企业官网建设流程全解析

Vibe-Trading 盈余修正与指引分析实战：基于 Earnings Revision 技能构建 PEAD 与一致预期动量信号

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading

导读

本文以开源仓库 Vibe-Trading 中 earnings-revision 技能文档 为核心骨架，系统讲解如何在个人交易 Agent 中落地「卖方分析师预期修正（Earnings Revision）、管理层指引（Guidance）与盈余公告后漂移（PEAD）」三类信号的量化分析方法。读完本文，你将掌握 SUE、修正广度（Breadth）、预期离散度等核心指标的计算与解读、PEAD 分位策略与增强过滤器的设计、管理层指引语言模式识别，以及如何通过 Vibe-Trading 的 swarm 多 Agent 预设、调度研究 playbook 与 yfinance/earningsTrend 数据链路把该技能接入真实研究流程。文章同时结合仓库源码给出实现级证据，便于 Agent 与 LLM 检索引用。

一、技能定位：面向美股/港股的盈余事件研究框架

该技能的元信息（SKILL.md）将其定义为analysis类别技能：跟踪卖方分析师估计修正、管理层指引变化和盈余后价格漂移以生成投资信号。其核心理念是——盈余修正是股票市场中最持久、最有文献支撑的 alpha 因子之一：被上调预期的股票倾向于持续跑赢，被下调预期的股票倾向于持续跑输。

在 Vibe-Trading 中，该技能并非孤立文档，而是被多 Agent 编排体系直接引用。例如 earnings_research_desk.yaml 中的revision_tracker（盈余修正与一致预期追踪 Agent）明确挂载skills: [earnings-revision, earnings-forecast]，其系统提示词要求量化修正动量并识别 PEAD 机会；而同仓库的 earnings-forecast 技能 则提供 A 股视角的 SUE/PEAD/ERM 实现，与本文的美股/港股视角互为补充。这意味着本文介绍的框架在仓库中已有可运行的编排落点。

二、核心概念一：盈余修正动量（Earnings Revision Momentum）

2.1 信号层级（由强到弱）

原文档给出的信号层级表是整套框架的纲：

2.2 关键指标与计算

标准化未预期盈余（SUE, Standardized Unexpected Earnings）：

# Standardized Unexpected Earnings (SUE) sue = (actual_eps - consensus_eps) / std_of_forecast_errors # Interpretation # SUE > +2: large positive surprise → strong PEAD signal # SUE < -2: large negative surprise → strong negative PEAD # |SUE| < 0.5: in-line with expectations → weak signal

SUE 的分母是历史预测误差的标准差。仓库配套的 earnings-forecast 技能 补充了实操细节：std建议取过去 8 个季度的预测偏差标准差，并对 A 股给出更细的阈值阶梯（SUE > +2.0 强买入、+1.0~+2.0 温和买入、±1.0 无信号、-2.0~-1.0 卖出、< -2.0 强卖出），可作为美股/港股场景的对照参考。

修正广度（Revision Breadth）：

# Revision breadth ratio breadth = (num_upgrades - num_downgrades) / total_analysts # Interpretation # breadth > +0.5: strong consensus upgrade momentum # breadth < -0.5: strong consensus downgrade momentum # |breadth| < 0.2: mixed / no clear direction

预期离散度（Estimate Dispersion）：

# Analyst disagreement dispersion = std_of_estimates / abs(mean_estimate) # High dispersion (>15%): high uncertainty → larger potential surprise # Low dispersion (<5%): tight consensus → smaller surprise but higher confidence

