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.mdfrontmatter 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 声明了以下元数据字段值作用nameequity-deep-dive技能唯一标识供load_skill检索description单标的深度研究完整描述供模型判断何时该调用本技能tags[equity, deep-dive, valuation, dcf, comps, consensus]技能分类与检索标签requires_tools9 个工具名见下节声明技能运行所需的全部工具运行前校验依赖同仓库下还提供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searchvisit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/Ettm/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/Etrailing 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data_market_rates取无风险利率risk-free ratecompute_valuation_wacc计算折现率模型自行构造显式 FCF 时间表explicit FCF schedulecompute_valuation_dcf折现出内在价值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/(1D/E)D/V D/E/(1D/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 CAPMWACC 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4.5β 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_ebitdaterminal_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_compsfinance_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_estimatesfinance_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先读后估Read before you valueweb 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。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。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.mduv 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 NVDAs intrinsic value with a DCF. python main.py -p Apples competitive position in 2026? --mode research python main.py -p ... --save run.json # 持久化完整轨迹 echo Whats AAPLs 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SKILL 中声明实现文件输入要点data_equity_referencetools/data/equity/reference.pytickerdata_equity_fundamentalstools/data/equity/fundamentals.pytickerdata_equity_ratiostools/data/equity/ratios.pytickerdata_market_ratestools/data/market/无风险利率compute_valuation_wacctools/compute/valuation/wacc.pyRf、ERP、β债务三元组可选compute_valuation_dcftools/compute/valuation/dcf.pyFCF schedule、折现率、终值方法compute_valuation_dcf_sensitivitytools/compute/valuation/dcf_sensitivity.py在 DCF 基础上做区间扫描data_equity_compstools/data/equity/comps.py目标 ticker 同行组data_equity_estimatestools/data/equity/estimates.pyticker分析师共识这些工具全部注册为tierdeferred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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 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
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.mdfrontmatter 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 声明了以下元数据字段值作用nameequity-deep-dive技能唯一标识供load_skill检索description单标的深度研究完整描述供模型判断何时该调用本技能tags[equity, deep-dive, valuation, dcf, comps, consensus]技能分类与检索标签requires_tools9 个工具名见下节声明技能运行所需的全部工具运行前校验依赖同仓库下还提供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searchvisit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/Ettm/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/Etrailing 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data_market_rates取无风险利率risk-free ratecompute_valuation_wacc计算折现率模型自行构造显式 FCF 时间表explicit FCF schedulecompute_valuation_dcf折现出内在价值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/(1D/E)D/V D/E/(1D/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 CAPMWACC 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4.5β 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_ebitdaterminal_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_compsfinance_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_estimatesfinance_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先读后估Read before you valueweb 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。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。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.mduv 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 NVDAs intrinsic value with a DCF. python main.py -p Apples competitive position in 2026? --mode research python main.py -p ... --save run.json # 持久化完整轨迹 echo Whats AAPLs 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SKILL 中声明实现文件输入要点data_equity_referencetools/data/equity/reference.pytickerdata_equity_fundamentalstools/data/equity/fundamentals.pytickerdata_equity_ratiostools/data/equity/ratios.pytickerdata_market_ratestools/data/market/无风险利率compute_valuation_wacctools/compute/valuation/wacc.pyRf、ERP、β债务三元组可选compute_valuation_dcftools/compute/valuation/dcf.pyFCF schedule、折现率、终值方法compute_valuation_dcf_sensitivitytools/compute/valuation/dcf_sensitivity.py在 DCF 基础上做区间扫描data_equity_compstools/data/equity/comps.py目标 ticker 同行组data_equity_estimatestools/data/equity/estimates.pyticker分析师共识这些工具全部注册为tierdeferred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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考