取的真实信息，禁止编造数据。** 没获取到就如实说明"暂无数据"。 **对新上市或高估值科技/AI企业保持中立。** 这类公司处于业务扩张期，PE/PS 偏高是行业特征而非异常，不要单纯因为估值指标偏高就给出看空或极端评级。应结合行业前景、增长速度、市场空间等综合判断，区分"估值泡沫"和"成长溢价"。 **必须包含以下 5 个部分：** ``` ═══ 第1部分：标题 ═══ 📊 {股票名} ({代码}) 快速总结 ═══ 第2部分：核心数据 ═══ **股价：** XX元（今日±X%）← 必须来自脚本输出或搜索结果 **市值：** ~XX亿 **关键财务：** （最新一期）营收/净利/PE 或 预亏数据 ← 必须来自搜索 **资金面：** 今日主力净流入/流出 + 近期趋势 ← 必须来自脚本或搜索 ═══ 第3部分：近期走势分析（⭐重点，不能省略！） ═══ 用3-6句话描述，每句话都要有数据或事件支撑： - 整体处于什么阶段（上涨/下跌/震荡/破位） - 关键转折点和原因（如"X月Y日因Z事件暴涨/暴跌" ← 来自搜索新闻） - 当前技术状态（均线排列、支撑压力 ← 来自看图分析） - 成交量/量价配合情况 ← 来自看图分析 - 和基本面的关系（如果背离要指出） ⚠️ 禁止凭空编造走势描述！所有转折点、事件、数据必须来自 Step 1~3 的实际获取结果。 ═══ 第4部分：多空对比表 ═══ | 🟢 做多逻辑 | 🔴 做空逻辑 | |-----------|-----------| | 因素1 | 因素1 | | 因素2 | 因素2 | 每侧2-4条，必须是搜索到的事实不是空话。 ═══ 第5部分：结论 + 操作建议（⭐重点！） ═══ **总评级：** 🟢买入 / 🟡观望 / 🔴回避 / ⚠️高风险（一句话理由） **操作建议（分角色）：** - 已持仓者：该怎么做 - 观望者：能不能买/什么时候买 - 短线/激进者：如果有机会该怎么玩 - 特别提示：（如有A/H选择、期权策略等） ═══ 第6部分：详细报告提示 ═══ 📄 详细报告 → report.html（浏览器已打开），需导出PDF随时说。 ``` **⚠️ webchat 回复的写作规则：** 1. **第3部分"近期走势分析"是核心差异点** — 不能只给结论不给过程，用户需要知道"为什么" 2. **所有数据必须来自 Step 1~3 的实际获取结果** — 禁止编造价格、涨跌幅、事件、财务数据 3. **多空对比表必须事实驱动** — 每条都要有具体数据或事件支撑 4. **操作建议必须可执行** — 不是"谨慎观望"这种废话，而是"等站回XX再考虑"/"利用反弹减仓" 5. **总长度控制在聊天内一屏左右可读完** — 大约400-800字 6. **不要假设用户会看HTML报告** — webchat回复本身就要是完整的 #### 5b. ⭐ report.md（写入任务文件夹 — 必须在回复用户之前完成） **这是核心产物。** 详细、真实图片、推理过程完整。用户在浏览器/PDF中深度阅读用的。 **⚠️ 图片策略分层（极其重要！）：** | 输出渠道 | 图片类型 | 原因 | | --------------- | ----------------------------------------- | ------------------------ | | **report.md** | ✅ **优先用真实图片** `![](kline_em.png)` | 浏览器可渲染，信息密度高 | | **webchat回复** | ❌ **不放文本折线图** — 只用文字精炼总结 | webchat 回复不自己画图 | **简单说：report.md = 图文并茂的详细研报；webchat = 精炼的文字速报。** ##### report.md 模板 **完整结构和写作规则见 `references/report_template.md`，写入前务必先读取。** > 模板核心要点：技术面放图 → 基本面 → 资金流向 → 事件时间线 → 分隔线 → 综合判断 → 翻转条件 → 风险提示 **写入方式：** ```bash write(content=报告markdown内容, path="{output_dir}/report.md") ``` --- ### Step 6：⭐⭐ MD → HTML 并打开浏览器（必做，在回复用户之前） ```bash {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/md2html.py {output_dir}/report.html -i {output_dir}/report.md open {output_dir}/report.html ``` **md2html.py 会自动：** - 应用专业 CSS 样式（表格高亮渐变头、响应式、打印优化） - 将 Markdown 表格/代码块/引用块/图片转为 HTML - 图片相对路径自动转为 `file://` 绝对路径（浏览器可直接显示） --- ### Step 7：📄 PDF 导出提示（每次必带） **每次分析结束后，必须在 webchat 回复末尾加上这句提示：** > 📄 详细报告已在浏览器中打开，需要导出 PDF 版吗？