slug: accounting-finance name: accounting-finance version: "1.0.4" displayName: 财务分析专业套件 summary: 企业级财务分析与估值建模全套技能，58个专业分析模块，支持批量处理与自动化报告。面向专业分析师、机构投资者与企业财务部门的全栈财务分析技能套件。包含58个 专家级分析技能，覆盖估值建模、财 summary_zh: 企业级财务分析与估值建模全套技能，58个专业分析模块，支持批量处理与自动化报告。面向专业分析师、机构投资者与企业财务部门的全栈财务分析技能套件。包含58个 专家级分析技能，覆盖估值建模、财 license: MIT edition: pro description: |-。企业级财务分析与估值建模全套技能，58个专业分析模块，支持批量处理与自动化报告。面向专业分析师、机构投资者与企业财务部门的全栈财务分析技能套件。包含58个。Use when 需要提升效率、自动化流程、批量处理、工作流优化时使用。不适用于需要人工创意判断的任务。适用于独立开发者、企业团队和自动化工作流场景。 功能涵盖: accounting(会计)。 专家级分析技能，覆盖估值建模、财。支持自动化配置和灵活的参数设置，适支持多种应用场景，提升生产力效果。。企业级财务分析与估值建模全套技能，58个专业分析模块，支持批量处理与自动化报告。面向专业分析师、机构投资者与企业财务部门的全栈财务分析技能套件。包含58个 专家级分析技能，覆盖估值建模、财' tags: - Finance - 估值分析 - 财务建模 - 风险评估 - 企业级 - 金融 - 财务 - 数据 - code - pro - data - 分析 - 估值 tools: - read - exec - write homepage: '' category: Finance homepage: "https://skillhub.cn/skill/"

核心功能: 本技能提供中文交互等能力。 核心功能: 本技能提供时使用等能力。

财务分析专业套件

付费版扩展能力

workspace:
  output_dir: ./reports
  data_dir: ./data
data_source:
  primary: wind          # 主数据源：Wind（中国市场）
  fallback: ths         # 备用数据源：同花顺
  cache_enabled: true
  rate_limit:
    requests_per_minute: 30
batch_analysis:
  max_parallel: 10
  timeout_per_target: 300
  retry_count: 3
valuation:
  monte_carlo_simulations: 10000
  confidence_interval: [0.05, 0.95]
  sensitivity_variables:
    - growth_rate
    - discount_rate
    - terminal_growth
risk_models:
  beneish_m_score: true
  piotroski_f_score: true
  altman_z_score: true
  stress_test_scenarios: [base, adverse, severe]
report:
  format: [pdf, docx, html]
  language: zh-CN

2. 批量分析脚本（batch_analysis.py）

对多只标的并行执行舞弊风险检测与盈利质量分析，导出Excel对比矩阵：

import pandas as pd
from concurrent.futures import ThreadPoolExecutor, as_completed
from skillhub_finance import FraudRiskDetection, EarningsQualityAnalysis
def analyze_target(code, financial_data):
    """单标的分析：舞弊风险 + 盈利质量"""
    fraud = FraudRiskDetection(strict_level="normal").run(financial_data)
    quality = EarningsQualityAnalysis().run(financial_data)
    return {
        "code": code,
        "beneish_m_score": fraud.data["m_score"],
        "fraud_risk": fraud.data["risk_level"],
        "earnings_quality_grade": quality.data["overall_grade"],
        "earnings_quality_score": quality.data["total_score"],
    }
def batch_analyze(targets, max_workers=10):
    """批量分析并导出对比矩阵到 Excel"""
    results = []
    with ThreadPoolExecutor(max_workers=max_workers) as pool:
        futures = {
            pool.submit(analyze_target, code, data): code
            for code, data in targets.items()
        }
        for future in as_completed(futures):
            try:
                results.append(future.result())
            except Exception as e:
append({"code": futures[future], "error": str(e)})
    df = pd.DataFrame(results)
    df.to_excel("./reports/batch_analysis_matrix.xlsx", index=False)
    return df
# 示例：批量分析3只A股标的
targets = {
    "600519": load_financials("600519"),
    "000858": load_financials("000858"),
    "002714": load_financials("002714"),
}
matrix = batch_analyze(targets, max_workers=5)
print(matrix[["code", "beneish_m_score", "fraud_risk", "earnings_quality_grade"]])

