---
name: xbtlin/industry-research
source: https://app.decimal.ai/s/xbtlin-industry-research@1/SKILL.md
source_sha256: d698580d74f0
---

## Codex adapter note

This skill is generated from `skills/industry-research.md` so Claude Code and Codex users share one canonical workflow.

- Treat `$ARGUMENTS` as the user's request in the current Codex thread.
- When the source mentions Claude-only surfaces such as Task, Agent, WebSearch, Bash, Read, or Write, use the closest Codex capability available in this session: subagents when available, web search when needed, shell commands for local tools, and normal file edits for workspace files.
- Use shared project tools from `tools/` in this repository. Prefer running commands from the repository root with paths like `python3 tools/financial_rigor.py ...`; if the current thread starts outside the repo, locate the actual checkout path first instead of assuming a fixed home-directory path.
- Before starting research, run the `date` command to confirm today's date; treat it as the baseline for "latest" data and state the data cutoff date in the report header. Never assume the current date from training data.
- Preserve the research quality rules from `AGENTS.md`: cross-check financial data, use exact arithmetic tools for valuation/math, and clearly label uncertainty and source gaps.

# 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：

```bash
# Step 1 — 提取抽检清单（15%随机抽样）
python3 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 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。