Skip to content

industry-research.md

Latest commit

 

History

History
268 lines (202 loc) · 9.08 KB

industry-research.md

File metadata and controls

268 lines (202 loc) · 9.08 KB

行业投资研究：产业链全景扫描 + 四大师个股分析框架

对 $ARGUMENTS 行业进行系统化产业链投资研究。

研究目标

从一个投资主题/逻辑链出发，完成：

  1. 验证投资逻辑链的每一个环节
  2. 绘制完整产业链全景图
  3. 扫描全球所有上市公司（A股/港股/美股/国际）
  4. 对每个细分环节的头部公司执行四大师框架分析
  5. 输出行业级投资组合配置建议

第一步：投资逻辑链构建与验证

1.1 画出逻辑链

用箭头链路表达从"底层趋势"到"受益标的"的因果关系，例如：

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 逐环节验证

对逻辑链的每个箭头提出质疑并寻找证据：

环节 核心假设 验证方式 数据来源
A→B 搜索行业数据/预测
B→C 搜索供需分析
C→D 搜索实际案例/签约

1.3 寻找"已发生的验证事件"

列出支撑该逻辑链的已签约/已落地的真实商业事件（而非预测），例如大公司的采购协议、政策文件、行业报告等。

第二步：产业链全景图绘制

2.1 绘制产业链结构

将行业拆解为上游→中游→下游→辅助环节，例如：

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 识别每个环节的"生意特征"

对每个环节标注：

环节 商业模式 毛利率区间 竞争格局 壁垒类型 周期性
卖资源/卖设备/卖服务/收租 垄断/寡头/充分竞争 资源/牌照/技术/规模 强/中/弱

2.3 标记"卡脖子环节"

识别产业链中供给最紧张、替代最难、利润率最高的环节——这些往往是最佳投资标的所在。

AI研究偏见自觉：行业研究的特殊陷阱

行业研究中，AI数据偏见会以独特方式放大：

行业级偏见：

偏见类型 表现 应对
成熟行业偏好 传统行业（银行/能源/消费）资料极多，AI分析看起来"更确定" 确定性来自商业模式，不来自研报数量
新兴行业低估 新行业（AI应用/合成生物等）资料少，AI分析偏保守 用"终局思维"而非"当前数据"判断行业价值
龙头偏好 大公司资料远多于小公司，AI天然倾向推荐龙头 小公司可能有更好的风险回报比，不要因为AI分析篇幅短就忽略
上市偏好 只扫描上市公司会遗漏产业链中的关键未上市玩家 必须搜索未上市公司，标注"未来IPO候选"
英文偏好 AI对英文资料的处理能力更强，可能低估中国/亚洲市场玩家 必须同时搜索中英文信息源

产业链扫描中的反偏见措施：

  1. 对每个环节，不仅列出"AI容易找到的公司"，还要主动搜索"冷门但可能优质的标的"
  2. 对信息稀缺的小市值公司，不因分析篇幅短就降低推荐度——用核心问题（生意本质、护城河、管理层）而非报告长度来评判
  3. 在最终报告中标注每家公司的"信息充分度"（A/B/C级），让读者知道AI分析的可靠程度

第三步：全球上市公司扫描

使用 Task 工具启动后台 Agent，全面搜索该行业所有上市公司。

搜索清单

  • 美股（NYSE/NASDAQ/NYSE American）相关公司
  • A股（上海/深圳）相关公司
  • 港股相关公司
  • 其他国际市场（日本/韩国/欧洲/澳大利亚等）
  • 行业ETF
  • 关键未上市公司（可能未来IPO）

对每家公司收集

  • 公司名称（中英文）
  • 股票代码和交易所
  • 市值（近似）
  • 一句话描述（在产业链中的位置和作用）
  • 是否纯正标的（纯核电 vs 多元化中有核电业务）
  • 产业链所属环节

输出格式

按产业链环节分类，每个环节一张表，包含所有扫描到的公司。 再按投资确定性分层：

  • Tier 1：大市值、纯正标的、行业龙头
  • Tier 2：中市值、纯正或高占比、细分龙头
  • Tier 3：小市值、开发阶段、高风险高弹性
  • Tier 4：多元化公司中有相关业务的大型企业

第四步：各环节头部公司四大师分析

对每个产业链环节的Tier 1和Tier 2公司，执行以下分析（Tier 3/4公司简要点评即可）：

4.1 生意本质（段永平）

  • 一句话定义这家公司在产业链中做什么
  • 收入结构与增速
  • 毛利率/净利率水平及趋势
  • 现金流特征
  • 追问：这是一门好生意吗？为什么？

4.2 护城河（巴菲特）

用五类护城河评分（★1-5）：

护城河 强度 证据
品牌/定价权
转换成本
网络效应
规模效应
技术/牌照壁垒

追问：10年后护城河还在吗？

4.3 风险（芒格）

  • 这家公司最可能怎么失败？
  • 最坏情景下值多少钱？
  • 聪明人为什么不买？

4.4 管理层（段永平+巴菲特）

  • CEO/创始人是谁？关键决策记录
  • 持股比例与利益对齐
  • 简评（A/B/C级）

4.5 估值快照

  • 当前PE/PS/EV/EBITDA
  • 与同环节竞争对手对比
  • 简评：贵了/合理/便宜

4.6 推荐度

用★1-5标注：

  • ★★★★★ = 核心仓位候选
  • ★★★★☆ = 卫星仓位候选
  • ★★★☆☆ = 观察名单
  • ★★☆☆☆ = 高风险期权
  • ★☆☆☆☆ = 不推荐

第五步：行业级风险评估（芒格"检查清单"）

5.1 系统性风险清单

风险 概率 影响 应对策略
投资逻辑链的某个环节被证伪
替代技术出现
政策/监管黑天鹅
需求周期性回调
估值泡沫破裂

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 ~/ai-berkshire/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 ~/ai-berkshire/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。