3. 蒙特卡洛DCF估值（Python + scipy）

通过10000次模拟输出估值分布与置信区间：

import numpy as np
def monte_carlo_dcf(initial_fcf, growth_mean, growth_std, wacc,
                     terminal_growth, years=5, simulations=10000):
    """蒙特卡洛模拟DCF估值，输出估值分布与95%置信区间"""
    np.random.seed(42)
    values = []
    for _ in range(simulations):
        fcf = initial_fcf
        discounted = 0.0
        for t in range(1, years + 1):
            growth = np.random.normal(growth_mean, growth_std)
            fcf = fcf * (1 + growth)
            discounted += fcf / ((1 + wacc) ** t)
        # Gordon 永续终值
        terminal_fcf = fcf * (1 + terminal_growth)
        terminal_value = terminal_fcf / (wacc - terminal_growth)
        discounted += terminal_value / ((1 + wacc) ** years)
        values.append(discounted)
    arr = np.array(values)
    return {
        "mean": round(arr.mean(), 2),
        "median": round(np.median(arr), 2),
        "ci_95": (round(np.percentile(arr, 5), 2),
                  round(np.percentile(arr, 95), 2)),
        "std": round(arr.std(), 2),
    }
# 示例：某科技公司蒙特卡洛估值
result = monte_carlo_dcf(
    initial_fcf=2.9,        # 初始自由现金流（亿元）
    growth_mean=0.12,       # 平均增长率
    growth_std=0.03,        # 增长率标准差
    wacc=0.097,             # WACC
    terminal_growth=0.03,   # 永续增长率
    years=5,
    simulations=10000,
)
print(result)
# {'mean': 52.45, 'median': 51.98, 'ci_95': (44.12, 62.31), 'std': 5.53}

4. 调用输入输出（JSON）

{
  "input": {
    "content": "600519 2024年度财报全维度分析",
    "strict_level": "strict"
  },
  "output": {
    "success": true,
    "data": {
      "overall_grade": "AA",
      "total_score": 88,
      "max_score": 100,
      "summary": "盈利能力强，现金流稳健，舞弊风险低",
      "details": [
        {"item": "Beneish M-Score", "status": "pass", "score": 9, "comment": "-2.13，低于阈值-1.78"},
        {"item": "Altman Z-Score", "status": "pass", "score": 10, "comment": "8.45，安全区"}
      ],
      "improvements": [
        {"priority": "medium", "suggestion": "关注应收账款周转率下降趋势", "expected_gain": 3}
      ]
    },
    "error": null
  }
}

运行环境与依赖

1. Agent平台: 支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
2. 操作系统: Windows / macOS / Linux
3. Python版本: 3.9+（推荐3.11），建议内存8GB+（批量分析与蒙特卡洛模拟） | 依赖项 | 类型 | 是否必需 | 获取方式 | |:---:|:---:|:---:|:---:| | LLM API | API | 必需 | 由Agent内置LLM提供 | | Python | 运行时 | 必需 | 系统安装或conda环境 | | numpy/pandas/scipy | Python库 | 必需 | pip install numpy pandas scipy（scipy用于蒙特卡洛） | | matplotlib/openpyxl/jinja2 | Python库 | 可选 | pip install matplotlib openpyxl jinja2（图表/Excel/报告模板） | API Key 配置：支持 Wind（WIND_API_KEY，中国市场）、Bloomberg（BLOOMBERG_API_KEY，全球市场）、同花顺（THS_API_KEY，A股行情）。未配置时支持手动导入财务数据；API Key存储在本地config.yaml，不上传服务器。 可用性分类：MD+EXEC（Markdown指令+Python脚本执行）。PRO版特性含批量分析、蒙特卡洛模拟、自动化报告生成、行业特化估值模型，完全兼容免费版全部技能与工作流。

输入输出格式

输入关键字段：content（string，可选，处理内容输入，默认全部维度）、strict_level（string，可选，审查严格度 strict/normal/loose，默认normal）。 输出关键字段：success（bool，执行是否成功）、data.overall_grade（评级）、data.total_score/data.max_score（得分）、data.summary（摘要）、data.details[]（各项检查 item/status/score/comment）、data.improvements[]（改进建议 priority/suggestion/expected_gain）、error（错误信息，null表示无错误）。

PRO企业级配置（文字说明）

PRO版通过 config.yaml 配置工作区目录、数据源（主备双源支持缓存与限流控制）、批量分析参数（最大并行数10、单标的超时300秒、失败重试3次）、报告输出（PDF/DOCX/HTML、zh-CN）、估值参数（蒙特卡洛10000次模拟、置信区间0.05-0.95、敏感性变量 growth_rate/discount_rate/terminal_growth）、风险模型（Beneish M-Score / Piotroski F-Score / Altman Z-Score，压力测试 base/adverse/severe 三场景）。

