企业官网建设流程全解析

• AI 技能
• AI 插件
• 金融科技

本文讲解 UZI-Skill 深度分析工作流（skills/deep-analysis）中的财报前预览（Earnings Preview）方法：如何在公司披露季报之前，围绕一致预期对照、行业观察指标、Bull/Base/Bear 三情景、催化剂清单与预期波幅，搭建一套"该盯什么、会怎么动"的前瞻框架。读完本文，你将掌握该方法的方法论文档（earnings-preview.md）、纯函数实现（earnings_preview.py）与配套 slash 命令（commands/earnings-preview.md）三者之间的对应关系，理解每个输出字段的来源、计算口径与多市场（A股/港股/美股）自适应逻辑。

方法定位：财报前的"前瞻镜像"

Earnings Preview 改编自anthropics/financial-services的equity-research/earnings-preview，移植进 UZI-Skill 后适配 A 股 / 港股 / 美股多市场。它在本目录（fin-methods）中的定位是事件前定位方法：

• research_workflow.build_earnings_analysis是财报后beat/miss 解读，回答"发生了什么"；
• 本方法build_earnings_preview是它的财报前镜像，回答"接下来盯什么、会怎么动"；
• DCF / Comps 是估值方法，而本方法不估值，只做事件前定位，输出可直接喂给交易 / 仓位决策。

两者遵循相同的接口契约：build_X(features, raw_data) -> dict，并携带methodology_log，纯函数、无外部 IO。在 fin-methods/README.md 中，本方法属于 v3.8.0 起引入的Tier-1 续引入方法包（lib/tier1/包），与 AI 就绪度、模型增量更新、收益归因、组合再平衡并列，每个方法均有 slash 命令、方法论文档、纯函数模块与 pytest 四件套。

设计原则：可审计、来源透明、可证伪、多市场自适应

沿用 fin-methods 目录的 CRITICAL CONSTRAINTS，本方法遵循四条原则：

1. 可审计：每一步留methodology_log，记录"凭什么给这个共识 / 情景 / 波幅"；
2. 来源透明：一致预期能从6_research维度拿到的标注来源；拿不到的显式标注「需 web 补充」，绝不静默编造；
3. 可证伪：每个情景都配明确触发条件——什么发生才走这个情景；
4. 多市场自适应：观察指标按行业切换，隐含波动按市场切换（A 股个股无期权，用历史财报日波动代替）。

五步法：从一致预期到预期波幅

① 一致预期对照 Consensus Table

对照表覆盖 EPS、营收与卖方目标价三组数据，每行带source标注：

• EPS：优先取features.consensus_eps_2026（由 stock_features.py 从6_research维度的consensus_eps_2026归一化而来，同处还有consensus_pe_2026）；若拿不到则显式标注「需 web 补充（一致预期）」。
• 营收：6_research的consensus_rev_yi有则用；无则用最新营收 × (1 + 3yCAGR)外推占位，并标注「需 web 补充」。CAGR 由 stock_features.py 计算：((最新营收 / 4 期前营收) ** (1/3) - 1) * 100。
• 卖方目标价 / 覆盖家数 / 买入率：从6_research派生（target_price_avg/research_coverage/buy_rating_pct，见 stock_features.py），输出含"覆盖 N 家 / 买入率 X%"的来源描述。

若features.consensus_eps_2026缺失，实现会回退尝试research.consensus_eps（6_research.data原始字段），并追加consensus_notes缺口清单。A 股适配：6_research拿得到的就用，拿不到的标「需 web 补充」。

② 行业观察指标 Watch Metrics（按行业分类）

财报最该盯的运营指标随行业不同。实现（earnings_preview.py）内置_SECTOR_METRICS关键词→指标映射表，用industry + name拼接做子串匹配：

未命中行业时落到通用默认（earnings_preview.py）：营收 vs 共识、毛利率趋势、经营性现金流、前瞻指引 vs 共识。测试（test_tier1_earnings_preview.py）专门断言了"光模块→出货/1.6T/800G""白酒→动销"的命中与冷门行业回退非空。

