企业官网建设流程全解析

FinanceHarness 单标的股权深度研究（Equity Deep Dive）：从公开叙事到 DCF、可比公司与分析师共识的完整 Agent 工作流

【免费下载链接】google-researchGoogle Research项目地址: https://gitcode.com/gh_mirrors/go/google-research

导读

equity-deep-dive是 FinanceHarness 内置的五个 SKILL 之一，它把一次完整的单标的股权研究工作流编排成了可复现、可审计的 Agent 流程：先阅读公开信息建立"叙事"，再用基本面、健康指标、DCF 内在价值、可比公司交叉验证和分析师共识四类工具逐层"落地"每个结论。读完本文，你将掌握该 SKILL 的完整工作流（七步法）、其依赖的 9 个工具链及其底层实现位置，以及如何理解"工具数据、模型判断、结论可追溯"的设计原则，并可直接套用于 NVDA、AAPL 等任意单标的的深度研究任务。

SKILL 定位：一个"工具编排型"研究配方

FinanceHarness 是一个模型无关（model-agnostic）的金融深度研究 Agent，其核心思路是"web 研究（search → visit → cite）+ 股权研究切片（fundamentals、comps、DCF、WACC）"，入口为main.py（见 finance_harness/README.md）。

在 FinanceHarness 中，SKILL 是一个SKILL.md文件（YAML frontmatter + Markdown 正文），作用是编排既有工具，而非新增代码——把文件放进技能目录即被自动发现，无需任何代码改动（README 原文）。equity-deep-dive正是这一机制的典型样例，其定义文件位于：

• 技能本体：finance_harness/financeharness/skills/equity-deep-dive/SKILL.md

frontmatter 的解析逻辑在 finance_harness/financeharness/runtime/frontmatter.py：一个合法 SKILL.md 必须以---开头的 YAML 块开头，否则抛出FrontmatterError。equity-deep-dive的 frontmatter 声明了以下元数据：

同仓库下还提供ticker-snapshot、dcf-valuation、relative-valuation、consensus-check四个互补技能（位于 finance_harness/financeharness/skills/），其中equity-deep-dive是覆盖面最完整的一个。

七步工作流：从叙事到可审计结论

SKILL 正文定义的核心工作流共七步，构成一条严格的"先读后算、先内后外、先相对再共识"的研究链路：

第一步：读图景（Read the picture）——先建立叙事

使用search+visit阅读近期、权威的覆盖报道：最新业绩/指引（results/guidance）、战略（strategy）、多空辩论（bull vs bear）。关键纪律是每个定性论断都必须落地到一篇实际阅读过的页面——这一步框定了"数字必须解释什么"（this frames what the numbers must explain）。

第二步：锚定（Anchor）——身份与基本面

调用data_equity_reference获取身份/分类/市场快照，data_equity_fundamentals获取财务数据：

• reference（实现见 finance_harness/financeharness/tools/data/equity/reference.py）：输入仅需ticker（如NVDA、AAPL、005930.KS），返回 name、sector/industry、country、exchange、market cap、shares outstanding、beta、当前价、52 周高低、P/E（ttm/fwd），以及截断至 600 字符的longBusinessSummary。其中 beta 是后续 WACC 计算的直接输入。
• fundamentals（实现见 finance_harness/financeharness/tools/data/equity/fundamentals.py）：返回 TTM 收入、EBITDA、毛利/营业/净利率、FCF、经营现金流、现金/债务、ROE、增长、EPS，外加 4 年收入趋势（revenue / operating income / net income / EBITDA）。其结构化载荷{"ticker", "ttm", "income_trend"}是估值工具（如 DCF）的链接面（chaining surface）。

第三步：健康检查（Health）——财务健康指标

调用data_equity_ratios（实现见 finance_harness/financeharness/tools/data/equity/ratios.py），覆盖四组指标：

• 流动性：current ratio、quick ratio；
• 杠杆：debt/equity、net debt、net-debt/EBITDA（后两者为工具安全推导值，见_derive）；
• 回报：ROA、ROE；
• 倍数：P/E（trailing & forward）、EV/EBITDA、EV/revenue、P/S、PEG、股息率。

值得注意的实现细节：yfinance 把debtToEquity报告为百分比（168.6 → 1.69x），把dividendYield报告为百分数（2.99 → 0.0299），该工具统一做了归一化，保证渲染与下游链接时一致（ratios.py）。

第四步：内在价值（Intrinsic value）——DCF 与敏感性区间

这是全流程的数值核心，按固定顺序链接四个工具：

1. data_market_rates取无风险利率（risk-free rate）；
2. compute_valuation_wacc计算折现率；
3. 模型自行构造显式 FCF 时间表（explicit FCF schedule）；
4. compute_valuation_dcf折现出内在价值；
5. compute_valuation_dcf_sensitivity生成 bear/base/bull 区间。

WACC 工具的底层公式（finance_harness/financeharness/tools/compute/valuation/wacc.py）为：

Re = Rf + β·ERP # CAPM 股权成本 WACC = E/V·Re + D/V·Rd·(1−Tc) # 债务税后加权混合

其中权重由 D/E 推导：E/V = 1/(1+D/E)，D/V = D/E/(1+D/E)。该工具遵守all-or-none 校验：cost_of_debt、tax_rate、debt_to_equity三个债务参数要么全部提供（得到真正的 WACC 混合），要么全部不提供（仅 CAPM，WACC = Re），否则模型校验器直接抛错（wacc.py）。所有比率必须以小数传入（0.045而非4.5），β 可取自 reference 工具，无风险利率取自 market rates 工具。返回值包含cost_of_equity、wacc顶层字段以及implied_equity_risk_premium、wacc_premium_over_rf，便于链接与敏感性分析。

