mcpField
I
investment-memo-craft

investment-memo-craft

github.com/xbtlin文档处理16.9k193 次安装1 天前更新
代码仓库

关于 investment-memo-craft

为 Codex 投资研究报告提供写作与判断框架,适合把研究整理成便于决策的报告。它强调经营机制、反向思考、机会成本、估值转化为行动,并规范报告结构与呈现方式。

主要功能

  1. 01构建业务与收入机制图
  2. 02检验护城河及其风险
  3. 03呈现失败路径与反方论据
  4. 04从资本配置评估管理层
  5. 05将估值转化为价格区间和行动
  6. 06规范研究报告结构与排版

适用场景

  1. 01整理公司研究为决策报告
  2. 02分析投资逻辑的反面情景
  3. 03比较新投资与机会成本
  4. 04为持有人和潜在投资者制定行动条件

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/xbtlin/ai-berkshire --skill investment-memo-craft

安装后在 Claude Code 中输入/investment-memo-craft确认已加载。

附带文件agents/openai.yaml

详细介绍

投资备忘录撰写

用途

将投资研究转化为可用于决策的 Codex 研究报告。保留底层研究技能对数据的严谨要求,同时让输出更便于投资者使用:具体的业务运作机制、犀利的逆向思考、明确的机会成本、行动阈值,以及简洁克制的 Markdown 排版。

将此内容用作写作与判断的辅助规范。它不能替代财务数据规则、第一手来源核查、估值工具或报告审计工具。

对于长篇 AI Berkshire 输出,默认将文档命名为“研究报告”。只有当用户明确要求使用备忘录格式时,才使用“投资备忘录”。

这是一项仅适用于 Codex、以手动方式编写的技能,保存在 codex-skills/ 下,以便简化安装。除非有意将此工作流也用于 Claude Code,否则不要添加同名的 skills/investment-memo-craft.md 源文件。

核心工作流程

  1. 先交代背景;完整决策留到证据分析之后。

    • 在首屏说明研究日期、股价、市值、估值和简短的投资论点。
    • 除非用户明确要求撰写高管备忘录,否则不要在开头就列出完整的买入/持有/卖出表格。
    • 在论证业务质量、风险和估值之后,将详细建议、针对不同投资者的行动方案和价格区间放在接近结尾处。
    • 将“好生意”与“按当前价格买入是好投资”区分开来。
  2. 先梳理运营情况,再谈经营理念。

    • 尽早说明收入结构、分部经济效益、单位驱动因素及 3–5 年趋势。
    • 对于重资产企业,如果关键资产能解释护城河,就逐一列出。
    • 解释定价机制、客户锁定、成本结构和再投资需求。
  3. 用一句令人印象深刻的话概括业务本质。

    • 尽量说明谁付费、为何付费、什么稀缺,以及哪些因素会重复发生。
    • 避免使用“行业领导者”之类的泛泛标签,除非随后说明领导地位能持续的机制。
  4. 让护城河具备可证伪性。

    • 按来源对护城河评分或制成表格:品牌/定价权、转换成本、网络效应、规模、成本优势、监管、资源稀缺性、技术。
    • 说明过去 5 年护城河是扩大还是缩小。
    • 思考哪些因素可能摧毁护城河,即便答案是“不是竞争对手,而是监管/天气/买入价格”。
  5. 真正进行逆向思考。

    • 列出失败路径、发生概率、影响和可观测指标。
    • 用聪明的卖空者或不买入者实际会采用的措辞,写出最有力的看空论据。
    • 明确指出最可能出现的分析错误。
  6. 通过资本配置评估管理层。

    • 用决策记录取代笼统赞扬:收购、资产剥离、回购、股息、杠杆、再投资、战略转向。
    • 评估激励机制:内部人持股、控股股东行为、薪酬、关联方交易和股东回报政策。
    • 思考这项业务依赖的是某个人,还是一套系统。
  7. 将行业趋势与价值获取联系起来。

    • 区分文明层面的趋势与可投资公司的层面经济效益。
    • 描述公司在价值链中的位置,以及谁获取利润池。
    • 判断真正的驱动因素是 TAM 增长、定价、利用率还是资本密集度。
  8. 将估值转化为行动。

    • 展示当前估值倍数、反向 DCF 的直观判断、情景估值、历史比较,以及适用时的可比公司。
    • 在股息或资本回报对预期收益有重要影响时,将其纳入其中。
    • 给出价格区间、加仓信号、减持/卖出信号,以及可能改变投资论点的因素。
  9. 以决策备忘录收尾。

    • 按业务质量、护城河、管理层、风险、趋势和估值提供摘要表格。
    • 分别为尚未持仓的投资者和现有持有人提出建议。
    • 对于长篇研究报告,将行动表格放在这里,而不是开头。
    • 结尾时区分 AI 分析的信心与实际投资的确定性。

