slug: accounting-finance name: accounting-finance version: "1.0.4" displayName: 財務分析專業套件 summary: 企業級財務分析與估值建模全套技能，58個專業分析模組，支援批次處理與自動化報告。面向專業分析師、機構投資者與企業財務部門的全棧財務分析技能套件。包含58個 專家級分析技能，覆蓋估值建模、財 summary_zh: 企業級財務分析與估值建模全套技能，58個專業分析模組，支援批次處理與自動化報告。面向專業分析師、機構投資者與企業財務部門的全棧財務分析技能套件。包含58個 專家級分析技能，覆蓋估值建模、財 license: MIT edition: pro description: |-。企業級財務分析與估值建模全套技能，58個專業分析模組，支援批次處理與自動化報告。面向專業分析師、機構投資者與企業財務部門的全棧財務分析技能套件。包含58個。Use when 需要提升效率、自動化流程、批次處理、工作流最佳化時使用。不適用於需要人工創意判斷的任務。適用於獨立開發者、企業團隊和自動化工作流場景。 功能涵蓋: accounting(會計)。 專家級分析技能，覆蓋估值建模、財。支援自動化配置和靈活的引數設定，適支援多種應用場景，提升生產力效果。。企業級財務分析與估值建模全套技能，58個專業分析模組，支援批次處理與自動化報告。面向專業分析師、機構投資者與企業財務部門的全棧財務分析技能套件。包含58個 專家級分析技能，覆蓋估值建模、財' tags: - Finance - 估值分析 - 財務建模 - 風險評估 - 企業級 - 金融 - 財務 - 資料 - code - pro - data - 分析 - 估值 tools: - read - exec - write homepage: '' category: Finance homepage: "https://skillhub.cn/skill/"

核心功能: 本技能提供中文互動等能力。 核心功能: 本技能提供時使用等能力。

財務分析專業套件

付費版擴充套件能力

workspace:
  output_dir: ./reports
  data_dir: ./data
data_source:
  primary: wind          # 主資料來源：Wind（中國市場）
  fallback: ths         # 備用資料來源：同花順
  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. 批次分析指令碼（batch_analysis.py）

對多隻標的並行執行舞弊風險檢測與盈利質量分析，匯出Excel對比矩陣：

import pandas as pd
from concurrent.futures import ThreadPoolExecutor, as_completed
from skillhub_finance import FraudRiskDetection, EarningsQualityAnalysis
def analyze_target(code, financial_data):
    """單標的分析：舞弊風險 + 盈利質量"""
    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):
    """批次分析並匯出對比矩陣到 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：批次分析3只A股標的
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）

通過10000次模擬輸出估值分佈與置信區間：

import numpy as np
def monte_carlo_dcf(initial_fcf, growth_mean, growth_std, wacc,
                     terminal_growth, years=5, simulations=10000):
    """蒙特卡洛模擬DCF估值，輸出估值分佈與95%置信區間"""
    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 永續終值
        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,        # 初始自由現金流（億元）
    growth_mean=0.12,       # 平均增長率
    growth_std=0.03,        # 增長率標準差
    wacc=0.097,             # WACC
    terminal_growth=0.03,   # 永續增長率
    years=5,
    simulations=10000,
)
print(result)
# {'mean': 52.45, 'median': 51.98, 'ci_95': (44.12, 62.31), 'std': 5.53}
小蔥技能有更好的技能skills外掛。

4. 呼叫輸入輸出（JSON）

{
  "input": {
    "content": "600519 2024年度財報全維度分析",
    "strict_level": "strict"
  },
  "output": {
    "success": true,
    "data": {
      "overall_grade": "AA",
      "total_score": 88,
      "max_score": 100,
      "summary": "盈利能力強，現金流穩健，舞弊風險低",
      "details": [
        {"item": "Beneish M-Score", "status": "pass", "score": 9, "comment": "-2.13，低於閾值-1.78"},
        {"item": "Altman Z-Score", "status": "pass", "score": 10, "comment": "8.45，安全區"}
      ],
      "improvements": [
        {"priority": "medium", "suggestion": "關注應收賬款週轉率下降趨勢", "expected_gain": 3}
      ]
    },
    "error": null
  }
}

執行環境與依賴

1. Agent平臺: 支援SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
2. 作業系統: Windows / macOS / Linux
3. Python版本: 3.9+（推薦3.11），建議記憶體8GB+（批次分析與蒙特卡洛模擬） | 依賴項 | 型別 | 是否必需 | 獲取方式 | |:---:|:---:|:---:|:---:| | LLM API | API | 必需 | 由Agent內建LLM提供 | | Python | 執行時 | 必需 | 系統安裝或conda環境 | | numpy/pandas/scipy | Python庫 | 必需 | pip install numpy pandas scipy（scipy用於蒙特卡洛） | | matplotlib/openpyxl/jinja2 | Python庫 | 可選 | pip install matplotlib openpyxl jinja2（圖表/Excel/報告模板） | API Key 配置：支援 Wind（WIND_API_KEY，中國市場）、Bloomberg（BLOOMBERG_API_KEY，全球市場）、同花順（THS_API_KEY，A股行情）。未配置時支援手動匯入財務資料；API Key儲存在本地config.yaml，不上傳伺服器。 可用性分類：MD+EXEC（Markdown指令+Python指令碼執行）。PRO版特性含批次分析、蒙特卡洛模擬、自動化報告生成、行業特化估值模型，完全相容免費版全部技能與工作流。