2.3 源码佐证：修正动量数据的真实获取链路

从源码看，仓库为上述「修正广度」和「预期趋势」指标提供了现成数据通道。在 stock_profile_tool.py 的_earnings_trend中，工具会将 Yahoo earningsTrend 模块整理为逐期估计行，每个期间直接携带eps_trend_current、eps_trend_7d_ago、eps_trend_30d_ago、eps_trend_90d_ago（当前/7天前/30天前/90天前的 EPS 预期）以及eps_revisions_up_30d、eps_revisions_down_30d（近 30 天上调/下调家数）——这正是计算 breadth、估算 30/60/90 日修正趋势所需的核心字段。其代码注释也印证了原文档的方法论：「一致预期水平本身只是一张快照，轨迹与上调/下调家数才是修正动量真正要构建的东西」。对应技能文档 tool_get_stock_profile.md 同样列出earnings_trend行包含 EPS/营收估计（avg/low/high）、增长与分析师数量。

三、核心概念二：盈余公告后漂移（PEAD）

PEAD 是股票市场中被验证最稳健的异象之一：公告后价格会沿盈余惊喜方向继续漂移 60-90 天。

3.1 漂移分位策略

3.2 PEAD 增强过滤器

• 小/中盘股 > 大盘股（分析师覆盖少 → 价格发现更慢）
• 低机构持股 > 高机构持股（信息扩散更慢）
• 方向的首次惊喜 > 连续同向惊喜（首次更未被定价）
• 营收惊喜 + EPS 惊喜同时出现 > 仅 EPS 惊喜

3.3 源码佐证：事件研究法引擎 eventstudy

要验证「漂移」是否真的存在，仓库提供了完整的事件研究法实现 agent/src/quantlib/eventstudy.py。其核心接口event_study(returns, market_returns, events, ...)（L308）计算异常收益 AR、累计异常收益 CAR、平均累计异常收益 CAAR，并输出四类显著性统计量：

• t_statistic：对 CAR 的普通横截面 t 检验，适合快速阅读；
• patell_z：用估计窗口的预测误差项标准化每日异常收益，修正横截面波动差异；
• bmp_z（Boehmer-Musumeci-Poulsen）：对标准化值再取横截面方差，可抵御事件本身引发的波动率抬升，是三者分歧时优先报告的统计量；
• corrado_rank_z与cowan_sign_z：非参数秩检验与广义符号检验。

该模块有两个工程设计值得在分析 PEAD 时直接借鉴（L76-L88）：估计窗口默认 120 行、事件窗口默认 (-5, 5)、估计窗口与事件窗口之间默认留 10 行间隙，且"估计窗口触碰到事件窗口"是错误而非警告——若模型看到了事件本身，残差会向零收缩、低估自己的发现。同时它用shared_event_dates显式暴露同日聚类事件导致的乐观 p 值，提醒分析者用日历时间组合代替横截面统计。这些正是把 PEAD「60-90 天漂移窗口」从经验法则升级为可回测、可显著性检验的工具链。

四、核心概念三：管理层指引分析（Management Guidance Analysis）

4.1 指引类型与信号权重

4.2 指引变化打分逻辑

# Guidance revision scoring def score_guidance_change(current_guide, prior_guide, consensus): # Guide above consensus = positive signal if current_guide.midpoint > consensus * 1.02: guide_vs_consensus = "above" elif current_guide.midpoint < consensus * 0.98: guide_vs_consensus = "below" else: guide_vs_consensus = "inline" # Guide raised vs lowered vs maintained if prior_guide: if current_guide.midpoint > prior_guide.midpoint * 1.01: guide_revision = "raised" elif current_guide.midpoint < prior_guide.midpoint * 0.99: guide_revision = "lowered" else: guide_revision = "maintained" # Strongest signal: raised guidance above consensus # Weakest signal: lowered guidance below consensus

注意阈值设定：与一致预期比较用 ±2% 的带宽，与先前指引比较用 ±1% 的带宽，这一不对称设计在实战中非常实用——指引相对前值 1% 以内的微调视为"维持"，而相对一致预期的 2% 偏差才视为实质背离。

