FinanceHarness relative-valuation 技能深度解析基于可比公司Comps的相对估值工作流与实现原理【免费下载链接】google-researchGoogle Research项目地址: https://gitcode.com/gh_mirrors/go/google-research本文围绕 FinanceHarnessGoogle Research 金融深度研究 Agent内置的relative-valuation技能展开完整讲解它如何通过识别同行组 → 提取目标公司估值倍数 → 计算可比公司中位数隐含价值 → 结合基本面解读溢价/折价的四步流程对一只股票进行相对估值。读者将掌握该技能的工作流、三个底层数据工具的字段与实现、隐含价值计算的数学原理以及如何将相对估值与 DCF 内在估值进行三角验证。技能定位相对估值在 FinanceHarness 中的角色FinanceHarness 是一个与模型无关的金融深度研究 Agent其核心能力包括网络研究search → visit → cite与股票研究fundamentals、comps、DCF、WACC两大块入口为 main.py。relative-valuation是 financeharness/skills 下五个内置技能之一其余为consensus-check、dcf-valuation、equity-deep-dive、ticker-snapshot专注回答一个问题一只股票相对于它的可比公司当前交易在什么位置这个位置是否合理。技能本体就是一个带 YAML frontmatter 与 Markdown 正文的SKILL.md文件即 relative-valuation/SKILL.md通过 frontmatter 声明技能名、描述、标签与所需工具name: relative-valuation description: Value an equity against its peers — peer-median trading multiples applied to the companys metrics for an implied range, cross-read against its own valuation ratios. tags: [equity, valuation, comps, relative-valuation, multiples] requires_tools: - data_equity_reference - data_equity_ratios - data_equity_comps依据 FinanceHarness 的扩展机制见 README.mdSKILL.md负责编排既有工具放入financeharness/skills/目录后即被自动发现、无需修改代码发现优先级为内置financeharness/skills/→ 项目./skills/→ 环境变量FH_SKILLS_DIR。这意味着本文介绍的四步流程本质上是技能级的工作流编排 工具级的精确计算模型负责选择同行组与解读工具负责忠实完成算术。四步工作流详解原技能文档给出了清晰的四步工作流每一步对应一个或一组工具调用下面逐条展开并结合源码说明每个步骤的实际产出。第 1 步识别同行组Peer Set调用data_equity_reference对目标公司进行身份与行业分类然后挑选真正的可比公司——业务、规模、增长/利润率画像相似的公司而不仅仅是同行业名称相近的公司。从源码看data_equity_reference返回的稳定字段见 reference.py包括公司名称shortName/longName、sector、industry、country、exchange、市值marketCap、流通股sharesOutstanding、beta、当前价格、52 周高低价、TTM/远期 P/E 以及业务摘要longBusinessSummary。其中sector/industry正是技能第 1 步分类公司所需的输入而beta、市值、价格等字段同时为后续步骤提供上下文。该工具请求参数只有ticker长度上限TICKER_MAX_LEN 24见 common.py足以容纳005930.KS、RDSA.AS等带后缀的外国上市代码数据源为 yfinance 的Ticker.info快照并统一通过yf_call包装、在运行时瞬时重试策略下执行yfinance 常见的限流、连接抖动会被自动重试坏代码则以可操作的 ToolError 形式暴露见 common.py。第 2 步获取目标公司自身的估值倍数调用data_equity_ratios获取目标公司自身的 P/E、EV/EBITDA、EV/Revenue、P/S以及支撑溢价或折价的杠杆/回报上下文。data_equity_ratios见 ratios.py返回四组数据流动性current ratio、quick ratio杠杆debt/equity、净债务net debt、净债务/EBITDA回报ROA、ROE估值倍数P/ETTM 与远期、EV/EBITDA、EV/Revenue、P/S、PEG、股息率。其中部分指标由工具从原始快照安全推导见_derive函数yfinance 的debtToEquity是百分比如 168.6 → 1.69x需除以 100 归一化net_debt totalDebt − totalCashnet_debt_to_ebitda net_debt / ebitdadividendYield也统一归一化为小数确保渲染与链式引用时口径一致。这正对应技能中杠杆/回报上下文的说法——只有理解了目标公司的资本结构与盈利能力才能判断其倍数相对同行的溢价或折价是否站得住脚。第 3 步计算可比估值Comps调用data_equity_comps传入目标 ticker 与同行 ticker 列表工具会拉取目标与每个同行的交易倍数P/E、EV/EBITDA、EV/Revenue、P/S计算每个倍数的同行中位数将同行中位数倍数应用到目标公司自身的指标上得到每种倍数下的每股隐含价值返回隐含价值区间与当前价格的对比。