疑问汇编

Q1：PRO版与免费版如何切换？

PRO版完全包含免费版全部技能。升级后原有分析工作流无需修改，直接运行即可获得增强结果。如需使用免费版行为，可在配置中关闭PRO增强选项。

Q2：批量分析支持多少只标的？

PRO版支持单批次最多100只标的的并行分析。建议根据数据源API限额调整并行度，避免触发限流。批量结果自动汇总为对比矩阵并导出Excel。

Q3：估值报告支持哪些格式？

支持PDF、DOCX、HTML三种格式。PDF适合正式提交，DOCX便于团队协作编辑，HTML适合在线展示。所有报告包含图表、敏感性矩阵和风险提示。

常见问题与故障排查

Q1：如何处理数据源API限额导致的批量分析失败？

排查步骤： 1. 检查config.yaml中的rate_limit设置是否合理。 2. 确认数据源API是否有足够的请求配额。 3. 调整批量分析脚本中的max_parallel和timeout_per_target参数，以适应API限额。 解决方案： - 增加API请求配额或升级API服务。 - 调整批量分析参数以减少对API的请求频率。

Q2：在使用DCF估值模型时，如何处理模型参数的敏感性分析？

排查步骤： 1. 确认config.yaml中的valuation部分是否正确设置了敏感性变量。 2. 运行敏感性分析技能，检查输出结果。 3. 根据输出结果调整模型参数。 解决方案： - 使用敏感性分析技能来识别对估值结果影响最大的参数。 - 根据分析结果调整模型参数以优化估值。

Q3：在执行报表处理技能时，数据格式不正确导致错误，如何解决？

排查步骤： 1. 检查输入数据是否符合报表处理技能的预期格式。 2. 使用数据清洗技能对数据进行预处理。 3. 重新执行报表处理技能。 解决方案： - 修改数据格式以匹配技能的输入要求。 - 使用数据清洗技能来处理不正确的数据格式。

Q4：在进行风险评估时，如何识别和处理关联交易中的风险？

排查步骤： 1. 使用特殊事项分析技能来识别关联交易。 2. 分析关联交易的条款和条件。 3. 评估关联交易对财务报表的影响。 解决方案： - 识别出关联交易并评估其潜在风险。 - 采取措施来降低关联交易带来的风险。

Q5：在生成估值报告时，如何确保报告的安全性？

排查步骤： 1. 确认报告中不包含敏感数据。 2. 使用加密技术保护报告。 3. 限制报告的访问权限。 解决方案： - 对报告进行加密处理。 - 设置访问控制，确保只有授权用户可以访问报告。

边界条件与异常处理

边界条件

• 空输入：当输入参数为空时，技能应返回错误或提示用户输入有效的参数。
• 超大数据：当输入数据量超过技能的处理能力时，技能应返回错误或提示用户数据量过大。
• 并发：在并发环境下，技能应能够处理多个请求，并保证数据的一致性和完整性。

异常处理策略

• 数据格式错误：在处理数据时，如果遇到格式错误，技能应返回错误信息，并提示用户正确的数据格式。
• 网络错误：在执行网络请求时，如果遇到网络错误，技能应重试请求或返回错误信息。
• 权限问题：如果技能在执行某些操作时遇到权限问题，应返回错误信息，并提示用户解决权限问题。

输入参数的有效范围和限制

• 折现率：应在0到1之间。
• 估值年限：应大于等于1年。
• 数据量：应小于等于技能指定的最大数据量。

效率提升量化分析

依赖说明

运行环境

• Agent 平台: 支持SKILL.md的任意AI Agent
• 操作系统: Windows / macOS / Linux

可用性分类

推荐访问7w4.net获取更多AI技能。

• 分类: MD（纯Markdown指令，通过自然语言驱动Agent完成操作）
• 说明: 基于Markdown的AI Skill，通过自然语言指令驱动Agent完成操作。

这个财务分析Skill功能很全面，声称包含58个专业分析模块，涵盖估值建模、现金流分析、风险评估等。但实际体验可能不如宣传的那样完善——文档中存在大量重复描述，部分效率数据看起来过于理想化，而且缺少真正可以运行的代码或工具。对于需要实际进行财务分析的用户来说，可能需要额外准备数据源和编写代码才能使用。整体质量中等偏上，功能框架有亮点，但细节打磨还需加强。