③ Bull / Base / Bear 三情景

基于历史营收增速 + 毛利率趋势构造三档情景（earnings_preview.py）：

• Base 增速=(3yCAGR + 最近一期增速) / 2（更贴近趋势）；Bull = Base + 8pt，Bear = Base − 8pt；
• 营收区间= 最新营收 × (1 + 增速)；EPS 用毛利杠杆放大：Bull ×1.12 / Base ×1.0 / Bear ×0.85（营收超预期时盈利弹性更大）；
• 每个情景配齐四要素：触发条件（triggers列表，如"量价齐升 + 上修指引"/"基本符合 ±2%"/"不及共识或环比走弱"）、毛利率假设（扩张 / 持平 / 收缩）、历史财报后股价反应（用年化波动 ÷ √252 近似单日，√252 ≈ 16），并附可 web 核对的检索提示。

测试断言三情景bull/base/bear齐全、结构字段完整、增速与 EPS 均单调（bull > base > bear），见 test_tier1_earnings_preview.py。

④ 催化剂清单 Catalyst Checklist

3-5 个决定财报日股价反应的看点（earnings_preview.py）：

1. 营收 / EPS vs 一致预期（及 buy-side whisper number，可 web 补充）——首要驱动，importance=high；
2. 前瞻指引 vs 共识（全年营收/利润、capex）——买方更看指引而非当期数字，importance=high；
3. 行业头号运营指标（②的第一项，领先利润表）——需求真伪最先反映，importance=high；
4. 毛利率方向 + 管理层归因——决定盈利弹性，importance=medium；
5. 战略 / 叙事变化（并购、回购、新品、产能、诉讼）——仅当has_positive_catalyst/has_negative_catalyst事件流命中才加入，importance=medium。

清单截断至 5 项，测试断言数量在 3~5 之间且每项含item/why/importance三字段。

⑤ 预期波幅 Implied Move

按市场分支（earnings_preview.py）：

• A 股个股：多数无期权 →options_available=False，方法标注"A 股无个股期权，用历史财报日波动代替"，以年化波动 ÷ √252 给出单日 ±幅度（如年化 55% → 单日约 ±3.4%）。
• 美股 / 港股：options_available=True，可用财报到期ATM straddle反推期权隐含波动（需 web 补充期权链），历史波动作下限参考。

测试分别断言 A 股分支options_available is False且方法含"无期权/历史"，美股分支options_available is True且方法含"期权/straddle"（test_tier1_earnings_preview.py）。

返回结构：一个字段对齐的 dict 契约

build_earnings_preview(features, raw_data)返回结构如下（源码逐字段对应）：

{ "method": "Earnings Preview (pre-earnings)", "company": {"name", "code", "industry", "market"}, "report_quarter": "2026 Q2", # 由当前时间粗略推断的下一季度 "generated_at": "2026-10-08", "consensus_table": [{"metric", "consensus", "yoy_pct", "source"}, ...], "consensus_notes": ["...需 web 补充..."], "watch_metrics": {"sector": "光模块", "metrics": [...]}, "scenarios": [ # bull / base / bear 三项齐全 {"scenario", "label", "revenue_yi", "revenue_growth_pct", "eps", "gross_margin_assumption", "triggers", "expected_stock_reaction", "reaction_note"}, ], "catalyst_checklist": [{"item", "why", "importance"}, ...], "implied_move": {"method", "options_available", "implied_move_pct", "historical_proxy_pct", "note"}, "methodology_log": [...], # 5 步推导链：公司/行业 → 共识行数 → 行业指标数 → 三情景增速 → 催化剂数+波幅方法 }

其中methodology_log由主函数（earnings_preview.py）逐步拼接：Step 1 公司/市场/行业/预览季度 → Step 2 共识行数与缺口数 → Step 3 行业指标归属与数量 → Step 4 三情景营收增速 → Step 5 催化剂数 + 隐含波动方法，保证"每步在算什么"都可审计。

