第 11 课 · 研报解读 Agent

卖方研报天然偏多——这节课教你用"抽取式 Prompt + 一致性核对"批判性地读它，而不是被它带着走

这节课你将得到什么

一个能跑的研报解读 Agent 雏形（scripts/report_reader.py）：输入一篇券商研报（本课内置一篇"茅台提价点评"样本），输出一份结构化 JSON——评级、目标价、核心逻辑 3 条、风险点 2 条，每条结论都附原文逐字引用；再加一项本课独有的检查：一致性核对——把研报里涉及公告的说法，逐条与第 10 课核对的公告原文比对。最后由程序生成一段"人话摘要"。

第 10 课你拿到了"事实"（公告原文），这节课处理的是"观点"（券商对事实的解读）。事实可以信，观点必须审——这正是研报在 TradingAgents 团队里对应"基本面分析师"角色时，你必须给它套上的缰绳。

一、研报的立场偏差：先建立正确的怀疑

A 股市场上你免费能看到的研报，几乎全部是卖方研报——券商研究所写给客户（主要是基金等机构）看的。记住它的商业模式：研究所本身不卖研报赚钱，它靠基金分仓佣金和与上市公司的投行业务关系吃饭。这决定了两个系统性偏差：

• 评级通胀："卖出"评级在 A 股卖方研报里近乎绝迹，因为得罪上市公司会丢投行业务、得罪持仓机构会丢佣金。实操换算表："买入"≈中性偏正面，"增持"≈中性，"中性"≈看空。看到满屏"买入"不要激动，那是卖方语种的"你好"。
• 逻辑服务于结论：结论（买入）是先定的，"核心逻辑"是后配的。样本研报把"批价回落"这个第 5 课诊断过的空方证据，直接定性为"正常波动"而不给任何数据——这不是分析，是安抚。

二、抽取式 Prompt vs 生成式 Prompt（本课的知识核心）

同样读一篇研报，两种问法得到两种东西：

经验法则：要"读懂"，用生成式；要"采数据"，用抽取式。你的量化流水线要消费的是数据——评级、目标价、盈利预测这些字段将来要入库、要跨研报聚合，所以必须是抽取式。摘要可以要，但那是最后一步、且由程序按模板生成（见脚本 human_summary()），不让 LLM 二次创作。

三、一致性核对：让研报跟公告原文对质

第 10 课你从公告原文核对出的事实是基准：零售价 1539 → 1639 元/瓶、合同价上调至 1369 元/瓶、2026-07-18 零时起执行。本课的设计是把这份"标准答案"直接塞进 Prompt，要求模型逐条核对研报的说法：

{"claim": <研报中涉及公告事实的说法>,
 "announcement": <对应的公告事实>,
 "verdict": <"一致"|"不一致"|"无法核对">}

这不是花架子——本课的内置样本研报里埋了一个真实的坑：研报把零售价写成了 1649 元（公告实为 1639 元）。真实世界里，二手转述、深夜赶工的点评报告写错数字并不罕见；而你的流水线如果直接采信 1649，后面所有测算都建在错的基数上。凡是涉及具体数字的观点，都要能回溯到一手事实。

四、动手：跑起来（无需 API Key，不访问网络）

演示模式使用预计算的抽取结果，先聚焦流程和输出结构：

cd "$HOME/AI Project/Quant Learning"
source .venv/bin/activate
python scripts/report_reader.py

你会看到（我已在你的环境实测通过，JSON 较长，中间字段省略）：

抽取方式：演示模式（预计算结果）
输入：内置研报样本（XX证券·茅台提价点评）+ 第10课公告事实基准

============================================================
结构化抽取结果（JSON，可直接进你的流水线/数据库）
============================================================
{
  "rating": "买入（维持）",
  "target_price": 1980.0,
  "key_logic": [
    {
      "point": "提价直接增厚业绩（券商预测：2026年净利润约+6%，是预测不是事实）",
      "quote": "我们测算本次提价可增厚2026年营收约4%"
    },
    ……共 3 条，每条带 quote……
  ],
  "risks": [ ……共 2 条…… ],
  "consistency_check": [
    {
      "claim": "零售价由1539元/瓶上调至1649元/瓶",
      "announcement": "零售价由1539元/瓶调整为1639元/瓶",
      "verdict": "不一致"
    },
    ……另外 2 条 verdict 为"一致"……
  ],
  "sell_side_bias_note": "全文无一处看空表述，把'批价回落'直接定性为'正常波动'却不给数据支撑——典型卖方口吻。"
}

