A股企业护城河/竞争优势分析（Morningstar风格）

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 财务指标（多期，用于ROE/毛利率/ROIC趋势）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

# 实时行情（市值/PE/PB等）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]

# 同行业可比公司财务（用于市占率/盈利能力对比）
python "$SCRIPTS/cn_stock_data.py" finance --code [COMP1],[COMP2],[COMP3]

# 同行业可比公司行情
python "$SCRIPTS/cn_stock_data.py" quote --code [COMP1],[COMP2],[COMP3]

补充 web 搜索：行业竞争格局、市占率数据、品牌排名、产业链地位、专利/牌照信息、管理层战略。

Workflow (5 phases)

Phase 1: 识别商业模式与行业定位

1. Web 搜索：公司主营业务、收入结构、行业地位
2. 确定公司所属行业及细分赛道
3. 梳理商业模式：靠什么赚钱、价值链位置、客户/供应商集中度
4. 获取财务数据（多期）和行情数据

Phase 2: 评估五大护城河来源

逐一评估以下 5 个护城河来源（参照 references/competitive-moat-guide.md）：

1. 品牌/无形资产：品牌溢价能力、专利/牌照壁垒、定价权
2. 成本优势：规模降本、工艺领先、资源禀赋、区位优势
3. 网络效应：用户越多价值越大（平台型/生态型企业）
4. 转换成本：客户迁移的显性/隐性成本、客户粘性
5. 规模经济+政府特许：自然垄断、牌照准入、政策保护

每个来源给出：存在/不存在/部分存在 + 简要论据。

Phase 3: 量化验证护城河

用财务数据验证护城河的真实性和可持续性：

指标	护城河证据	计算方式
ROE	持续 >15%（近 5 年）	净利润/净资产
毛利率	稳定或上升趋势	毛利/营收
ROIC	持续 >WACC	(NOPAT)/(投入资本)
市占率	稳定或提升	Web 搜索行业数据
自由现金流	持续为正	经营现金流-资本开支
净利率	高于行业平均	净利润/营收

与可比公司对比，判断是否显著优于同行。

Phase 4: 护城河趋势判断

综合 Phase 2-3 结果，判断护城河趋势：

• 加宽（Widening）：竞争优势增强，市占率提升，盈利能力改善
• 稳定（Stable）：竞争优势保持，各指标平稳
• 收窄（Narrowing）：竞争优势减弱，新进入者/替代品威胁

关注可能破坏护城河的因素：技术变革、政策变化、消费者偏好转移、行业颠覆。

Phase 5: 输出护城河评级

根据用户指定的风格（formal 或 brief）生成报告。默认为 brief。

护城河评级：

• 宽护城河（Wide Moat）：3个及以上护城河来源 + ROE持续>15% + 市占率领先
• 窄护城河（Narrow Moat）：1-2个护城河来源 + ROE>10% + 具备一定竞争壁垒
• 无护城河（No Moat）：无明显竞争优势 + ROE低于行业平均 + 市场地位不稳

风格说明

维度	formal（研报风格）	brief（快速评估）
篇幅	5-10 页	1-2 页
商业模式	完整拆解（收入结构+产业链）	1 段概述
5大护城河	逐一详细分析+案例对比	汇总表+关键结论
量化验证	完整数据表+趋势分析+同行对比	核心指标表
趋势判断	多维度论证+情景分析	1 段结论
最终评级	评级+详细理由+风险提示	评级+一句话理由
免责声明	需要	不需要

关键规则

1. 护城河是定性+定量结合判断：不能只看财务数据，也不能只讲故事，必须两者相互印证
2. 关注护城河趋势而非静态：护城河会变化，重点分析趋势方向和驱动因素
3. 技术变革可能破坏护城河：尤其关注数字化/AI/新能源等对传统护城河的冲击
4. A股国企有政策护城河但也有效率约束：牌照/特许经营是护城河，但需考虑治理效率和市场化改革风险
5. 警惕伪护城河：低价不等于成本优势、规模大不等于规模经济、市占率高不等于有护城河
6. 数据驱动：所有判断必须有财务数据或行业数据支撑，不做无依据的定性评价
7. 数据截止标注：报告标注数据截止日期和报告生成日期

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json