Quartz 5

Nav Toor Financial Analysis Prompts

Properties2
descriptionNavToor 金融分析工具
tagsdeploy

9 min read

相關頁面

Nav Toor: 投資銀行級財務分析 Prompt 彙整

這套 Prompt 旨在將 AI 轉化為頂尖投行 (如 Goldman Sachs, Morgan Stanley) 級別的分析工具，將簡單的摘要提升至私募股權 (Private Equity) 級別的定量分析。

1. 運營模式與單位經濟效益 (Operating Model & Unit Economics)

💡 分析重點

  • 極高標準角色 (Persona)：設定為 「General Atlantic 的成長股投資人」，驅使 AI 關注「可擴展性 (Scalability)」與「風險控制」。
  • 自下而上構建 (Bottom-up)：要求展示營收構建 (Revenue Build) 過程，而非直接給予結果。
  • 核心指標分析：強制分析 CAC (獲客成本) 與 LTV (生命週期價值) 的關係。
  • 動態風險管理：引入情景規劃 (Upside, Base, Downside) 與燃燒率 (Burn Rate) 計算。
  • 嚴格時間維度：第一年每月預測 → 第二、三年每季預測。

📝 Prompt 模板

您是 General Atlantic 的成長股投資人。我需要了解 [公司名稱] 的詳細經營模式。

請提供：

  • 營收預測：透過客戶、產品或地區等維度進行自下而上的預測
  • 單位經濟指標：獲客成本、客戶生命週期價值、回報期、每單位的毛利率
  • 群組分析：不同年齡層的客戶隨時間的表現如何
  • 主要影響因素：是什麼導致了收入和成本的變動？
  • 情景規劃：上漲、持平、下跌三種情況的假設
  • 燃燒率：每月的現金消耗量及資金維持期計算
  • 盈虧平衡分析：當公司的現金流為正數時
  • 擴張假設：隨著業務成長，單位經濟效益如何提升

採用運營模式來呈現數據，第一年為每月的預測數據，第二至三年則為每季的預測數據。

公司：[說明商業模式、現有指標及成長率]

2. 核心財務分析 Prompt (四大關鍵任務)

2.1 現金流量折現模型 (DCF Model)

  • 目的：估算公司目前價值。
  • 角色：高盛高級分析師 (Senior Analyst)。
  • 分析核心：未來 5 年自由現金流 → WACC 折現 → 終端價值 → 敏感度分析。
  • 產出：牛市 (Bull)、基準 (Base)、熊市 (Bear) 的估值範圍。

2.2 三表財務模型 (Three-Statement Model)

  • 目的：分析財務互連性。
  • 角色：摩根士丹利副總裁 (Vice President)。
  • 分析核心：損益表 → 資產負債表 → 現金流量表 的聯動邏輯，包含營運資本與債務還款計畫。
  • 產出：完整 5 年財務預測模型及 Excel 格式邏輯說明。

2.3 可比公司分析 (Comparable Company Analysis / Comps)

  • 目的：透過同業定價參照公司價值。
  • 角色：花旗銀行股票研究分析師 (Equity Research Analyst)。
  • 分析核心：篩選 10-15 家對標公司 → 比較 EV/EBITDA、EV/Revenue、P/E 倍數 → 計算溢價/折價原因。
  • 產出：包含分位數 (25th, Median, 75th) 的估值對比表。

2.4 IPO 估值與定價分析 (IPO Valuation)

  • 目的：確定上市定價策略。
  • 角色：巴克萊資本市場銀行家 (Capital Markets Banker)。
  • 分析核心：Pre-Money/Post-Money 估值 → 稀釋分析 → 流通盤分析 → 定價區間。
  • 產出：IPO 定價備忘錄 (Pricing Memo) 及建議價格區間。

🚀 核心邏輯總結

  1. 角色設定 → 定義專業深度 (專業角色 = 專業框架)。
  2. 推演過程 → 強制自下而上 (Bottom-up) 構建，避免 AI 隨意捏造數字。
  3. 動態變數 → 使用情景規劃與壓力測試 (Scenario Planning)。
  4. 交付標準 → 模仿頂尖投行 (IB) 的報告格式與時間粒度。