调用方式与上下游数据流

入口函数（earnings_preview.py）：

from lib.tier1.earnings_preview import build_earnings_preview result = build_earnings_preview(features, raw_data) # features: 扁平特征；raw_data: 含 dimensions 的原始数据

关键输入特征的来源（均由 stock_features.py 归一化产出）：

slash 命令（commands/earnings-preview.md）：/earnings-preview <股票代码>触发，工作流为 ① 采集 22 维数据（一致预期优先取6_research）→ ② 调用build_earnings_preview→ ③ 对标注「需 web 补充」的一致预期 / 历史财报日股价反应 / 期权隐含波动用 web 搜索补全后成稿。与/earnings（财报后解读）互为镜像。

一个可复现的示例（中际旭创 300308.SZ）

模块自带__main__演示（earnings_preview.py），测试基线同款（test_tier1_earnings_preview.py）：A 股 · 光模块，价格 120、EPS 4.5、一致预期 EPS 6.2、最新营收 240 亿、3yCAGR 45%、最近增速 60%、毛利率 33%、年化波动 55%。输出要点：

• 一致预期：EPS 6.2（YoY +37.8%，来源 6_research）；营收 348 亿（YoY +45%），⚠️ 无一致预期 → 3yCAGR 外推，需 web 补充；卖方目标价 ¥150（覆盖 28 家 / 买入率 90%）；
• 行业观察指标（光模块）：800G/1.6T 出货量 · 高端占比 · 毛利率 · 大客户能见度；
• 三情景（营收增速 / EPS）：🟢 Bull +60.5% / 6.94（触发：量价齐升 + 上修指引）· ⚪ Base +52.5% / 6.20（触发：基本符合，指引维持）· 🔴 Bear +44.5% / 5.27（触发：不及共识 / 毛利受压）；
• 预期波幅：A 股无个股期权 → 历史财报日 ±3.4%（年化波动 55% ÷ 16 近似单日）。

其中 Base 增速 52.5% = (45% + 60%) / 2，Bull/Bear 各 ±8pt，EPS 按 ×1.12 / ×1.0 / ×0.85 的毛利杠杆缩放——与文档公式逐项对应。

测试覆盖与鲁棒性

配套测试 test_tier1_earnings_preview.py 覆盖六类断言：

1. 结构完整性：返回含consensus_table / watch_metrics / scenarios / catalyst_checklist / implied_move / methodology_log全部键，method固定为"Earnings Preview (pre-earnings)"；
2. 三情景齐全且单调：bull > base > bear增速与 EPS 双单调；
3. 行业指标映射：光模块、白酒命中，冷门行业回退非空；
4. 一致预期缺失标注：consensus_notes非空且source含 "web"；并从6_research维度直读consensus_rev_yi验证；
5. 隐含波动分支：A 股无期权 vs 美股/港股可用 straddle；
6. 空输入鲁棒性：build_earnings_preview({}, {})不崩溃且三情景仍齐全。

适用前提与限制

• 本方法输出的是事件前定位框架而非结论：情景、催化剂与波幅都是可证伪的假设，成稿前必须补全标注「需 web 补充」的数据（一致预期、历史财报日反应、期权链）；
• 单日财报波幅用年化波动 ÷ √252 是近似代理（√252 ≈ 16），仅作量级参考；
• report_quarter由当前时间粗略推断（当前季度），正式披露前应核对实际财报周期；
• 若标的是 ETF / LOF / 可转债，应遵循 SKILL.md 的 HARD-GATE-NON-STOCK 引导到成分股，而非直接跑本方法。

若需将本方法接入完整报告流水线，可参考lib/tier1/__init__.py的统一导出、compute_deep_methods.py的纯计算接入方式，以及 commands/earnings-preview.md 的成稿规范。

• AI 技能
• AI 插件
• 金融科技