============================================================
人话摘要（程序按模板生成，不经过 LLM）
============================================================
这篇研报的评级是「买入（维持）」，目标价 1980 元。
核心逻辑 3 条：提价直接增厚业绩（券商预测：2026年净利润约+6%，是预测不是事实）；零售价与合同价双升，渠道利润未被压缩；批价回落被定性为正常波动，无需担忧。
风险提示 2 条：宏观消费复苏不及预期；渠道批价持续下行。
一致性核对：3 条说法中有 1 条与公告原文不符（研报称零售价由1539元/瓶上调至1649元/瓶，公告实为零售价由1539元/瓶调整为1639元/瓶）——数字都能写错，这篇研报的其余说法也要打折看。
立场提醒：全文无一处看空表述，把'批价回落'直接定性为'正常波动'却不给数据支撑——典型卖方口吻。

注意人话摘要是程序按模板拼的，不经过 LLM——"3 条中 1 条不一致"这种计数和判断，让代码做，可复现、可测试。LLM 只负责它不擅长被替代的那部分：读懂研报。

五、接入真实模型（可选，课后完成）

真实模式与第 3、5 课同一套约定：LLM_API_KEY 必填，LLM_BASE_URL（默认 https://api.deepseek.com）、LLM_MODEL（默认 deepseek-chat）可选：

export LLM_API_KEY="sk-你的key"
python scripts/report_reader.py --live

真实模式已写好但尚未实测（你机器上还没有 Key）——拿到 Key 后跑一次，有报错直接贴给我。拿到 Key 后建议做一个实验：把 SYSTEM_PROMPT 里的 quote 纪律删掉再跑，对比幻觉率，你会对第二节的表格有切身体会。

六、概念进阶：多份研报的共识与分歧聚合

一篇研报是一家之言。真正的价值在横向聚合——把同一时点多家券商的抽取结果放在一起比较。本课不展开代码（留给你做挑战），但心智模型要先建好：

• 共识：N 家券商的目标价分布、评级分布。注意样本偏差——能发研报的机构都过了"覆盖门槛"，冷门股无覆盖本身就是信息；且卖方同向偏差意味着"5 家全买入"的信息量远小于直觉。
• 分歧：比共识更有价值。A 家说"渠道利润未被压缩"，B 家说"批价回落挤压渠道"——分歧点就是你的调研清单：这个问题没有标准答案，你需要用自己的数据（第 6 课的监控、第 10 课的公告）去跟踪验证。
• 变化：同一家券商评级的边际变化（买入→增持）比静态评级更有信号意义——卖方语种里，降半格就是敲警钟。

落到你的实盘辅助决策：盘后 Agent 把当天新发的自选股研报抽成 JSON 入库，聚合出"共识/分歧/边际变化"三行摘要摆在你面前——T+1 制度下，你有整个晚上消化这些信息、为明天写计划，不需要盘中追着研报跑。

动手挑战（可选，20 分钟）

把 SAMPLE_REPORT 复制一份改成另一家券商的"谨慎派"点评（评级"增持"、目标价 1700 元、强调批价回落风险），修改 DEMO_RESULT 后重跑脚本。然后写 20 行代码：读两个 JSON，输出两家的目标价差和分歧点列表——这就是第六节的雏形。

自测

凭记忆作答——答错比答对更能加固记忆。

延伸阅读

• 主读：TradingAgents 论文第 3 节的基本面分析师（Fundamentals Analyst）角色——看它如何处理研报类输入，以及多个分析师角色的结论如何在"研究员讨论"环节里做多空辩论。我们今天的一致性核对，是它"熊方研究员"该干的活。
• DeepSeek 开放平台——拿到 Key，把 --live 跑通，并做第五节那个"删掉 quote 纪律"的对照实验。

有任何不清楚的地方（比如 quote 校验的实现、一致性核对的 Prompt、聚合口径的设计），直接问我——我是你的老师。