FengInvest

这一条路径回答最根本的问题：这笔投资，我真的理解吗？它靠什么赚钱？这个生意十年后还在吗？什么力量能杀死它？

• L0 能力圈确认：三问——怎么赚钱？10 年后还在吗？什么能杀了它？输出「懂 / 不充分懂 / 不懂」。
• 护城河与长期性：被 L0 判为"不充分懂"的标的，M 层之后会被拦截，不进入深度分析。
• 安全边际意识：从企业价值出发，不追涨、不猜反弹，只在他们有足够缓冲时出手。
• 硬纪律上限：L1 的 8 条规则是在价值框架里的刹车——越喜欢，越要看规则是否放过自己。

感觉是存量的，数据是活着的。这一条路径用多因子模型把「贵不贵、好不好」变成一组可比较、可回测的数字，而不是拍脑袋。

• 10 因子 z-score 量化：估值、质量、成长、动量、情绪等多因子标准化后加权，得到一个相对排序的分数。
• 数据管道（M 层）：fengdata.py 采集、去重、重试、代理切换，保证每一格数据都来自可信来源。
• 3 灯判定：宏观 / 估值 / 趋势 / 情绪四灯判定市场状态，量化路径在合适的环境里才生效。
• 可与主观互相校验：当量化分数与价值判断冲突时，L3 碰撞引擎会主动制造一场辩论，而不是静默忽略。

投资里最能骗人的，是自己顺着自己。FengInvest 用 4 个 AI Agent 并行定性，分别站在四位投资者的立场独立作答，再由碰撞引擎把它们的结论拧在一起。

• 段永平视角：生意的底层逻辑——别人为什么买？护城河在哪？
• 巴菲特视角：企业质量与长期回报——是不是一桩赚钱的好生意。
• 芒格视角：逆向与多元思维——哪里最容易犯错，怎么避免。
• 李录视角：能力圈与长期主义——我真的懂，还是只是想要？
• L3 碰撞引擎：反方四问 + 行为偏误检查 + 规则树碰撞。每个 Agent 的结论都可能被挑战，最终输出收敛后的判断与分歧记录。

• L0 能力圈确认：三问——怎么赚钱？10 年后还在吗？什么能杀了它？输出「懂 / 不充分懂 / 不懂」。
• M 市场数据：采集 + 4 灯判定（宏观 / 估值 / 趋势 / 情绪）。
• L1 硬纪律：8 条规则逐一校验。
• L2b 量化因子：10 因子 z-score 量化分析。
• L2a 定性分析：4 个 AI Agent 并行，段永平 / 巴菲特 / 芒格 / 李录四个视角。
• L3 碰撞引擎：反方 4 问 + 行为偏误检查 + 规则树碰撞。
• P 组合检查：仓位管理 + 压力测试。
• L4 报告：结构化研究报告，华尔街分析师格式。

状态机拦截跳步：未完成 L0 无法进入 M，未完成 L3 无法出报告。流程不会因为「感觉差不多了」就跳过任何一步。

• 数据质量门禁：从 stockanalysis.com 拉取 PE / Forward PE 与本地对比，差异小于 5% 通过，5–10% 警告，大于 10% 判定失败。
• 跨层一致性：PE 值跨 M / L2b 校验，差异超过 5% 自动报警。
• 降级传播：数据源降级时，下游权重自动降低。
• 输出验证：标记完成时自动检查关键字段是否存在。
• Web UI：分析进度与报告可视化，工具集面向日常研究使用。

• python tools/fengstate.py init <TICKER> — 初始化分析
• python tools/fengstate.py check <TICKER> <层> — 检查前置条件
• python tools/fengstate.py complete <TICKER> <层> <文件> — 标记完成
• python tools/fengstate.py status <TICKER> — 查看进度
• python tools/fengstate.py verify <TICKER> — 全量验证