FengInvest

這一條路徑回答最根本的問題：這筆投資，我真的理解嗎？它靠甚麼賺錢？這門生意十年後還在嗎？甚麼力量能殺死它？

• L0 能力圈確認：三問——怎麼賺錢？10 年後還在嗎？甚麼能殺了它？輸出「懂 / 不充分懂 / 不懂」。
• 護城河與長期性：被 L0 判為「不充分懂」的標的，M 層之後會被攔截，不進入深度分析。
• 安全邊際意識：從企業價值出發，不追漲、不猜反彈，只在有足夠緩衝時出手。
• 硬紀律上限：L1 的 8 條規則是在價值框架裡的剎車——越喜歡，越要看規則是否放過自己。

感覺是存量的，數據是活著的。這一條路徑用多因子模型把「貴不貴、好不好」變成一組可比較、可回測的數字，而不是拍腦袋。

• 10 因子 z-score 量化：估值、質量、成長、動量、情緒等多因子標準化後加權，得到一個相對排序的分數。
• 數據管道（M 層）：fengdata.py 採集、去重、重試、代理切換，保證每一格數據都來自可信來源。
• 3 燈判定：宏觀 / 估值 / 趨勢 / 情緒四燈判定市場狀態，量化路徑在合適的環境裡才生效。
• 可與主觀互相校驗：當量化分數與價值判斷衝突時，L3 碰撞引擎會主動製造一場辯論，而不是靜默忽略。

投資裡最能騙人的，是自己順著自己。FengInvest 用 4 個 AI Agent 並行定性，分別站在四位投資者的立場獨立作答，再由碰撞引擎把它們的結論擰在一起。

• 段永平視角：生意的底層邏輯——別人為甚麼買？護城河在哪？
• 巴菲特視角：企業質量與長期回報——是不是一樁賺錢的好生意。
• 芒格視角：逆向與多元思維——哪裡最容易犯錯，怎麼避免。
• 李錄視角：能力圈與長期主義——我真的懂，還是只是想要？
• L3 碰撞引擎：反方四問 + 行為偏誤檢查 + 規則樹碰撞。每個 Agent 的結論都可能被挑戰，最終輸出收斂後的判斷與分歧記錄。

• L0 能力圈確認：三問——怎麼賺錢？10 年後還在嗎？甚麼能殺了它？輸出「懂 / 不充分懂 / 不懂」。
• M 市場數據：採集 + 4 燈判定（宏觀 / 估值 / 趨勢 / 情緒）。
• L1 硬紀律：8 條規則逐一校驗。
• L2b 量化因子：10 因子 z-score 量化分析。
• L2a 定性分析：4 個 AI Agent 並行，段永平 / 巴菲特 / 芒格 / 李錄四個視角。
• L3 碰撞引擎：反方 4 問 + 行為偏誤檢查 + 規則樹碰撞。
• P 組合檢查：倉位管理 + 壓力測試。
• L4 報告：結構化研究報告，華爾街分析師格式。

狀態機攔截跳步：未完成 L0 無法進入 M，未完成 L3 無法出報告。流程不會因為「感覺差不多了」就跳過任何一步。

• 數據質量門禁：從 stockanalysis.com 拉取 PE / Forward PE 與本地對比，差異小於 5% 通過，5–10% 警告，大於 10% 判定失敗。
• 跨層一致性：PE 值跨 M / L2b 校驗，差異超過 5% 自動報警。
• 降級傳播：數據源降級時，下游權重自動降低。
• 輸出驗證：標記完成時自動檢查關鍵欄位是否存在。
• Web UI：分析進度與報告視覺化，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> <層> — 檢查前置條件
• python tools/fengstate.py complete <TICKER> <層> <文件> — 標記完成
• python tools/fengstate.py status <TICKER> — 查看進度
• python tools/fengstate.py verify <TICKER> — 全量驗證