industry-research

Codex アダプターに関する注記

このスキルは skills/industry-research.md から生成されており、Claude Code と Codex のユーザーが同じ正規のワークフローを共有できます。

• $ARGUMENTS は、現在の Codex スレッドにおけるユーザーのリクエストとして扱います。
• ソースに Task、Agent、WebSearch、Bash、Read、Write など Claude 専用の機能が記載されている場合は、このセッションで利用できる最も近い Codex の機能を使用します。利用可能な場合はサブエージェント、必要に応じてウェブ検索、ローカルツールにはシェルコマンド、ワークスペース内のファイルには通常のファイル編集を使用してください。
• このリポジトリの tools/ にある共通プロジェクトツールを使用します。python3 tools/financial_rigor.py ... のようなパスを指定し、リポジトリのルートからコマンドを実行することを優先してください。現在のスレッドがリポジトリ外で開始した場合は、固定のホームディレクトリパスを想定せず、まず実際のチェックアウトパスを特定してください。
• 調査を始める前に date コマンドを実行して今日の日付を確認し、「最新」データの基準とします。レポートのヘッダーにデータの基準日を記載してください。学習データから現在の日付を推測してはいけません。
• AGENTS.md に記載された調査品質ルールを守ってください。財務データを相互検証し、評価や計算には正確な算術ツールを使用し、不確実性と情報源の欠落を明確に示してください。

業界投資調査：産業チェーンの全体像スキャン＋四大投資家の個別銘柄分析フレームワーク

$ARGUMENTS の業界について、産業チェーン全体を体系的に調査し、投資分析を行います。

調査目標

投資テーマ／論理チェーンを出発点として、以下を実行します：

1. 投資論理チェーンの各段階を検証する
2. 産業チェーン全体の全体像を描く
3. 世界の上場企業をすべてスキャンする（A株／香港株／米国株／国際市場）
4. 各細分化セグメントの主要企業を四大投資家のフレームワークで分析する
5. 業界全体のポートフォリオ配分を提案する

---

第一步：投資論理チェーンの構築と検証

1.1 論理チェーンを描く

「基盤となるトレンド」から「恩恵を受ける銘柄」までの因果関係を、矢印でつないで表現します。例：

底层趋势 A
    → 导致需求 B
        → 创造瓶颈/刚需 C
            → 受益产业链 D

1.2 各段階を検証する

論理チェーンの矢印ごとに疑問を投げかけ、証拠を探します：

段階	中核となる仮説	検証方法	データソース
A→B		業界データ／予測を検索
B→C		需給分析を検索
C→D		実例／契約を検索

1.3 「すでに起きた検証イベント」を探す

この論理チェーンを裏付ける、契約締結済み／実際に実施された商業上の出来事を列挙します（予測ではありません）。たとえば、大企業の調達契約、政策文書、業界レポートなどです。

---

第二步：産業チェーンの全体像を描く

2.1 産業チェーンの構造を描く

業界を上流→中流→下流→補助的なセグメントに分解します。例：

上游：原材料/资源开采 → 材料加工/提纯
中游：核心设备制造 → 系统集成/工程建设 → 新技术研发
下游：运营/服务 → 终端客户
辅助：检测/认证 → 维护服务 → 金融工具（ETF/信托）

2.2 各セグメントの「ビジネス特性」を特定する

各セグメントについて、以下を記載します：

セグメント	ビジネスモデル	粗利益率の範囲	競争環境	障壁の種類	景気循環性
	資源／設備／サービスの販売／賃貸収入		独占／寡占／完全競争	資源／ライセンス／技術／規模	強／中／弱

