A股投研助手 invest-skills

每个数字可复核的 A 股投研助手

产品简介

invest-skills 是一款运行在 Claude Code、WorkBuddy、Kimi CLI 等 Agent 编程环境中的投研技能包。输入股票代码或 ETF 代码，系统自动从 Tushare、AkShare 等公开数据源采集数据，由 Python 引擎完成计算，输出带来源、口径与不确定性标注的研究备忘录。与普通 AI 直接给出一段"看起来对"的分析不同，invest-skills 将手工研究中最容易出错的环节——数据取数、计算、交叉验证与证据整理——全部固化为可检查的流程。研究结论中的每一个数字都能追溯到原始数据来源，每一个判断都有对应的证据等级标注。

核心能力

单标的九模块研究：输入股票代码，系统自动完成公司基本信息、财务三表关键指标、ROE 与 EPS、股东与资金结构、估值序列（PE/PB 分位与历史中位数对比）、资金流向、技术状态（均线、MACD、RSI、波动率）、事件与风险等九个模块的全面研究，数据全部来源于 Tushare 与 AkShare 等公开接口。

ETF 深度分析：针对 ETF 产品提供指数估值、折溢价率、AUM 规模、跟踪误差、市场广度、两融与情绪资金等维度的量化评估，帮助判断 ETF 当前是被高估还是低估。

市场脉搏追踪：沪深 300 与中证 A500 的宏观资金环境、广度指标、情绪与估值交叉解读，输出市场整体温度计读数，而非单点判断。

交易方案检查：对既有的交易方案从逻辑完整性、盲点识别、仓位匹配度、风险收益比四个维度做结构化审查，发现持仓逻辑中的漏洞。

缺口扫描：沪深 300、中证 A500、科创 50 成分股的客观跳空缺口筛查，标注缺口幅度、成交量配合与回补可能性。

形态扫描：LMW 双底与三角形底的结构识别，附数据窥探防护机制，避免因事后拟合导致的虚假形态信号。

多源并行与降级链：Tushare 与 AkShare 数据并行获取，当某一数据源失效时自动降级到备用路径，且冲突数据不会被静默抹平，而是并列呈现并标注口径差异。

Python 引擎 + SQLite 快照：所有衍生指标由 Python 直接计算，不依赖 AI 心算；每次研究结果以 SQLite 快照形式本地留存，支持与历史结果 diff，区分数据变化与观点变化。

安装配置

Claude Code 环境：运行 /plugin marketplace add Veblin/invest-skills 完成安装，安装后使用 /invest-a-stock（单标的）、/invest-a-etf（ETF）、/invest-a-pulse（市场脉搏）、/invest-a-journal（方案检查）、/invest-a-gap-scan（缺口扫描）、/invest-a-pattern-scan（形态扫描）等入口调用对应技能。

WorkBuddy 环境：从 GitHub Release 页面下载 invest-skills-wb-vX.Y.Z.zip，在"专家·技能·连接器 > 技能 > 添加技能 > 上传技能"导入，无需打开终端。安装后搜索 invest-a' 即可使用。

本地命令行：执行 git clone https://github.com/Veblin/invest-skills.git && cd invest-skills && uv sync，然后运行 uv run python skills/invest-a-stock/scripts/invest.py diagnose 完成初始化诊断。

其他平台：DSH / Qoder / Trae / Kimi CLI 可直接 git clone 使用，仓库内置 .agents/skills/ 下的 6 个 symlink 无需额外配置。Windows 用户需先运行 git config core.symlinks=true，否则 23 条技能链接会被物化成文本文件导致技能发现失效。

使用步骤

第一步，选择平台并安装对应版本的 invest-skills，完成 Token 配置（Tushare、AkShare 等数据源 API Token 需自行注册获取，配置文档见仓库 CONFIGURATION.md）。

第二步，输入股票或 ETF 代码，例如 /invest-a-stock 600176，系统自动采集数据并启动研究流程。

第三步，阅读生成的研究备忘录，关注"研究中的常见失真"章节中系统对各数据冲突的处理方式，核实关键数字与原始来源是否吻合。

第四步，对于 ETF 研究使用 /invest-a-etf，市场脉搏使用 /invest-a-pulse，方案检查使用 /invest-a-journal。

第五步，如已有持仓或交易方案，使用 /invest-a-journal 输入方案内容，系统从逻辑、盲点、仓位、风险收益四维做结构化检查。

适用场景

基本面研究快速扫描、财务健康度评估、量化选股辅助（ETF 估值判断）、交易复盘与逻辑检查、投研学习与框架建立、跨市场与跨标的比较分析。

适用人群

进行 A 股基本面的个人投资者，尤其是希望追求每个结论都有据可查的严谨型投资者；使用 Claude Code 等 Agent 工具编程、愿意将投研流程自动化的技术型投资者；量化研究者、券商分析师等需要快速完成数据采集与交叉验证的专业人士。

工作原理

数据流自上而下经过 Skill 层（对话入口）、规则层（16 条输出法则 + 三层复检 + 禁止买卖建议）、引擎层（多源并行采集 + Python 计算）和存储层（SQLite 快照 + diff 回溯）。冲突数据并列呈现，系统不擅自裁决；不确定判断必须标注边界，而非用形容词模糊处理。结论证据以强弱、来源广度、时效性和跨源可验证性四维标注强度。

官方链接

GitHub 仓库：https://github.com/Veblin/invest-skills 免责声明：本项目是开源软件工具，不从事证券投资咨询业务，不推荐个股、不提供买卖或仓位建议、不承诺收益。