Communitygithub.com

A股财务因子报告技能

用于生成A股财务因子应用报告,包含真实数据、Python图表、因子构建、分组回归、机器学习因子解释及Word交付物。

A股财务因子报告技能 是什么?

该技能为AI智能体(如Codex)设计,用于生成面向金融课程作业的A股财务因子应用报告。它指导智能体使用东方财富公开接口获取真实A股数据,构建2-4个可解释的财务指标(如毛利率质量、ROE质量),通过标准化和加权组合形成单一因子。报告的核心工作流包括:因子选择与构建、Python图表生成(含柱状图、散点图、分组收益图)、传统Alpha检验(分组比较和OLS回归)、以及概念性的机器学习因子生成章节(Lasso、Ridge、随机森林、XGBoost)。最终交付物包括结构化的九部分中文Word报告(含摘要、背景、数据、因子逻辑、图表、Alpha检验、机器学习、案例、结论和附件),以及可复现的Python脚本和CSV结果。技能强调解释性、财务逻辑和诚实结论,避免过度宣称Alpha存在。支持平台包括Codex及其他兼容SKILL.md的AI编码工具。

兼容平台~Claude Code✓Codex CLI~Cursor
npx skills add 1278147072-cell/a-share-financial-factor-report-skill

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

A股财务因子报告

使用该技能为金融课程作业生成一份应用型中文报告:包含真实A股数据的财务指标因子报告、Python生成的图表、因子构建、分组、回归/Alpha讨论、机器学习因子解释以及Word交付物。

标准交付物

除非用户另有要求,否则创建以下内容:

  • outputs/ 目录下的 .docx 报告。
  • outputs/ 目录下可重建数据、图表和结果文件的 Python 脚本。
  • outputs/ 目录下的 CSV 数据/结果文件。
  • outputs/ 目录下的 PNG 图表。
  • 当用户要求“代码打包”或“代码文件形式输出”时,可选提供代码文件的 ZIP 压缩包。

对于 DOCX 文档,如果可用,也请使用 documents 技能:使用 python-docx 生成,尽可能渲染/验证,如果 LibreOffice 渲染不可用,请声明。

工作流程

  1. 选择或确认因子

    • 如果用户说“换一个指标”,选择一个在当前对话中未使用过的新因子。
    • 好的选择:毛利率质量、经营现金流质量、存货周转、应收账款质量、应付账款议价、ROE质量、资产负债率风险、收入增长质量、费用率控制、估值因子。
    • 除非用户要求连续性,否则避免重复公司和指标。
  2. 使用真实 A 股数据

    • 在网络允许时,优先使用东方财富公开接口。
    • 对于小型案例,使用 3-4 家具有明显行业对比的 A 股上市公司。
    • 对于大样本 Alpha 检验,使用约 300 家非金融 A 股公司,以保持运行时间可控。
    • 对于经营类因子,排除金融行业,除非该因子明确针对金融板块。
    • 使用 API 时,声明数据来源为“东方财富公开财务接口 / 2024 年年度报告口径”。
  3. 构建因子

    • 构建 2-4 个可解释的财务指标。
    • 在组合前对指标进行标准化。
    • 保持公式简单,并用通俗中文解释权重。
    • 示例: 质量因子 = 0.50 × 标准化核心指标 + 0.25 × 标准化辅助指标1 + 0.25 × 标准化辅助指标2
  4. 生成图表

    • 至少包含:一个核心指标柱状图,一个辅助指标柱状图,一个因子散点/排名图。
    • 如果进行 Alpha 检验:增加分组收益图和 Alpha/Beta 系数图。
    • 使用中文标题和标签。确保图表在 Word 中可读。
  5. Alpha 验证

    • 遵循图像要求:不要只解释一家公司。检验该因子是否能解释广泛的股票收益或价格趋势。
    • 按因子分 5 组,比较未来收益。
    • 运行 OLS 回归: Return = α + β × Factor + controls + ε
    • 尽可能使用控制变量,如市值、ROE、杠杆或估值。
    • 诚实解读:
      • 如果高分组跑赢低分组,且 β 显著为正:称该因子显示正向 Alpha 证据。
      • 如果 α 为正但 β 不显著:称存在市场/样本截距,但因子本身未被证明。
      • 如果分组和回归结果冲突:解释两者,并选择谨慎的结论。
  6. 机器学习部分

    • 即使未安装 sklearn,也包含一个概念性的 ML 因子生成章节。
    • 酌情提及 Lasso、Ridge、随机森林、XGBoost。
    • 解释 ML 如何组合多个财务特征来预测未来收益/ROE/现金流改善。
    • 强调财务逻辑和样本外验证,以避免过拟合。
  7. 报告结构 针对课程作业使用以下九部分结构:

    • 摘要、关键词
    • 一、研究背景与问题提出
    • 二、数据来源与处理口径
    • 三、指标构建与因子逻辑
    • 四、Python 图表与结果分析
    • 五、传统方法:分组与回归分析 / Alpha 检验
    • 六、机器学习方法生成综合因子
    • 七、公司案例解读
    • 八、投资应用建议与局限
    • 九、结论
    • 附件:数据与代码
  8. 字数

    • 如果用户要求 5000/5500/5700 字以上,使用 python-docx 验证最终 DOCX 文本长度。
    • 偏好通过方法论、Alpha 解读、行业注意事项和 ML 工作流程进行简洁的扩展,而不是填充内容。

API 说明

在实现或修改数据抓取脚本时,请阅读 references/eastmoney-fields.md。

在创建新指标脚本时,使用 scripts/factor_report_template.py 作为起点。将其复制到工作区的 outputs/ 或 work/ 目录中,然后进行调整:

  • 公司列表和字段
  • 因子公式
  • 图表标题
  • 报告叙述

常用解读语言

使用通俗的中文解释:

  • “Alpha 是否存在” 意味着该因子在控制常见变量后是否仍能创造超额收益。
  • “因子对 return 有解释力” 指高/低因子组显示出不同的未来收益,或者回归 β 具有意义。
  • “不能证明 Alpha 存在” 是可以接受的,并且通常比过度宣称更好。
  • “该指标能解释经营质量,但短期不一定预测股价” 是一个有效的谨慎结论。

最终回复

提供最终的 .docx 文件和关键支持文件的链接。说明:

  • 选择的因子和公司
  • 是否测试了大样本 Alpha
  • 主要结论
  • 生成的代码/数据/图表文件

相关技能