AI 技能AI 插件金融科技【免费下载链接】UZI-Skill冰冷的钱就这样流进我温暖的口袋-游资UZISkills — 让我们欢迎股海贼王66位投资大佬帮你看盘 · 22维数据 × 180条量化规则 × 17种机构分析方法 · A股/港股/美股项目地址https://gitcode.com/gh_mirrors/uz/UZI-Skill点击查看免费下载本文讲解 UZI-Skill 深度分析工作流skills/deep-analysis中的财报前预览Earnings Preview方法如何在公司披露季报之前围绕一致预期对照、行业观察指标、Bull/Base/Bear 三情景、催化剂清单与预期波幅搭建一套该盯什么、会怎么动的前瞻框架。读完本文你将掌握该方法的方法论文档earnings-preview.md、纯函数实现earnings_preview.py与配套 slash 命令commands/earnings-preview.md三者之间的对应关系理解每个输出字段的来源、计算口径与多市场A股/港股/美股自适应逻辑。方法定位财报前的前瞻镜像Earnings Preview 改编自anthropics/financial-services的equity-research/earnings-preview移植进 UZI-Skill 后适配 A 股 / 港股 / 美股多市场。它在本目录fin-methods中的定位是事件前定位方法research_workflow.build_earnings_analysis是财报后beat/miss 解读回答发生了什么本方法build_earnings_preview是它的财报前镜像回答接下来盯什么、会怎么动DCF / Comps 是估值方法而本方法不估值只做事件前定位输出可直接喂给交易 / 仓位决策。两者遵循相同的接口契约build_X(features, raw_data) - dict并携带methodology_log纯函数、无外部 IO。在 fin-methods/README.md 中本方法属于 v3.8.0 起引入的Tier-1 续引入方法包lib/tier1/包与 AI 就绪度、模型增量更新、收益归因、组合再平衡并列每个方法均有 slash 命令、方法论文档、纯函数模块与 pytest 四件套。设计原则可审计、来源透明、可证伪、多市场自适应沿用 fin-methods 目录的 CRITICAL CONSTRAINTS本方法遵循四条原则可审计每一步留methodology_log记录凭什么给这个共识 / 情景 / 波幅来源透明一致预期能从6_research维度拿到的标注来源拿不到的显式标注「需 web 补充」绝不静默编造可证伪每个情景都配明确触发条件——什么发生才走这个情景多市场自适应观察指标按行业切换隐含波动按市场切换A 股个股无期权用历史财报日波动代替。五步法从一致预期到预期波幅① 一致预期对照 Consensus Table对照表覆盖 EPS、营收与卖方目标价三组数据每行带source标注EPS优先取features.consensus_eps_2026由 stock_features.py 从6_research维度的consensus_eps_2026归一化而来同处还有consensus_pe_2026若拿不到则显式标注「需 web 补充一致预期」。营收6_research的consensus_rev_yi有则用无则用最新营收 × (1 3yCAGR)外推占位并标注「需 web 补充」。CAGR 由 stock_features.py 计算((最新营收 / 4 期前营收) ** (1/3) - 1) * 100。卖方目标价 / 覆盖家数 / 买入率从6_research派生target_price_avg/research_coverage/buy_rating_pct见 stock_features.py输出含覆盖 N 家 / 买入率 X%的来源描述。若features.consensus_eps_2026缺失实现会回退尝试research.consensus_eps6_research.data原始字段并追加consensus_notes缺口清单。A 股适配6_research拿得到的就用拿不到的标「需 web 补充」。② 行业观察指标 Watch Metrics按行业分类财报最该盯的运营指标随行业不同。实现earnings_preview.py内置_SECTOR_METRICS关键词→指标映射表用industry name拼接做子串匹配行业关注指标软件 / SaaSARR / 经常性收入、净留存率 NRR、RPO 在手合同、付费客户数、云收入占比零售 / 消费同店销售 SSSG、客流量、客单价、线上占比、存货周转工业 / 制造在手订单 / backlog、book-to-bill、量 vs 价拆分、产能利用率金融净息差 NIM、不良率 / 拨备、信贷增速、中间业务收入、AUM医药核心品种放量、处方量 / 入院、集采影响、在研管线进度白酒A 股动销 / 终端动销、渠道库存、吨价 / 提价、预收款合同负债光模块A 股800G/1.6T 出货量、高端产品占比、毛利率供给紧→提价、大客户订单能见度新能源A 股装机 / 出货量 GW、单位盈利元/W·Wh、产能利用率、原材料价格传导半导体 / 汽车产能利用率、ASP / 提价、库存周期位置 / 销量、单车 ASP、新车型周期未命中行业时落到通用默认earnings_preview.py营收 vs 共识、毛利率趋势、经营性现金流、前瞻指引 vs 共识。测试test_tier1_earnings_preview.py专门断言了光模块→出货/1.6T/800G白酒→动销的命中与冷门行业回退非空。