相關頁面：Environment Keys

相關頁面：news-push-log

相關節點

Unified Stock Schema

status: active title: “統一股票資料欄位 Schema” summary: “統一股票資料欄位 Schema：1. 統一 Schema 對照表” created: 2026-06-04 updated: 2026-06-04 type: concept tags: [source, tw-stock, deploy]

統一股票資料欄位 Schema

為確保系統資料庫 (SQLite) 與各資料來源 (TWSE, TPEx, FinMind, yfinance, OpenBB) 運作順暢，所有資料入庫前必須映射為以下統一 Schema。

1. 統一 Schema 對照表

統一欄位名稱型別描述對應來源建議
stock_idVARCHAR股票代號TWSE/TPEx
dateDATE交易日期 (YYYY-MM-DD)所有來源
openFLOAT開盤價所有來源
highFLOAT最高價所有來源
lowFLOAT最低價所有來源
closeFLOAT收盤價所有來源
volumeBIGINT成交股數所有來源
amountBIGINT成交金額TWSE/TPEx
pe_ratioFLOAT本益比TWSE/FinMind
pb_ratioFLOAT股價淨值比TWSE/FinMind
dividend_yieldFLOAT殖利率 (%)TWSE/FinMind
epsFLOAT每股盈餘 (元)FinMind
roeFLOAT股東權益報酬率 (%)FinMind

2. 轉換規範 (Standardized Logic)

  1. 命名規範：統一使用 snake_case，確保與 Pandas/SQLite 欄位索引對齊。
  2. 缺值處理 (Handling N/A)：
    • 數值欄位：無資料填入 NULL (SQLite) 或 None (Python)。
    • 不建議預設填充 -1，以利後續統計聚合 (AVG/SUM) 時避開空值。
  3. 日期格式：所有日期強制轉換為 YYYY-MM-DD 字串，並在資料庫內存為 ISO 格式。
  4. 編碼對齊：
    • TWSE/TPEx：優先解析 UTF-8；若遇舊 CSV，強制轉換 utf-8-sig。
    • 資料處理：所有來源數據進入 SQLite 前需執行 float() 型別轉換，並過濾 - 或 空字串。

3. 資料獲取來源優先級 (Source Hierarchy)

  • 台股市場：官方 OpenAPI (TWSE/TPEx) → FinMind (補齊財報/法人指標)。
  • 國際/美股/ETF：OpenBB Platform → yfinance (作為穩定備援)。

4. 維護記錄

  • 2026-06-04 | 建立統一 Schema 定義檔。

相關節點

Unified Stock Schema

Fred Economic Data

status: active description: “美國聯準會總體經濟資料庫 (FRED) 數據源。” tags:

  • terminal
  • memory
  • execute_code title: “Fred-Economic-Data” summary: “FRED 美國聯準會經濟數據源與操作方法” created: 2026-05-31 updated: 2026-05-31 type: concept

相關頁面

  • S&P 500 成分

美國聯準會總體經濟資料庫 (FRED)

概述

FRED (Federal Reserve Economic Data) 是由美國聯準會提供的宏觀經濟數據平台，提供超過 900,000 個經濟數據系列，涵蓋:

  • 利率（聯邦基金利率、 Policy Rate）
  • 通膨指標（消費者物價指數 CPI、核心 CPI）
  • 國內生產總值 (GDP) 成長率
  • 就業指標（失業率、非農就業人數）
  • 貨幣供應量（M2 量寬）
  • 匯率、貿易平衡、資本流動等

主要數據系列

  • FEDFUNDS: 監測美國利率變動
  • CPIAUCSL: 消費者物價指數（CPI）
  • GDP: 國內生產總值
  • UNEMPLOYEE: 失業率
  • M2SL: 貨幣供應 M2
  • EXCHBRATE: 匯率

使用方式

與本系統的關聯

  • 屬於 T1 - Institutional Grade (可信度: HIGH) 數據源。
  • 可用於宏觀事件監控（如 FED_EVENT、RATE_SHOCK）及量化分析。
  • 數據質量高，適合作為宏觀事件分析、風險評估與數據可視化的基礎。

使用範例

# 示例：抓取近期美國 CPI 數據
import fredapi
fred = fredapi.Fred(api_key='YOUR_API_KEY')
cpi = fred.get_series('CPIAUCSL')
print(cpi.tail())

Graph View

Backlinks