4.3 指引语言模式识别

五、核心概念四：盈余质量指标（Earnings Quality Indicators）

5.1 盈余报告中的红旗

1. 营收增长但现金流下滑 → 应计操纵（accrual manipulation）
2. 变更收入确认政策 → 虚增收入
3. DSO（应收账款周转天数）下降的说法与应收账款上升矛盾 → 渠道压货（channel stuffing）
4. 通过低税率或回购而非经营改善实现 EPS beat
5. 频繁的"非 GAAP 调整"总是加回费用 → 盈余质量存疑
6. 库存增速超过营收增速 → 未来减记风险

5.2 质量评分框架

earnings_quality = { "fcf_conversion": fcf / net_income, # >0.8 = good, <0.5 = poor "accrual_ratio": (net_income - ocf) / avg_assets, # <5% = good, >10% = concern "revenue_cash_alignment": revenue_growth - ocf_growth, # small gap = good "non_gaap_gap": non_gaap_eps - gaap_eps, # large gap = red flag "buyback_eps_boost": eps_growth - net_income_growth, # large = artificial }

这套质量框架在仓库的 swarm 编排中被直接要求执行：earnings_research_desk 中fundamental_analystAgent 的提示词（earnings_research_desk.yaml）要求计算Accrual ratio: (Net Income - Operating CF) / Average Assets、Revenue-cash alignment、GAAP vs non-GAAP EPS gap、Buyback-driven EPS以及 DSO/DIO 上升等红旗，与本文公式一一对应，说明该质量评分并非纸上谈兵，而是多 Agent 流水线的既定产出物。

六、财报日历与工作流

6.1 财报前分析检查清单

1. 一致预期快照：当前 EPS/营收一致预期、修正趋势（30d/60d/90d）
2. 历史惊喜模式：公司是否持续 beat/miss？幅度多大？
3. 指引对比：上季指引 vs 当前一致预期
4. 耳语数：买方预期（连续 beat 的公司通常比街边一致预期高 1-3%）
5. 期权市场定价：平值跨式（ATM straddle）隐含波动
6. 已公布的同业：来自竞争对手的传导信号（read-through）

6.2 财报后分析检查清单

1. 头条数字：EPS 惊喜率、营收惊喜率
2. beat/miss 质量：由经营利润驱动，还是一次性项目？
3. 指引变化：上调 / 维持 / 下调 / 撤回
4. 电话会语气：管理层信心水平、Q&A 防御性
5. 分析师反应：即时修正方向（前 24-48 小时）
6. 价量反应：跳空高开/低开、反转、相对均量的成交量倍数

6.3 多市场考量：美股与港股

美股：财报季集中在 1/4/7/10 月（季度结束后约 2-6 周）；数据来源为 SEC 文件（大型加速申报者 10-Q 在 40 天内、10-K 在 60 天内）；一致预期来源为 Bloomberg、Refinitiv、FactSet、Visible Alpha；yfinance 接口为ticker.earnings_dates、ticker.earnings_history。

港股：年报季在 3-4 月、中报季在 8-9 月；多数港股公司半年披露一次而非季度；A+H 双重上市可对比 A 股与港股分析师估计做套利；yfinance 接口为yf.Ticker("0700.HK").financials。

核心差异表：

在仓库的调度研究中，该日历能力由 earnings-season-tracker playbook 承接：它以suggested_schedule: "0 7 * * 1-5"（美东时间每周一至周五 07:00）运行，跟踪持有与观察名单标的的未来 14 天财报日期，并区分公司确认日期与估计日期（该 playbook 明确称之为"财报日历上最容易被误读的字段"）；其VERDICT段以FILED / REVISED / QUIET三态输出机器可读结论，且严格规定"无买卖建议、不下单、不建模未来季度"。