③ Bull / Base / Bear 三情景基于历史营收增速 毛利率趋势构造三档情景earnings_preview.pyBase 增速(3yCAGR 最近一期增速) / 2更贴近趋势Bull Base 8ptBear Base − 8pt营收区间 最新营收 × (1 增速)EPS 用毛利杠杆放大Bull ×1.12 / Base ×1.0 / Bear ×0.85营收超预期时盈利弹性更大每个情景配齐四要素触发条件triggers列表如量价齐升 上修指引/基本符合 ±2%/不及共识或环比走弱、毛利率假设扩张 / 持平 / 收缩、历史财报后股价反应用年化波动 ÷ √252 近似单日√252 ≈ 16并附可 web 核对的检索提示。测试断言三情景bull/base/bear齐全、结构字段完整、增速与 EPS 均单调bull base bear见 test_tier1_earnings_preview.py。④ 催化剂清单 Catalyst Checklist3-5 个决定财报日股价反应的看点earnings_preview.py营收 / EPS vs 一致预期及 buy-side whisper number可 web 补充——首要驱动importancehigh前瞻指引 vs 共识全年营收/利润、capex——买方更看指引而非当期数字importancehigh行业头号运营指标②的第一项领先利润表——需求真伪最先反映importancehigh毛利率方向 管理层归因——决定盈利弹性importancemedium战略 / 叙事变化并购、回购、新品、产能、诉讼——仅当has_positive_catalyst/has_negative_catalyst事件流命中才加入importancemedium。清单截断至 5 项测试断言数量在 3~5 之间且每项含item/why/importance三字段。⑤ 预期波幅 Implied Move按市场分支earnings_preview.pyA 股个股多数无期权 →options_availableFalse方法标注A 股无个股期权用历史财报日波动代替以年化波动 ÷ √252 给出单日 ±幅度如年化 55% → 单日约 ±3.4%。美股 / 港股options_availableTrue可用财报到期ATM straddle反推期权隐含波动需 web 补充期权链历史波动作下限参考。测试分别断言 A 股分支options_available is False且方法含无期权/历史美股分支options_available is True且方法含期权/straddletest_tier1_earnings_preview.py。返回结构一个字段对齐的 dict 契约build_earnings_preview(features, raw_data)返回结构如下源码逐字段对应{ method: Earnings Preview (pre-earnings), company: {name, code, industry, market}, report_quarter: 2026 Q2, # 由当前时间粗略推断的下一季度 generated_at: 2026-10-08, consensus_table: [{metric, consensus, yoy_pct, source}, ...], consensus_notes: [...需 web 补充...], watch_metrics: {sector: 光模块, metrics: [...]}, scenarios: [ # bull / base / bear 三项齐全 {scenario, label, revenue_yi, revenue_growth_pct, eps, gross_margin_assumption, triggers, expected_stock_reaction, reaction_note}, ], catalyst_checklist: [{item, why, importance}, ...], implied_move: {method, options_available, implied_move_pct, historical_proxy_pct, note}, methodology_log: [...], # 5 步推导链公司/行业 → 共识行数 → 行业指标数 → 三情景增速 → 催化剂数波幅方法 }其中methodology_log由主函数earnings_preview.py逐步拼接Step 1 公司/市场/行业/预览季度 → Step 2 共识行数与缺口数 → Step 3 行业指标归属与数量 → Step 4 三情景营收增速 → Step 5 催化剂数 隐含波动方法保证每步在算什么都可审计。调用方式与上下游数据流入口函数earnings_preview.pyfrom lib.tier1.earnings_preview import build_earnings_preview result build_earnings_preview(features, raw_data) # features: 扁平特征raw_data: 含 dimensions 的原始数据关键输入特征的来源均由 stock_features.py 归一化产出特征来源维度说明consensus_eps_2026/consensus_pe_20266_research一致预期 EPS / PEtarget_price_avg/research_coverage/buy_rating_pct6_research卖方目标价、覆盖家数、买入率revenue_latest_yi/revenue_growth_3y_cagr/revenue_growth_latest财务历史最新营收、3 年 CAGR、最近一期增速volatility_1y行情统计年化波动用于单日财报波幅近似has_positive_catalyst/has_negative_catalyst事件流决定催化剂清单第 5 项是否加入slash 命令commands/earnings-preview.md/earnings-preview 股票代码触发工作流为 ① 采集 22 维数据一致预期优先取6_research→ ② 调用build_earnings_preview→ ③ 对标注「需 web 补充」的一致预期 / 历史财报日股价反应 / 期权隐含波动用 web 搜索补全后成稿。