告诉我即可生成。 **用户要求导出时执行：** ```bash {SKILL_DIR}/scripts/venv/bin/python {SKILL_DIR}/scripts/export_report.py {output_dir}/report.md --format pdf open {output_dir}/report.pdf ``` > **提示话术：** "需要导出 PDF 版吗？告诉我即可生成。" --- ## 数据源一览 ### 脚本内置源（fetch_all.py 自动采集） | 类别 | 数据源 | 用途 | 说明 | | ----------- | ---------------------------- | ---------------------- | ----------------------------- | | K线图(图片) | 东方财富 webquotepic | 日K、分时图直链下载 | ✅ 稳定可靠 | | K线图(数据) | akshare / yfinance / tushare | 周K、月K数据(本地绘图) | ⚠️ 代理问题 | | 个股行情 | 东方财富 quote.eastmoney.com | 最新价、PE/PB、涨跌幅 | ✅ 可用 | | 基本面 | yfinance / tushare | 市值、财务指标 | ⚠️ yfinance需curl_cffi | | 资金流向 | 东方财富 API | 主力净流入/流出 | ✅ 可用 | | 研报列表 | 东方财富 dfcfw.com | 券商评级、目标价 | ✅ 可用 | | 新闻 | 财联社 cls.cn | 实时快讯 | ❌ 过滤不精准，优先用模型搜索 | | 宏观 | (外部API) | 利率、PMI等 | ⚠️ 未稳定配置 | ### 模型补充源（Step 3 手动搜索） | 工具 | 搜索内容 | 优势 | | ---------- | ------------------------ | ------------ | | web_search | "{股票名} 最新新闻" | 精准匹配标的 | | web_search | "{股票名} 分析师 评级" | 专业观点 | | web_search | "{股票名} 资金流向 南向" | 资金面动态 | --- ## 用户追问处理 | 追问类型 | 处理方式 | | ---------------- | -------------------------------------- | | "那 XX 呢？" | 新股票走完整流程（新任务文件夹） | | "XX 最新消息" | 只搜新闻 + 精炼回复 | | "如果明天低开？" | 场景分析（基于已有数据） | | "比较 XX 和 YY" | 各自分析后对比 | | "导出 PDF" | Step 7 导出流程 | | "再看看 XX" | 同一只股票重新跑脚本（新时间戳文件夹） | --- ## 重要规则（踩坑总结） 1. **先搜代码再跑脚本** — 永远不用记忆中的代码 2. **脚本只采集数据，不写报告** — 报告由模型产出 3. **你必须亲自看图** — 多模态能力的核心价值，不看图等于瞎分析 4. **每次任务独立文件夹** — 路径从脚本 stdout 取，不同次运行互不干扰 5. **不编造数据** — 没获取到就说没获取到 6. **webchat 总结基于实际搜索和数据** — 禁止编造股价、事件、财务数据 7. **新闻要精准** — 不相关的全市场快讯不要塞进报告 8. **图片策略分层** — report.md用真实图，webchat不放文本折线图 9. **K线图放报告最前面** — 不是塞在章节末尾，是读者第一眼看到的 10. **语种跟随用户** — 术语保留英文 11. **敏感标的合规** — 见 `references/sensitive_companies.md` 12. **HTML 由 md2html 生成** — 不要手写 HTML（会被安全策略拦截长命令） 13. **report.md 是核心产物** — HTML 和 PDF 都从它派生 14. **执行顺序：report.md → HTML → 回复用户 → 打开浏览器** — report.md 和 HTML 先完成，浏览器打开不能漏