2.3 「ボトルネックとなるセグメント」に印を付ける

産業チェーンのうち、供給が最も逼迫し、代替が最も難しく、利益率が最も高いセグメントを特定します。多くの場合、これらのセグメントに最良の投資候補があります。

---

AI調査におけるバイアスの自覚：業界調査特有の落とし穴

業界調査では、AIのデータバイアスが特有の形で増幅される可能性があります：

業界レベルのバイアス：

バイアスの種類	現れ方	対応策
成熟業界への偏り	従来型の業界（銀行／エネルギー／消費財）には資料が豊富なため、AIの分析が「より確実」に見える	確実性はビジネスモデルから生まれるものであり、調査レポートの数から生まれるものではありません
新興業界の過小評価	新しい業界（AIアプリケーション／合成生物学など）は資料が少なく、AIの分析が保守的になる	業界価値は「現在のデータ」ではなく「最終的な姿を見通す思考」で判断します
主要企業への偏り	大企業は小企業より資料がはるかに多く、AIは自然と主要企業を推奨する傾向があります	小企業の方がリスク対リターン比に優れる可能性があります。AIの分析が短いという理由で無視してはいけません
上場企業への偏り	上場企業だけをスキャンすると、産業チェーンの重要な未上場企業を見落とします	未上場企業も必ず検索し、「将来のIPO候補」と明記します
英語への偏り	AIは英語資料の処理能力が高く、中国／アジア市場の企業を過小評価する可能性があります	中国語と英語の情報源を必ず同時に検索します

産業チェーンのスキャンにおけるバイアス対策：

1. 各セグメントについて、「AIが見つけやすい企業」だけでなく、「目立たないが優良である可能性のある銘柄」も積極的に検索します
2. 情報の少ない小型株について、分析の分量が短いという理由で推奨度を下げてはいけません。レポートの長さではなく、中核的な問い（ビジネスの本質、競争優位性、経営陣）に基づいて評価します
3. 最終レポートでは、各社の「情報充足度」をA／B／Cのランクで示し、AI分析の信頼性を読者に伝えます

第三步：世界の上場企業をスキャンする

Task ツールを使ってバックグラウンド Agent を起動し、業界の上場企業を網羅的に検索します。

検索リスト

• 米国株（NYSE／NASDAQ／NYSE American）の関連企業
• A株（上海／深圳）の関連企業
• 香港株の関連企業
• その他の国際市場（日本／韓国／欧州／オーストラリアなど）
• 業界ETF
• 主要な未上場企業（将来IPOする可能性がある企業）

各社について収集する情報

• 会社名（中国語／英語）
• 株式コードと取引所
• 時価総額（概算）
• 一文での説明（産業チェーンにおける位置と役割）
• 純粋な関連銘柄かどうか（純粋な原子力関連企業か、多角化事業の一部として原子力事業を手掛ける企業か）
• 産業チェーンにおける所属セグメント

出力形式

産業チェーンのセグメントごとに分類し、各セグメントにスキャンで見つかった全企業を含む表を作成します。 さらに、投資確度に応じて以下のように分類します：

• Tier 1：時価総額が大きく、純粋な関連銘柄で、業界のリーダー
• Tier 2：中程度の時価総額で、純粋な関連銘柄または関連事業の比率が高く、細分化セグメントのリーダー
• Tier 3：時価総額が小さく、開発段階にあり、高リスク・高リターンの可能性がある
• Tier 4：多角化企業のうち、関連事業を手掛ける大企業

---

第四步：各セグメントの主要企業を四大投資家のフレームワークで分析する

産業チェーン各セグメントのTier 1 と Tier 2 の企業について、以下の分析を行います（Tier 3／4 の企業は簡潔に評価します）：

4.1 ビジネスの本質（段永平）

• 産業チェーンにおけるこの企業の事業を一文で定義する
• 収益構成と成長率
• 粗利益率／純利益率の水準と推移
• キャッシュフローの特性
• 問い：これは優良なビジネスですか？その理由は何ですか？

4.2 競争優位性（バフェット）

5種類の競争優位性を採点します（★1～5）：

競争優位性	強さ	根拠
ブランド／価格決定力
スイッチングコスト
ネットワーク効果
規模の効果
技術／ライセンスの障壁

問い：10年後も競争優位性は残っていますか？

4.3 リスク（マンガー）

• この会社が失敗するとすれば、最も可能性が高い原因は何ですか？
• 最悪のシナリオでは、いくらの価値がありますか？
• 賢明な投資家がこの会社を買わない理由は何ですか？