与/earnings财报后解读互为镜像。一个可复现的示例中际旭创 300308.SZ模块自带__main__演示earnings_preview.py测试基线同款test_tier1_earnings_preview.pyA 股 · 光模块价格 120、EPS 4.5、一致预期 EPS 6.2、最新营收 240 亿、3yCAGR 45%、最近增速 60%、毛利率 33%、年化波动 55%。输出要点一致预期EPS 6.2YoY 37.8%来源 6_research营收 348 亿YoY 45%⚠️ 无一致预期 → 3yCAGR 外推需 web 补充卖方目标价 ¥150覆盖 28 家 / 买入率 90%行业观察指标光模块800G/1.6T 出货量 · 高端占比 · 毛利率 · 大客户能见度三情景营收增速 / EPS Bull 60.5% / 6.94触发量价齐升 上修指引· ⚪ Base 52.5% / 6.20触发基本符合指引维持· Bear 44.5% / 5.27触发不及共识 / 毛利受压预期波幅A 股无个股期权 → 历史财报日 ±3.4%年化波动 55% ÷ 16 近似单日。其中 Base 增速 52.5% (45% 60%) / 2Bull/Bear 各 ±8ptEPS 按 ×1.12 / ×1.0 / ×0.85 的毛利杠杆缩放——与文档公式逐项对应。测试覆盖与鲁棒性配套测试 test_tier1_earnings_preview.py 覆盖六类断言结构完整性返回含consensus_table / watch_metrics / scenarios / catalyst_checklist / implied_move / methodology_log全部键method固定为Earnings Preview (pre-earnings)三情景齐全且单调bull base bear增速与 EPS 双单调行业指标映射光模块、白酒命中冷门行业回退非空一致预期缺失标注consensus_notes非空且source含 web并从6_research维度直读consensus_rev_yi验证隐含波动分支A 股无期权 vs 美股/港股可用 straddle空输入鲁棒性build_earnings_preview({}, {})不崩溃且三情景仍齐全。适用前提与限制本方法输出的是事件前定位框架而非结论情景、催化剂与波幅都是可证伪的假设成稿前必须补全标注「需 web 补充」的数据一致预期、历史财报日反应、期权链单日财报波幅用年化波动 ÷ √252 是近似代理√252 ≈ 16仅作量级参考report_quarter由当前时间粗略推断当前季度正式披露前应核对实际财报周期若标的是 ETF / LOF / 可转债应遵循 SKILL.md 的 HARD-GATE-NON-STOCK 引导到成分股而非直接跑本方法。若需将本方法接入完整报告流水线可参考lib/tier1/__init__.py的统一导出、compute_deep_methods.py的纯计算接入方式以及 commands/earnings-preview.md 的成稿规范。赞分享AI 技能AI 插件金融科技【免费下载链接】UZI-Skill冰冷的钱就这样流进我温暖的口袋-游资UZISkills — 让我们欢迎股海贼王66位投资大佬帮你看盘 · 22维数据 × 180条量化规则 × 17种机构分析方法 · A股/港股/美股项目地址https://gitcode.com/gh_mirrors/uz/UZI-Skill点击查看免费下载相关推荐Earnings Preview 财报前瞻实战基于 financial-services 仓库 earnings-reviewer Agent 构建预财报分析工作流Earnings Preview 财报前瞻实战基于 financial services 仓库 earnings reviewer Agent 构建预财报分析人工智能AI 应用AI 技能/插件AI Agent金融科技如何给游戏里的DLSS换版本DLSS Swapper版本切换3步上手指南如何给游戏里的DLSS换版本DLSS Swapper版本切换3步上手指南 《赛博朋克2077》给你装的DLSS 3.5用着不顺眼或者游戏还停留在DLSS 2桌面应用financial-services 仓库 Equity Research 插件实战用 earnings-preview 技能构建财报前瞻共识预期、关键指标框架与牛熊情景分析financial services 仓库 Equity Research 插件实战用 earnings preview 技能构建财报前瞻共识预期、关键指标人工智能AI 应用AI 技能/插件AI Agent金融科技上一篇R-CNN 开源项目安装与使用指南下一篇RITM 交互式分割项目使用教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考