aifinlab/a-share-valuation-band

A股估值分位/历史估值区间分析

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 近3-5年K线（计算历史估值区间）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [3年前日期]

# 当前行情（最新PE/PB）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]

# 财务数据（历史ROE/利润等）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

补充：通过 web 搜索获取指数 PE/PB 历史数据（如沪深300 PE历史中位数）。

Workflow

Step 1: 确定标的

• 识别个股代码或指数代码
• 默认时间窗口：近 3 年（formal 风格可扩展至 5/10 年）

Step 2: 数据获取

• 拉取历史日K线 + 当前行情报价
• 拉取财务数据获取历史利润/净资产（计算历史 PE/PB 序列）
• 指数标的可通过 web 搜索补充历史估值数据

Step 3: 估值分位计算

• PE(TTM) 百分位 = (低于当前值的交易日数 / 有效总交易日数) x 100%
• PB 百分位 = 同上方法
• 可选：PS、EV/EBITDA 百分位
• 同时输出：最小值、25%分位、中位数、75%分位、最大值、当前值

Step 4: 区间判断

| 百分位区间 | 判断 | 含义 | |-----------|------|------| | 0-20% | 极度低估 | 历史底部区域，长期配置价值高 | | 20-40% | 偏低估 | 低于历史均值，具备安全边际 | | 40-60% | 合理区间 | 接近历史中枢，估值中性 | | 60-80% | 偏高估 | 高于历史均值，注意风险 | | 80-100% | 极度高估 | 历史顶部区域，风险收益比差 |

Step 5: 输出

风格

| 维度 | formal | brief | |------|--------|-------| | 输出 | 完整估值分位报告 | 一句话结论 + 核心数据 | | 指标 | PE + PB + PS 多维度 | 仅核心 1-2 个指标 | | 历史对比 | 近 3/5/10 年分别计算 | 仅近 3 年 | | 图表 | 提供估值带数据（可画图） | 无 | | 篇幅 | 500-800 字 | 50-100 字 |

关键规则

1. 异常值处理：PE < 0（亏损）不计入分位计算；PE > 200 可选剔除
2. 周期股警告：周期股底部利润极低导致 PE 反而最高，不宜用 PE 分位；改用 PB + 产能利用率判断
3. 基本面变化：公司重大重组/业务转型后，历史分位参考价值降低，需注明
4. 时间窗口敏感：必须注明计算区间（近 3 年 vs 近 5 年结果可能差异很大）
5. 指数优于个股：指数估值分位的均值回归特性更强，参考价值更高
6. 行业适配：银行用 PB，科技/SaaS 用 PS，消费用 PE，周期用 PB
7. 输出必须包含：当前值、百分位排名、历史区间（min/median/max）、判断结论

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json