← 返回
未分类

盈利预测

盈利预测(Earnings Forecast Comparison)深度对比不同券商对同一公司的盈利预测差异,帮助用户识别市场观点分化、发现乐观/悲观阵营、追踪券商预测变化方向。 核心功能包括:券商预测汇总、预测分歧分析、预测调整趋势追踪、券商准确度排名、业绩实现概率评估等。**触发词**:盈利预测分析、券商预测对比、预期分歧、预期修正、超预期概率、分析师预期、盈利预测汇总、一致预期对比。**案例提问**:"老凤祥 2026 年业绩超过券商预测的概率有多大"、"最近 3 个月券商是在上调还是下调老凤祥的盈利预测"。
盈利预测(Earnings Forecast Comparison)深度对比不同券商对同一公司的盈利预测差异,帮助用户识别市场观点分化、发现乐观/悲观阵营、追踪券商预测变化方向。 核心功能包括:券商预测汇总、预测分歧分析、预测调整趋势追踪、券商准确度排名、业绩实现概率评估等。**触发词**:盈利预测分析、券商预测对比、预期分歧、预期修正、超预期概率、分析师预期、盈利预测汇总、一致预期对比。**案例提问**:"老凤祥 2026 年业绩超过券商预测的概率有多大"、"最近 3 个月券商是在上调还是下调老凤祥的盈利预测"。
Gildata_JoshYE
未分类 community v1.0.0 1 版本 97777.8 Key: 无需
★ 0
Stars
📥 44
下载
💾 0
安装
1
版本
#latest

概述

盈利预测对比分析 (Earnings Forecast Comparison)

基于恒生聚源 MCP 一致预期明细数据,执行券商盈利预测对比分析。

功能范围

场景描述触发示例
----------------------
预测分歧分析对比不同券商预测差异,识别乐观/悲观阵营"分析老凤祥的券商预测,哪些券商最乐观"
预测调整追踪追踪近期券商预测上调/下调趋势"最近 3 个月券商是在上调还是下调老凤祥的预测"
业绩实现概率评估实际业绩超过券商预测的概率"老凤祥 2026 年业绩超过预测的概率有多大"
券商准确度回测各券商历史预测准确度排名"哪些券商的历史预测最靠谱"
隐含增长率反推当前股价隐含的增长预期"当前市值隐含了什么样的增长预期"

查询建议

必需输入目标公司名称

有效示例

  • "分析老凤祥的券商盈利预测,对比 10 家券商的预测差异"
  • "最近 3 个月券商是在上调还是下调老凤祥的盈利预测"
  • "老凤祥 2026 年业绩超过券商预测的概率有多大"
  • "哪些券商的历史盈利预测最准确,给它们排名"
  • "对比长江证券和中金公司对老凤祥的盈利预测差异"

可选参数

  • 预测年度:2026/2027/2028(默认:最新年度)
  • 券商范围:全部/前 10 家/指定券商(默认:全部)
  • 分析维度:营收/净利润/EPS(默认:净利润)

环境配置

⚠️ 首次使用前必须完成配置!

> 📖 详细配置指南:见 references/setup-guide.md


🔤 编码规范

本 skill 所有文件统一使用 UTF-8 with BOM 编码,确保:

  • ✅ Windows 记事本能正确显示中文(无乱码)
  • ✅ PowerShell/CMD 能正确读取中文
  • ✅ Python 脚本能正确处理中文

> 📖 详细编码标准:见 ENCODING.md

> 🧪 编码验证工具:运行 python scripts/test_encoding.py 测试编码配置


⚠️ 执行原则(必须遵守)

本文档及所有引用文档中描述的工作流程、约束、规范均为强制性要求,必须严格遵守。

原则说明
------------
流程不可跳过数据收集 → 数据处理 → 可视化生成 → 报告组装,每个阶段必须按顺序执行
文档必须遵循references/ 目录下的所有文档(工作流、模板、规范)与主文档具有同等约束力
约束不可违反「限制与规范」章节中的所有约束(C01-C07)为红线要求,违反将导致报告无效
脚本必须调用所有可视化和 PDF 生成必须调用预置脚本,禁止手动编写或跳过

> 📖 完整约束清单:见 限制与规范 章节

> 📖 详细工作流:见 references/data-collection-workflow.md


核心工作流程

阶段一:数据收集

目标:获取一致预期汇总数据 + 券商明细数据

数据内容

  • 一致预期汇总(ConsensusExpectation)— 中位数、均值、P25/P75
  • 一致预期明细(ConsensusExpectationDetail)— 每家券商的独立预测
  • 历史业绩实际值 — 用于回测券商准确度
  • 近期研报摘要 — 用于定性分析关键假设

> 📖 数据收集完整工作流:严格遵循 references/data-collection-workflow.md

阶段一输出(存于 reports/tmp_*/ 目录):

reports/tmp_YYYYMMDD_HHMMSS/
├── raw_consensus_summary.json       # 一致预期汇总原始数据
├── raw_broker_forecasts.json        # 券商预测明细原始数据
├── raw_historical_financials.json   # 历史财务数据原始数据
├── raw_stock_price.json             # 股价原始数据
└── raw_company_info.json            # 公司基本信息原始数据

阶段二:数据处理与可视化

目标:处理原始数据 + 生成可视化图表

流程

  1. 运行 process_data.py → 生成可视化 JSON
  2. LLM 自动增量写入 → 填充 revision_trendbeat_probability 等字段(无需手动执行)
  3. 调用 4 个可视化脚本 → 生成 HTML 图表

> 📖 详细流程:见 references/data-collection-workflow.md 的 Phase 2-3

阶段二输出(存于 reports/tmp_*/ 目录):

资源清单

jy-earnings-forecast-comparison/
├── SKILL.md                         # 主文件
├── scripts/                         # 脚本目录
│   ├── save_raw_json.py              # 数据处理(JSON转义错误)
│   ├── process_data.py              # 数据处理(API 原始数据 → 可视化 JSON)
│   ├── generate_dashboard.py        # 高管摘要仪表板生成
│   ├── generate_forecast_distribution.py  # 预测分布直方图生成
│   ├── generate_heatmap.py          # 券商预测热力图生成
│   ├── generate_revision_trend.py   # 预期修正趋势图生成
│   └── md2pdf.py                    # PDF 转换
├── references/                      # 详细文档目录
│   ├── setup-guide.md               # 配置指南
│   ├── data-collection-workflow.md  # 数据收集工作流
│   ├── report-template.md           # 报告模板
│   ├── visualization-dataflow.md    # 可视化数据流设计
│   └── design-decisions.md          # 设计决策说明
└── reports/                         # 输出目录(首次调用skill时自动创建)

> 📖 设计决策说明:详见 references/design-decisions.md


限制与规范

⛔ 执行约束(强制执行)

> 违反以下约束将导致报告无效!

编号约束理由
:----:------------
C01必须调用 4 个可视化脚本生成独立 HTML 文件确保图表可维护、可复用、可调试
C02禁止在 scripts/ 目录外新建任何 .py 文件避免代码分散和临时文件污染
C03必须使用