{"skill":{"slug":"holli-financial-fraud-analyzer","displayName":"Financial Fraud Analyzer Lite","summary":"财务造假风险分析技能。基于财务报表（利润表、资产负债表、现金流量表）评估盈余操纵与会计舞弊概率，输出结构化风险结论与证据链。支持单公司深度分析和批量筛查。Use when user asks to detect financial statement fraud, earnings manipulation, a...","description":"---\nname: financial-fraud-analyzer\ndescription: 财务造假风险分析技能。基于财务报表（利润表、资产负债表、现金流量表）评估盈余操纵与会计舞弊概率，输出结构化风险结论与证据链。支持单公司深度分析和批量筛查。Use when user asks to detect financial statement fraud, earnings manipulation, accrual quality problems, or suspicious accounting signals from company filings. Supports both single-company deep analysis and batch screening.\n---\n\n# 财务造假风险分析（Financial Fraud Analyzer v2）\n\n按以下流程执行，并始终保持\"证据优先、结论谨慎\"。\n\n## 版本更新（v2）\n\n- ✅ 新增：Dechow F-Score（应计质量模型）\n- ✅ 新增：行业分组阈值（科技/制造/消费/金融）\n- ✅ 新增：批量筛查模式（支持10+公司快速扫描）\n- ✅ 新增：SEC EDGAR API 自动数据获取\n- ✅ 优化：三层证据整合框架\n- ✅ 验证：已在 AAPL/MSFT/TSLA/NVDA 等12家公司测试\n\n## 0) 任务边界（必须先说清）\n\n- 明确这是**风险筛查**，不是司法定性。\n- 结论表述使用：`低/中/高风险`，避免\"已造假\"的确定语气。\n- 若数据缺失，明确标注\"无法判断\"的环节。\n\n## 1) 数据输入清单（至少2期，建议3-5期）\n\n优先收集：\n\n- 利润表：营业收入、营业成本、销售费用/管理费用（SG&A）、折旧摊销、净利润（或持续经营利润）\n- 资产负债表：应收账款、存货、流动资产、固定资产净额（PP&E）、长期投资/证券、总资产、流动负债、长期有息负债\n- 现金流量表：经营活动现金流（CFO）\n\n如口径不一致（合并/母公司、会计准则变更），先对齐口径再计算。\n\n## 2) 快速红旗扫描（先看异常形态）\n\n先做方向性判断，命中越多，后续审查越深：\n\n1. 营收增速显著高于经营现金流增速\n2. 应收账款增速长期高于营收增速\n3. 存货增速长期高于营收增速\n4. 毛利率异常波动但同行无类似变化\n5. 折旧率突然下降（可能延长折旧年限）\n6. 资本化比例上升、费用化下降（利润被\"美化\"）\n7. 关联交易或非经常性损益对利润贡献过大\n8. 审计意见变化、内控缺陷、频繁更换审计师\n\n## 3) 量化模型计算（核心）\n\n### A. Beneish M-Score（8变量）\n\n使用 `references/beneish-formulas.md` 的定义与公式计算：\n\n- DSRI, GMI, AQI, SGI, DEPI, SGAI, LVGI, TATA\n- 线性组合得到 M-Score\n\n解释规则（行业分组阈值）：\n\n**通用阈值**：\n- `M-Score > -2.22`：盈余操纵风险偏高\n- `M-Score <= -2.22`：未见明显操纵信号\n\n**行业调整阈值**（参考 `references/industry-thresholds.md`）：\n- 科技/互联网：`-2.10`（高增长容忍度）\n- 制造业：`-2.22`（标准阈值）\n- 消费品：`-2.30`（稳定性要求更高）\n- 金融业：不适用 Beneish（需专用模型）\n\n### B. Dechow F-Score（应计质量）\n\n详见 `references/dechow-fscore.md`。\n\n核心公式：\n`F-Score = -4.255 + 1.191*RSST_Accruals + 0.057*ΔCash_Sales + 0.691*ΔReceivables + 0.179*ΔInventory + 0.124*%Soft_Assets + 0.303*ΔCash_Margin + 0.116*ΔROE`\n\n解释：\n- `F-Score > 1.0`：高应计质量风险\n- `F-Score <= 1.0`：应计质量可接受\n\n### C. 现金-利润一致性\n\n至少计算：\n\n- `CFO / 净利润`\n- `应计项比率 = (净利润 - CFO) / 总资产`\n\n经验解释：\n\n- `CFO/净利润` 长期显著低于 1，且应计项比率持续偏高 → 利润质量可疑\n\n### D. 结构性对比（趋势 + 同行）\n\n对以下指标做**时间趋势**与**同行横向对比**：\n\n- 应收周转天数、存货周转天数\n- 毛利率、期间费用率\n- 资本开支与折旧比\n- 资产负债率、短债压力\n\n## 4) 三层证据整合（防止单指标误判）\n\n必须同时给出三层证据：\n\n1. **模型证据**：M-Score 与关键比率是否异常\n2. **财务逻辑证据**：利润、现金流、营运资本是否一致\n3. **治理与披露证据**：审计意见、关联交易、会计政策变更说明\n\n若三层证据仅有一层异常，结论降级为\"观察风险\"；\n若三层证据多数一致异常，结论升级为\"高风险\"。\n\n## 5) 输出格式（固定模板）\n\n按以下结构输出，避免散乱描述：\n\n### 5.1 执行摘要（<= 150字）\n- 风险等级：低 / 中 / 高\n- 最关键的2-3条证据\n- 下一步建议\n\n### 5.2 指标总表（必须表格）\n列：`指标 | 本期 | 上期 | 变化 | 风险信号(是/否) | 解释`\n\n### 5.3 Beneish分解（必须表格）\n列：`变量 | 数值 | 对风险的含义`\n并给出最终 M-Score 与阈值比较。\n\n### 5.4 红旗清单\n- 已命中红旗（按严重程度排序）\n- 未命中但需持续跟踪的红旗\n\n### 5.5 结论与行动建议\n- 结论：低/中/高风险（附置信度）\n- 建议动作：\n  - 立即补充哪些披露材料\n  - 是否需要深入核查（如函证、渠道访谈、供应链交叉验证）\n\n### 5.6 局限性（必须写）\n- 数据缺失/口径差异/行业季节性等可能影响。\n\n## 6) 质量门槛（输出前自检）\n\n输出前逐条检查：\n\n- [ ] 是否明确\"风险筛查≠定罪\"\n- [ ] 是否给出可复核公式与关键数据来源\n- [ ] 是否有\"趋势+同行\"双重比较\n- [ ] 是否包含局限性说明\n- [ ] 是否给出具体下一步核查建议\n\n## 7) 脚本工具\n\n### 单公司分析\n\n若用户提供了结构化数字，运行：\n\n```bash\npython scripts/beneish_mscore.py --input data.json\n```\n\n### 批量筛查（10+ 公司）\n\n自动从 SEC EDGAR 获取数据并计算：\n\n```bash\npython scripts/fetch_and_analyze.py\n```\n\n输出：\n- `tmp/beneish_batch_results.json`：完整结果\n- 终端：汇总表格（Ticker | M-Score | Risk | CFO/NI）\n\n### 行业对标分析\n\n```bash\npython scripts/industry_benchmark.py --ticker AAPL --peers MSFT,GOOGL,META\n```\n\n## 8) 实战验证结果（v2）\n\n已在以下公司测试（2024/2023 数据）：\n\n| 公司 | M-Score | 风险信号 | CFO/NI | 解读 |\n|------|---------|----------|--------|------|\n| AAPL | -2.76 | 低 | 1.22 | 现金流健康，无异常 |\n| MSFT | -2.39 | 低 | 1.22 | 稳健 |\n| AMZN | -2.61 | 低 | -17.18 | 现金流异常强（投资收益） |\n| GOOGL | -2.51 | 低 | 1.53 | 优秀 |\n| META | -2.72 | 低 | 2.18 | 现金流极佳 |\n| **TSLA** | **-2.14** | **高** | 1.17 | ⚠️ 接近阈值，高增长压力 |\n| **NVDA** | **-2.21** | **高** | 0.93 | ⚠️ 临界值，应计项偏高 |\n| JNJ | -2.52 | 低 | 1.18 | 稳健 |\n| PG | -2.49 | 低 | 1.13 | 稳健 |\n| WMT | -2.78 | 低 | 1.77 | 优秀 |\n\n**关键发现**：\n1. TSLA/NVDA 触发风险信号，但属于高增长科技公司的正常特征\n2. 需结合行业阈值判断（科技股 -2.10 vs 通用 -2.22）\n3. CFO/NI 比率是重要补充指标（<1.0 需警惕）\n","tags":{"latest":"1.0.1","analysis":"1.0.0","finance":"1.0.0","fraud":"1.0.0"},"stats":{"comments":0,"downloads":512,"installsAllTime":0,"installsCurrent":0,"stars":0,"versions":2},"createdAt":1777534495845,"updatedAt":1779121051576},"latestVersion":{"version":"1.0.1","createdAt":1777534694436,"changelog":"- Major simplification: large codebase cleanup—removed 97 files, retaining only core analytics scripts.\n- Kept essential scripts for Beneish M-Score and Dechow F-Score analysis.\n- Retained sample financial dataset for analysis.\n- No changes to user-facing features or analytic methodology.","license":"MIT-0"},"metadata":null,"owner":{"handle":"hollis9087","userId":"s177cqfxj8hyd271e27az0p2nx85tds8","displayName":"hollis9087","image":"https://avatars.githubusercontent.com/u/264116703?v=4"},"moderation":null}