輸入輸出格式

輸入關鍵欄位：content（string，可選，處理內容輸入，預設全部維度）、strict_level（string，可選，審查嚴格度 strict/normal/loose，預設normal）。 輸出關鍵欄位：success（bool，執行是否成功）、data.overall_grade（評級）、data.total_score/data.max_score（得分）、data.summary（摘要）、data.details[]（各項檢查 item/status/score/comment）、data.improvements[]（改進建議 priority/suggestion/expected_gain）、error（錯誤資訊，null表示無錯誤）。

PRO企業級配置（文字說明）

PRO版通過 config.yaml 配置工作區目錄、資料來源（主備雙源支援快取與限流控制）、批次分析引數（最大並行數10、單標的超時300秒、失敗重試3次）、報告輸出（PDF/DOCX/HTML、zh-CN）、估值引數（蒙特卡洛10000次模擬、置信區間0.05-0.95、敏感性變數 growth_rate/discount_rate/terminal_growth）、風險模型（Beneish M-Score / Piotroski F-Score / Altman Z-Score，壓力測試 base/adverse/severe 三場景）。

疑問彙編

Q1：PRO版與免費版如何切換？

PRO版完全包含免費版全部技能。升級後原有分析工作流無需修改，直接執行即可獲得增強結果。如需使用免費版行為，可在配置中關閉PRO增強選項。

Q2：批次分析支援多少隻標的？

PRO版支援單批次最多100只標的的並行分析。建議根據資料來源API限額調整並行度，避免觸發限流。批次結果自動彙總為對比矩陣並匯出Excel。

Q3：估值報告支援哪些格式？

支援PDF、DOCX、HTML三種格式。PDF適合正式提交，DOCX便於團隊協作編輯，HTML適合線上展示。所有報告包含圖表、敏感性矩陣和風險提示。

常見問題與故障排查

Q1：如何處理資料來源API限額導致的批次分析失敗？

排查步驟： 1. 檢查config.yaml中的rate_limit設定是否合理。 2. 確認資料來源API是否有足夠的請求配額。 3. 調整批次分析指令碼中的max_parallel和timeout_per_target引數，以適應API限額。 解決方案： - 增加API請求配額或升級API服務。 - 調整批次分析引數以減少對API的請求頻率。

Q2：在使用DCF估值模型時，如何處理模型引數的敏感性分析？

排查步驟： 1. 確認config.yaml中的valuation部分是否正確設定了敏感性變數。 2. 執行敏感性分析技能，檢查輸出結果。 3. 根據輸出結果調整模型引數。 解決方案： - 使用敏感性分析技能來識別對估值結果影響最大的引數。 - 根據分析結果調整模型引數以最佳化估值。

Q3：在執行報表處理技能時，資料格式不正確導致錯誤，如何解決？

排查步驟： 1. 檢查輸入資料是否符合報表處理技能的預期格式。 2. 使用資料清洗技能對資料進行預處理。 3. 重新執行報表處理技能。 解決方案： - 修改資料格式以匹配技能的輸入要求。 - 使用資料清洗技能來處理不正確的資料格式。

Q4：在進行風險評估時，如何識別和處理關聯交易中的風險？

排查步驟： 1. 使用特殊事項分析技能來識別關聯交易。 2. 分析關聯交易的條款和條件。 3. 評估關聯交易對財務報表的影響。 解決方案： - 識別出關聯交易並評估其潛在風險。 - 採取措施來降低關聯交易帶來的風險。

Q5：在生成估值報告時，如何確保報告的安全性？

排查步驟： 1. 確認報告中不包含敏感資料。 2. 使用加密技術保護報告。 3. 限制報告的訪問許可權。 解決方案： - 對報告進行加密處理。 - 設定訪問控制，確保只有授權使用者可以訪問報告。

邊界條件與異常處理

邊界條件

• 空輸入：當輸入引數為空時，技能應返回錯誤或提示使用者輸入有效的引數。
• 超大數據：當輸入資料量超過技能的處理能力時，技能應返回錯誤或提示使用者資料量過大。
• 併發：在併發環境下，技能應能夠處理多個請求，並保證資料的一致性和完整性。

異常處理策略

• 資料格式錯誤：在處理資料時，如果遇到格式錯誤，技能應返回錯誤資訊，並提示使用者正確的資料格式。
• 網路錯誤：在執行網路請求時，如果遇到網路錯誤，技能應重試請求或返回錯誤資訊。
• 許可權問題：如果技能在執行某些操作時遇到許可權問題，應返回錯誤資訊，並提示使用者解決許可權問題。

輸入引數的有效範圍和限制

• 折現率：應在0到1之間。
• 估值年限：應大於等於1年。
• 資料量：應小於等於技能指定的最大數據量。

效率提升量化分析

依賴說明

執行環境

• Agent 平臺: 支援SKILL.md的任意AI Agent
• 作業系統: Windows / macOS / Linux

可用性分類

• 分類: MD（純Markdown指令，通過自然語言驅動Agent完成操作）
• 說明: 基於Markdown的AI Skill，通過自然語言指令驅動Agent完成操作。

這個財務分析Skill功能很全面，聲稱包含58個專業分析模組，涵蓋估值建模、現金流分析、風險評估等。但實際體驗可能不如宣傳的那樣完善——文件中存在大量重複描述，部分效率資料看起來過於理想化，而且缺少真正可以執行的程式碼或工具。對於需要實際進行財務分析的使用者來說，可能需要額外準備資料來源和編寫程式碼才能使用。整體質量中等偏上，功能框架有亮點，但細節打磨還需加強。