4.4 経営陣（段永平＋バフェット）

• CEO／創業者は誰ですか？重要な意思決定の実績はどうですか？
• 持株比率と株主との利害の一致度
• 総合評価（A／B／Cランク）

4.5 バリュエーションの概要

• 現在のPE／PS／EV／EBITDA
• 同じセグメントの競合他社との比較
• 総評：割高／妥当／割安

4.6 推奨度

★1～5で示します：

• ★★★★★ = 中核ポジション候補
• ★★★★☆ = サテライトポジション候補
• ★★★☆☆ = 監視リスト
• ★★☆☆☆ = 高リスクのオプション
• ★☆☆☆☆ = 推奨しない

---

第五步：業界全体のリスク評価（マンガーの「チェックリスト」）

5.1 システミックリスクの一覧

リスク	確率	影響	対応策
投資論理チェーンのいずれかの段階が反証される
代替技術が出現する
政策／規制に関するブラックスワン
需要が景気循環により後退する
バリュエーションバブルが崩壊する

5.2 历史类比

找到历史上类似的产业链投资主题，分析其最终结局：

• 类比行业是什么？
• 最终赢家是谁？（上游/中游/下游？）
• 多数投资者赚钱了还是亏钱了？
• 对当前行业的启示是什么？

5.3 偏误自查

• 叙事偏差：故事是否太完美？
• 锚定效应：是否被近期涨幅锚定？
• 从众效应：是否因为"所有人都在买"？

---

第六步：文明趋势判断（李录框架）

• 这个行业所依托的底层趋势，是"文明级范式转移"还是"阶段性热潮"？
• 历史上最接近的技术革命类比是什么？
• 10-20年后，这个行业的终局是什么？
• 产业链中，哪个环节最可能出现"赢家通吃"？
• 哪个环节最可能被颠覆？

---

第七步：投资组合配置建议

7.1 推荐组合

按以下结构输出：

层级	仓位占比	标的	所属环节	核心逻辑
核心仓位	占主题仓位50-60%			最确定、护城河最宽
卫星仓位	占主题仓位25-35%			弹性较大、确定性稍低
期权仓位	占主题仓位5-15%			高风险高回报，可以归零
ETF替代	可替代以上全部			不想选股的"懒人方案"

7.2 买入/卖出信号

信号类型	具体条件
加仓信号
减仓信号
清仓信号

7.3 主题仓位上限建议

根据投资逻辑链的确定性和风险程度，建议该主题占总仓位的上限百分比。

---

第八步：综合决策备忘录

行业总评表

维度	结论	信心度
投资逻辑链（验证程度）
最佳环节（段永平"对的生意"）
最宽护城河（巴菲特）
最大风险（芒格）
文明趋势定位（李录）
整体估值水平

四位大师模拟点评

用引用格式，模拟四位大师对该行业投资机会的点评。

---

输出要求

1. 所有分析必须有数据支撑，附数据来源
2. 使用 Markdown 表格呈现关键数据
3. 产业链全景图用代码块的文本图表示
4. 每个环节至少分析2-3家头部公司
5. 全球公司扫描要尽可能完整（A股/港股/美股/国际）
6. 最终将完整报告写入 ~/[行业名]产业链投资研究报告.md
7. 结论要明确，给出具体的标的、仓位和价格区间建议
8. 每个分析模块末尾有对应大师的"追问"

数据抽检（准出流程）

报告写入后，执行数据抽检，通过方可发布：

# Step 1 — 提取抽检清单（15%随机抽样）
python3 tools/report_audit.py extract \
  --report <报告文件路径>

# Step 2 — 对清单每项从可靠信源取数（参见 skills/financial-data.md）

# Step 3 — 输出准出/打回判决
python3 tools/report_audit.py verdict \
  --results '<填好的JSON>' \
  --report <报告文件名>

【准出】 全部通过 → 报告可发布；【打回】 有不通过 → 修正后重审。