七、输出格式模板

## Earnings Revision Analysis — [Ticker] ### Consensus Snapshot - **Current FY EPS consensus**: $X.XX (N analysts) - **30-day revision**: [up/down X%] — [N upgrades / N downgrades] - **60-day revision**: [up/down X%] - **Estimate dispersion**: [low/medium/high] (CV = X%) ### Last Earnings Event - **Date**: YYYY-MM-DD | **Quarter**: FY25Q3 - **EPS**: $X.XX actual vs $X.XX consensus (surprise: +X%) - **Revenue**: $X.XB actual vs $X.XB consensus (surprise: +X%) - **Guidance**: [raised / maintained / lowered] — FY25 EPS guide: $X.XX-$X.XX - **Price reaction**: [+X% on day, +X% over 5 days] ### Revision Momentum - **Breadth**: [+0.6 → strong upgrade momentum] - **Magnitude**: [average revision +X% over 30 days] - **PEAD status**: [still within 60-day drift window / drift exhausted] ### Earnings Quality - **FCF conversion**: X% [strong/adequate/weak] - **Accrual ratio**: X% [clean/moderate/concern] - **Non-GAAP gap**: $X.XX [small/large] ### Signal - **Direction**: [bullish / neutral / bearish] - **Catalyst**: [next earnings date: YYYY-MM-DD] - **Confidence**: [high / medium / low]

该模板与 earnings_research_desk 中revision_tracker的四大分析模块（Consensus Snapshot、Revision Momentum Scoring、Earnings Surprise History、PEAD Assessment）高度一致，可直接作为 Agent 输出结构化研究结论的契约。

八、在 Vibe-Trading 中的完整落地路径

综合仓库证据，从技能文档到可运行研究的完整链路为：

1. 方法论层：本技能 earnings-revision/SKILL.md 提供美股/港股框架；earnings-forecast/SKILL.md 提供 A 股框架（Top-Down/Bottom-Up 预测、扣非 EPS 注意点、融券受限下的只做多 PEAD）。
2. 数据层：通过 yfinance 技能 的ticker.earnings、earnings_dates、earnings_history获取历史实际值；通过 get_stock_profile 工具 的earnings_trend模块获取 7d/30d/90d 预期轨迹与上调/下调家数——这是构造 breadth 与 30/60/90 日修正趋势的现成字段。
3. 验证层：用 eventstudy.py 对历史盈余事件做 CAR/CAAR 事件研究，检验漂移与惊喜方向是否显著（报告 BMP z 优先）。
4. 编排层：通过 earnings_research_desk.yaml 将 fundamental_analyst、revision_tracker、event_options_analyst、earnings_strategist 四个 Agent 串成流水线（含期权隐含波动对比、PEAD 事件交易与决策树）。
5. 持续跟踪层：用 earnings-season-tracker.md 按日历自动生成"预期漂移"报告（只报事实、不报观点）。

九、注意事项与边界

• 专业级信号需要实时一致预期数据源（Bloomberg、Refinitiv）；yfinance 提供历史实际值，但不提供实时一致预期；
• PEAD 在公告后最初 30 天最强，60 天后信号显著衰减；
• 撤回指引几乎总是负面——公司业务良好时极少撤回指引；
• 警惕"beat and lower"：本季 beat 但下调前瞻指引，往往综合为净负面；
• 本框架仅用于研究用途，不构成投资建议；仓库侧同样约束了自动化边界——调度 playbook 只做事实追踪，不生成买卖观点、不触碰实盘连接器。

相关仓库路径速查

• 技能主文档：agent/src/skills/earnings-revision/SKILL.md
• 事件研究引擎：agent/src/quantlib/eventstudy.py
• 多 Agent 预设：agent/src/swarm/presets/earnings_research_desk.yaml
• 调度研究 playbook：agent/src/scheduled_research/playbooks/earnings-season-tracker.md
• A 股对照技能：agent/src/skills/earnings-forecast/SKILL.md
• 数据工具实现：agent/src/tools/stock_profile_tool.py
• 数据技能：agent/src/skills/yfinance/SKILL.md

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading