Mrjie7205/serenity-bottleneck-hunter

解决的问题

它自动化了一种特定的投资研究方法，旨在寻找“瓶颈”股票——即对特定投资主题（例如 AI 数据中心电力）至关重要的被忽视的上游公司。它不追逐热门股票，而是帮助用户在更广泛的市场注意到之前，识别出整个行业所依赖的关键供应商。

运作方式

该项目作为 AI 代理（如 OpenAI Codex 或 Claude Code）的“技能”运作，通过提供结构化的工作流程和一套工程工具来防止常见的 LLM 错误：

1. 反向供应链映射：将主题分解为五层依赖关系图，以找到关键节点。
2. 瓶颈原型：应用九种特定模式来识别哪些公司是真正的“瓶颈”。
3. 数据验证：为防止幻觉，它使用专用脚本进行股票代码验证、ETF 持仓审计，并强制通过 API (EODHD/yfinance) 获取价格，而不是让 LLM 猜测价格。
4. 问责框架：强制对每个候选对象进行“红队”分析，要求设定证伪条件（如何证明论点错误），并将这些选择记录在 CSV 中以供未来的样本外验证。
5. 报告：生成一份包含可视化供应链地图以及用于时机和估值的“水位”量表的独立 HTML 报告。

适用对象

• 寻求系统化方法来寻找上游 Alpha 的投资研究人员和交易员。
• 希望将 LLM 转变为严谨金融分析师的 AI 代理（Codex, Claude）用户。

重点特色

• 幻觉防护栏：实施多层防御（股票代码真值库和预提交钩子）以确保公司数据准确。
• 反偏见逻辑：使用 ETF 审计来对抗 LLM 的“热门偏见”。
• 量化问责：追踪相对于主题 ETF 的 Alpha，并比较“选定”与“排除”的篮子以衡量实际技能。
• 可视化报告：自动在 HTML 报告中渲染 SVG 供应链地图和估值轨迹。