---
name: valuation-comps
title: Valuation Comps（可比公司估值）
summary: 给一个标的（代码或名称），自动跑完可比公司分析的八步流程，输出对齐口径的 Comps 表与隐含估值区间。投资分析的第一性工具——相对估值锚。
read_when:
  - 用户要做相对估值 / 可比公司分析（Comps / trading comps）
  - 用户给出一家公司，想知道"相对同行贵不贵、合理估值区间在哪"
  - 用户要建 EV/Revenue、EV/EBITDA、P/E 等倍数对比表
  - 用户提到 "comps" "可比公司" "相对估值" "peer multiples" "贵不贵"
---

> **简体中文** · [English](SKILL.md)

# Valuation Comps（可比公司估值）

一个让 coding agent 执行**可比公司分析（trading comps）**的可复用 skill。
设计哲学同 Zara Zhang 的 `frontend-slides`：代码只是表达媒介，**能复用、能复现、能校验**才值得做。

本 skill 不预测点位，只给"市场现在愿意为这类生意付多少倍"的相对锚，并强制与绝对估值（DCF）互相印证。
仓库内 `scripts/comps_calc.py` 是计算内核：**agent 只负责取数和对齐口径，算术交给脚本**，避免心算误差与口径错配。

## 何时使用
- 判断某标的相对同行的估值贵贱（买不买得了"便宜"）；
- 给投行/投资/研究场景快速产出标准化 Comps 表；
- 作为 DCF / precedent transactions 的交叉验证层。

## 八步流程（必须按顺序跑完，且每步留痕）

1. **定标的与视角**：明确分析对象（A股/港股/美股代码或公司名）+ 视角（买方：要不要买；卖方：该卖多少）。记录当前市价、总股本、市值、净负债（净负债 = 有息负债 − 现金）。
2. **选 peer（三维，不按行业标签硬凑）**：
   - 业务同质（同一赛道/同一商业模式，而非同一 GICS 四位数行业）；
   - 规模可比（营收/市值落在标的 0.3×–3× 区间，偏离过大单列"规模校正"）；
   - 市场相同（同一上市地，流动性与折现环境可比）。
   - 目标 3–8 家；记录每家入选/排除逻辑（见 `references/peer_selection.md`）。
3. **取倍数**：至少 EV/Revenue、EV/EBITDA、P/E；成长股补 EV/Gross Profit；金融股用 P/B、P/E（不用 EV 系，因其资产负债结构特殊）。每个倍数标注适用前提（见 `references/multiples.md`）。
4. **对齐口径（最易错的环节）**：
   - 用**归一化倍数**（NTM 或 FY+1 未来口径），不用 LTM 单点；
   - 剔除一次性损益（重组、减值、投资收益、汇兑）；
   - EV 已含净负债，P/E 不含——混用时必须显式换算（脚本自动处理）；
   - 负 EBITDA / 负 EPS 的公司：**从倍数样本剔除但不删除**，注明原因，避免拉低中位数失真。
5. **算中心趋势**：报告**中位数**为主、均值与 25/75 分位为辅。中位数对 outlier 更稳。直接跑 `scripts/comps_calc.py`（输入 peer 倍数 + 标的预测指标）。
6. **做敏感性**：用 25 / 50 / 75 分位倍数 × 标的对应预测指标，给**估值区间**（非单点）。脚本直接输出。
7. **隐含校验**：把 Comps 隐含值与 DCF / 交易可比交叉验证；偏离 >20% 必须复盘 peer 选择或口径，不允许"取平均了事"。
8. **出结论**：明确"相对贵 / 合理 / 便宜"，并给出**触发重估的变量**（不是点位预测）。便宜若无理由 = 价值陷阱，必须说明（见 `references/value_trap.md`）。

## 数据来源（按优先级，严禁编造）
- **首选 `westock-data` skill**（金融市场结构化数据，覆盖 A/港/美）：市值、EV、营收、EBITDA、净利、一致预期（NTM/FY+1）。
- 备选 `akshare-stock` / `neodata-financial-search`：补 A 股明细与一致预期。
- 兜底 `WebSearch` / `WebFetch`：公司官网 IR、年报、行情页。
- **任何缺失字段标 `N/A` 并注明原因**；不在文内填占位假数。`scripts/comps_calc.py` 会对 `N/A` 自动跳过该样本并在输出标注。

## 输出规范
产出两份：
1. **Markdown 报告**（结构见 `examples/sample-comps.md`）：筛选逻辑 + Comps 表（带中位数/分位）+ 敏感性区间 + 结论与重估触发条件 + 数据日期来源。
2. **计算留痕**：`scripts/comps_calc.py` 的输出原样附在报告末，保证可复现。

### Comps 表最小结构
| 可比公司 | EV/Rev | EV/EBITDA | P/E | 入选理由 |
|---|---|---|---|---|
| Peer A | 4.2x | 14.1x | 22.0x | 同赛道龙头 |
| Peer B | 3.6x | 12.8x | 19.5x | 规模可比 |
| **中位数** | **4.2x** | **14.1x** | **22.0x** | — |

## 校验与红线（可靠性兜底）
- 样本数 < 3 时不报"中位数结论"，只报"样本不足，仅供参考"；
- 任一样本倍数偏离中位数 > 2×，自动标红提示复核（可能是口径错配或异常值）；
- 标的最终价与 DCF 结论冲突 > 20% 时，禁止同时给出"买"和"便宜"两个结论，必须先解冲突；
- 所有倍数必须注明口径（LTM/NTM/FY+1）与币种，跨币种比较先统一。

## 边界与免责
- Comps 反映**市场情绪**，不是内在价值；永远与绝对估值交叉验证。
- 倍数差异必须解释来源（增长、杠杆、拐点、流动性），不能只报"便宜/贵"。
- 所有结论标注数据日期与来源；投资决策由人负责，本 skill 只产出可复现的分析骨架。

## 目录结构
```
valuation-comps/
  SKILL.md                  # 本文件
  README.md                 # 用法 + 数据来源说明 + 示例
  references/
    peer_selection.md       # peer 三维筛选清单 + 排除逻辑
    multiples.md            # 各倍数适用前提与口径陷阱
    value_trap.md           # 价值陷阱识别清单
  scripts/
    comps_calc.py           # 计算内核（中位数/分位/隐含区间/校验）
    comps_calc_test.py      # 单测，保证算术可靠
  examples/
    sample-comps.md         # 脱敏样例报告
```