请求参数为ticker目标与peers列表110 个见 comps.py。技能文档特别强调工具返回的中位数、隐含价值和区间是已经算好的直接引用即可无需手工重算。这一点在工具描述中也有对应表述——The medians, implied per-share values, and range it returns are exact and auditable — reference them directly rather than re-deriving the math by hand其结构化输出structured字段中的peer_medians、implied_per_share、low、high、median_implied、current_price等字段可直接进入报告。隐含价值的计算原理从 comps.py 的compute_comps与_implied_per_share可以看到每种倍数的隐含每股价值公式P/E 法隐含价值 同行中位数P/E × 目标公司EPStrailingEpsEV/EBITDA 法隐含价值 (同行中位数EV/EBITDA × 目标EBITDA − 净债务) / 流通股EV/Revenue 法隐含价值 (同行中位数EV/Revenue × 目标营收 − 净债务) / 流通股P/S 法隐含价值 同行中位数P/S × 目标营收 / 流通股。其中 EV 类倍数需要经企业价值 → 股权价值的转换因此必须扣除净债务并除以流通股P/E 与 P/S 则直接落到每股口径。工具取所有有效隐含值的min/max作为区间上下限、statistics.median作为中位隐含值并与当前价格对比给出中位隐含的上涨/下跌空间upside。此外只有正数且非 NaN 的倍数与指标才会进入计算is_num守卫见 common.py避免了 yfinance 缺失字段NaN污染算术与 JSON 结构化输出。同行表数据来自真实快照除倍数外data_equity_comps还会返回每家公司的基本面market cap、远期 P/E、毛利率、营业利润率、净利润率、营收增长、ROE、净债务/EBITDA见_STATS映射——这些同样来自已抓取的.info快照因此同行对比表可以用接地气的真实数据构建而不是模型凭先验知识即兴编造。这直接支撑了技能第 1 步挑选真正可比公司的落地同行表不仅展示倍数还能展示规模与利润率画像的相似性。第 4 步解读结论Read It这是技能的工作流收尾也是区分数字与观点的关键一步目标公司相对同行是偏贵rich还是偏便宜cheap这个差距是否被更优的增长、利润率或回报所支撑明确陈述隐含区间与最终判断call。技能文档的三条原则Principles为解读提供了纪律同行选择决定答案坏同行组会让精确的区间变得无意义、溢价/折价只有与基本面挂钩才是有效发现否则只是一堆数字、相对估值补充而非替代 DCF 内在估值说明你在给哪种观点并在必要时将两者配对。与 DCF 的三角验证在深度研究中组合使用技能原则明确指出相对估值应与内在估值DCF互补。这一点在 equity-deep-dive/SKILL.md 中得到完整体现该技能在第 4 步用data_market_rates→compute_valuation_wacc→compute_valuation_dcf→compute_valuation_dcf_sensitivity得到熊/基准/牛三档内在价值区间后第 5 步即用你自己选的同行组执行data_equity_comps做相对交叉验证——相对读数与 DCF 是否一致并在综合阶段将定性故事与内在价值、相对价值、共识预期绑定。值得注意的实践原则是当 DCF、Comps、共识三者出现分歧时分歧本身就是发现应当呈现出来而不是平均掉。data_equity_comps的工具描述也建议Pair with a DCF for a triangulated valuation——相对估值与 DCF 各自独立、互为印证远比单一方法更有说服力。输出规范与工程细节在写相对估值结论时应遵循技能与工具共同确立的规范直接引用工具输出中位数、隐含每股价值、区间来自data_equity_comps原始倍数来自data_equity_ratios/data_equity_reference不要手算或改写点名同行并说明入选理由同行组必须具名并解释为何这些公司可比业务、规模、增长/利润率画像而非简单同行业把溢价/折价锚定到基本面用data_equity_ratios的回报ROE/ROA与杠杆净债务/EBITDA数据解释倍数差异的合理性标注数据来源与限制所有数字来自 yfinance 快照PROVIDER yfinance字段缺失时如实说明如n/a而不是猜测补齐。小结relative-valuation技能用一份约 30 行的SKILL.md封装了一条完整的相对估值管线技能层负责选择同行与解读结论data_equity_reference/data_equity_ratios/data_equity_comps三个工具负责分类、健康度画像与中位数隐含价值计算数学过程P/E、EV/EBITDA、EV/Revenue、P/S 四种方法的每股隐含价值全部在 comps.py 中精确实现并可审计。对使用 FinanceHarness 的研究场景而言这条技能链既是独立的一档估值方法也是equity-deep-dive中与 DCF 三角验证的交叉检查——前者给区间后者给理由合在一起才是完整的估值判断。【免费下载链接】google-researchGoogle Research项目地址: https://gitcode.com/gh_mirrors/go/google-research创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考