风格标准

  • 优先使用具体数字和机制,而非形容词。
  • 在表格有助于减轻认知负担时使用表格:资产、分部、失败路径、管理层决策、情景估值、行动区间。
  • 使用清晰的投资者文风。好的备忘录应当让人读一遍就能理解,一个月后仍然有用。
  • 保留令人印象深刻的表述,但绝不让修辞超越证据。
  • 不要用“观望”之类的模糊标签敷衍了事;应明确说明什么价格或事件会改变建议。

布局标准

对于长篇研究报告,优先采用平和、循序渐进的布局:

  • 使用简洁的标题:公司名(ticker)研究报告。除非用户要求采用相应的表述,否则避免在标题中添加“四大师综合”或“投资备忘录”。
  • 报告使用带日期的文件名:公司名研究报告-YYYYMMDD.md。
  • 开篇使用一个精简的元数据区块:研究日期、价格、市值、关键估值倍数和一句话投资论点。
  • 在主要章节之间使用水平分隔线。
  • 使用中文步骤标题,便于阅读,例如“第一步:核心数据总览”“第二步:生意本质分析”和“第八步:最终决策与行动清单”。
  • 章节标题保持简短、具体;除非文档属于技术文档,否则避免使用“2.3.1”这类密集编号。
  • 大师风格的问题使用引用块,不要写成行内加粗段落。
  • 将 GitHub Markdown 作为排版系统:使用标题级别、表格、引用块和粗体;除非用户明确要求非 GitHub 文档,否则不要添加 HTML/CSS 字体样式。
  • 谨慎使用粗体,作为阅读指引:用于元数据标签、一句话结论标签、关键短语、合计/当前公司行、最新年份数值、情景目标价、行动行和审计结论。
  • 普通事实使用常规字重。不要将整张表格或每个看起来重要的数字都加粗;过度强调会让长篇研究显得杂乱。
  • 增长率和回报区间使用明确的 + 和 - 符号,便于读者快速扫视涨跌,无需重读句子。
  • 如果公司信息丰富或市场共识强烈,将清单放在“AI research bias awareness”下。
  • 将审计和工具细节简要放在文末。除非用户要求提供可复现的命令,否则不要展示命令行。
  • 如果用户喜欢某份先前报告的布局,应保留其阅读节奏,同时只保留符合当前验证标准的数据。

默认报告结构

对于 AI Berkshire 公司报告,除非用户另有要求,否则按以下顺序组织:

  1. AI研究偏见自觉

    • 说明信息丰富度评级、共识陷阱、偏见检查清单和 AI 研究局限。
  2. 第一步:核心数据总览

    • 展示分部收入、关键经营资产或业务单元、3-5 年财务趋势和跨来源验证结果。
  3. 第二步:生意本质分析

    • 用一句话定义业务,梳理收入/成本/客户/资产寿命/增长驱动因素,并解释真正影响利润的变量。
  4. 第三步:护城河评估

    • 对护城河来源进行评分、说明证据,并指出哪些因素可能摧毁或削弱护城河。
  5. 第四步:逆向思考与风险清单

    • 严肃地阐述看空理由。包括失败路径、概率、影响和可观察的预警指标。
  6. 第五步:管理层评估

    • 从资本配置、治理、激励、股息/回购、杠杆,以及业务是否由系统驱动等方面评估管理层。
  7. 第六步:行业与文明趋势

    • 将宏观趋势与可投资的经济效益区分开来,并说明公司在哪里创造价值。
  8. 第七步:估值与安全边际

    • 展示当前估值、反向 DCF 直觉、情景估值、可比公司(如有用)和明确的价格区间。
  9. 第八步:最终决策与行动清单

    • 在此给出完整决策,而不是放在开篇:汇总表、给空仓投资者的建议、给持仓者的建议、加仓/卖出触发条件,以及有用时补充大师风格评论。
  10. AI分析置信度 vs 投资确定性

    • 将数据置信度与投资确定性区分开来。
  11. 数据来源与审计记录

    • 列出主要来源和简明的审计结果。除非用户明确要求,否则不要在报告中写入命令行。

质量标准

一份优秀的备忘录应直接回答以下问题,不让读者自行推断:

  • 这家公司具体卖什么、卖给谁,为什么收入会持续重复?
  • 真正影响利润的 2-3 个变量是什么?
  • 为什么聪明人可能不愿买入?
  • 哪些预期已经反映在价格中?
  • 看涨/基准/看跌情景下,可能获得什么回报?如适用,还应计入股息。
  • 空仓投资者应该怎么做?
  • 持仓者应该怎么做?
  • 哪些证据会推翻投资论点?

与其他技能配合使用

如果任务需要开展最新的公司研究,请先使用相关的数据/研究技能及其验证要求,然后使用此技能将输出改写或整理成备忘录。

对于 AI Berkshire 的工作,尤其应配合使用:

  • financial-data,用于了解来源层级并进行跨来源验证。
  • investment-research,用于采用 Buffett/Munger/Duan/Li Lu 框架。
  • management-deep-dive,当管理层质量是核心不确定因素时使用。
  • report_audit.py,在将报告视为可发布内容之前使用。

评论

支持 Markdown