DCF 工具（finance_harness/financeharness/tools/compute/valuation/dcf.py）支持两种终值方法：gordon_growth（需terminal_growth_rate）与exit_multiple（需terminal_ebitda+terminal_ebitda_multiple）。输入fcf_schedule为显式期 FCF 平铺列表（1→N 年，美元），且是 chain-aware 的——可直接引用上一步工具的prev:链式结果。输出企业价值（EV）、股权价值（净债务后）、每股内在价值及完整的 PV 明细。工具本身只负责忠实折现所给时间表："Dollars in, dollars out"——选 WACC 折现 FCFF 时 net_debt 才有意义，选股权成本折现 FCFE 时 net_debt 设为 0。

第五步：相对交叉验证（Relative cross-check）——可比公司

调用data_equity_comps（finance_harness/financeharness/tools/data/equity/comps.py），对模型选择的同行组（peer group）取中位数倍数，套用到目标公司自身指标上，得到每个倍数（P/E、EV/EBITDA、EV/revenue、P/S）隐含的每股价值，并输出对当前价的区间。分工原则：模型选同行（它知道可比对象），工具忠实做算术。工具还会从已抓取的.info中附带各同行的市值、利润率、增长、ROE、杠杆，让可比报告可以用落地数据制表，而非凭先验知识即兴发挥。

关键追问：相对读数与 DCF 是否一致？若不一致，差异本身就是发现。

第六步：共识（Consensus）——分析师观点

调用data_equity_estimates（finance_harness/financeharness/tools/data/equity/estimates.py），获取：

• 分析师价格目标：current / mean / median / high / low；
• 分期的 EPS 与收入共识估计（本季/下季、本财年/下财年，含分析师数量与增长）；
• 最新 buy/hold/sell 推荐分布。

该工具的数据被明确标记为estimates，模型必须将其作为"共识预期"而非事实呈现。

第七步：综合（Synthesize）——形成观点

把定性叙事与三重视角（内在价值、相对价值、共识）整合成最终观点，必须明确陈述：折现率、关键假设、估值区间、主要风险。此步是 SKILL 反复强调的收敛点。

三条研究原则：可审计性的灵魂

SKILL 正文末尾的三条原则是全流程的纪律约束：

1. 先读后估（Read before you value）：web 步骤设定的叙事是数字必须支撑的；web 细节必须归属到阅读过的页面，未确认内容须明确标注"unconfirmed"。
2. 三角互证（Triangulate）：当 DCF、comps、consensus 互相矛盾时，矛盾本身即是发现——应把它浮出水面，而不是平均掉。这也是 SKILL 中"surface it rather than averaging it away"的原话含义。
3. 数字全部来自工具（Every figure from a tool）：让计算通过工具完成，保持精确与可审计；预测与分析师估计标注为"预期"而非"事实"；明确陈述终值（terminal value）承载了多少价值——这是 DCF 报告中最容易被忽视、也最需要披露的假设敏感点。

如何在 FinanceHarness 中运行该技能

equity-deep-dive本身是模型编排层的工作流，实际执行通过 FinanceHarness 主入口驱动。安装与运行方式（finance_harness/README.md）：

uv sync # 或: pip install -e . # 一次性研究——报告打印到 stdout，进度输出到 stderr python main.py -p "Estimate NVDA's intrinsic value with a DCF." python main.py -p "Apple's competitive position in 2026?" --mode research python main.py -p "..." --save run.json # 持久化完整轨迹 echo "What's AAPL's P/E?" | python main.py -p # 通过 stdin 管道传入问题

可用选项：--mode {auto|research|analytical}、--profile NAME、--reader NAME、--save PATH、--quiet。安装验证：python main.py --list打印可用 profiles。模型后端在configs/providers.json与financeharness/providers/中配置，通过环境变量设置 API key，或把 profile 指向任意 OpenAI 兼容端点。

技能的发现优先级为：内置financeharness/skills/→ 项目级./skills/→FH_SKILLS_DIR环境变量指定目录（README 原文）。若要在自己的目录中复用此工作流，可直接参考 SKILL.md 的 frontmatter 与正文结构，编写同名requires_tools清单并放入上述任一搜索路径。

工具依赖清单与仓库定位

SKILL 的requires_tools声明了 9 个工具，全部在仓库中有对应实现，可逐一深挖：

这些工具全部注册为tier="deferred"的ToolSpec，统一由 finance_harness/financeharness/runtime/tool_registry.py 管理；数据类工具底层走 yfinance 快照（PROVIDER定义于 tools/data/equity/common.py），计算类工具则为纯数学实现（pure-math），保证"数据与算术分离、每一步可复核"。

小结

equity-deep-dive是理解 FinanceHarness 技能体系的理想入口：它以一份 50 余行的 SKILL.md 定义了完整的单标的深度研究纪律——先读后估、三角互证、数字全部落地到工具——并把 9 个数据与计算工具串成一条可审计的估值流水线。无论你是要复现"NVDA 内在价值 DCF 估算"这类端到端任务，还是只想复用其中 WACC/DCF/sensitivity 的纯数学部分，都可以沿本文件给出的工具清单与实现路径直接深入。

【免费下载链接】google-researchGoogle Research项目地址: https://gitcode.com/gh_mirrors/go/google-research