A股业绩前瞻 (A-Share Earnings Preview)

数据源

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

# 历史财务指标（分析趋势）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

# 最新行情（当前估值水平）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]

# 近 6 个月 K 线（股价已 price-in 多少预期）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [6个月前日期]

# 资金流向（机构是否提前布局）
python "$SCRIPTS/cn_stock_data.py" fund_flow --code [CODE] --days 30

补充：通过 web 搜索获取：

• 市场一致预期（券商预测均值）
• 业绩预告/快报（如已发布）
• 同行业已发布财报的参考信号
• 公司近期公告、调研纪要

Workflow

Step 1: 背景梳理

1. 确认即将发布的报告期（Q1/半年报/Q3/年报）
2. 通过 cn-stock-data 获取过去 4-8 个季度的财务数据，建立趋势基线
3. Web 搜索：
   • 是否已发布业绩预告/快报？（有则直接用预告数据）
   • 市场一致预期（Wind/东方财富/券商研报的营收/净利润预测）
   • 同行业已公布业绩的公司表现（作为参考信号）
   • 公司近期重大事件（收购/产能投放/政策影响）

Step 2: 关键指标框架

财务指标预期（基于历史趋势 + 市场预期）：

指标	上季度实际	去年同期	市场预期	个人预判
营业收入(亿)
同比增速(%)
归母净利润(亿)
同比增速(%)
毛利率(%)
净利率(%)

行业特定运营指标（通过 web 搜索获取）：

• 白酒：批价走势、渠道库存、预收款
• 银行：净息差趋势、不良率、拨备覆盖率
• 科技：订单/合同额、研发进度
• 新能源：出货量、价格趋势、产能利用率
• 消费：同店增长、线上占比、库存
• 医药：管线进度、集采影响、销售额
• 地产：销售面积/金额、回款率、新开工

Step 3: 情景分析

构建三种情景：

	牛市情景(Bull)	基准情景(Base)	熊市情景(Bear)
营收
净利润
关键驱动	[什么因素超预期]	[符合市场预期]	[什么因素低于预期]
概率	XX%	XX%	XX%
股价反应	+X% to +X%	-X% to +X%	-X% to -X%

每个情景的逻辑必须自洽，概率合计 = 100%

Step 4: 催化剂检查清单

列出决定股价反应的 3-5 个关键观察点：

1. [指标1]：预期 XX，若超过/低于 XX 则表明...
2. [指标2]：...
3. [管理层指引]：关注前瞻指引的措辞变化
4. [特定事件]：...

Step 5: 输出

根据用户需求选择 formal 或 brief 风格，参考 references/preview-template.md 中的模板。

风格说明

维度	formal（机构前瞻）	brief（个人预判）
篇幅	2-3 页	半页
历史趋势	4-8 季度完整表格	简述趋势方向
情景分析	完整三情景 + 概率 + 股价反应估计	简化版（重点写偏离预期的情景）
运营指标	行业特定的 3-5 个	1-2 个最关键的
催化剂	完整检查清单	1-2 个最重要观察点
交易建议	不给（只分析）	可加个人操作思路
免责声明	需要	不需要

A 股财报日历特殊性

• 年报: 次年 1-4 月披露（4/30 截止）
• Q1 季报: 4/30 前披露
• 半年报: 7-8 月披露（8/31 截止）
• Q3 季报: 10/31 前披露
• 业绩预告: 通常提前 1-2 个月，创业板强制预告
• 业绩快报: 部分公司在正式报告前发布简要数据

关键规则

1. 区分预告和预测：如果公司已发布业绩预告/快报，那是"已知信息"而非预测；真正的前瞻是分析正式报告可能的超预期/低于预期之处
2. 预期差是核心：股价反应取决于实际 vs 预期的差值，而非绝对好坏
3. 避免过度精确：给出合理区间比精确数字更诚实
4. 季节性调整：注意 A 股的季度盈利不均匀分布（Q4 常有减值/一次性项目）
5. 同比 vs 环比：高基数/低基数效应会扭曲同比增速，环比更能反映边际变化
6. 与 a-share-earnings-analysis 联动：前瞻报告发布后，实际财报出来时用 a-share-earnings-analysis 做验证

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