創業板歷史新高之後，我讓300個AI Agent 拆了一遍科技股產業鏈

作者：貓哥AI量化

日期：2026年6月8日下午6:15

來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點高亮

作者用Kimi Agent集羣拆解科技股產業鏈，從7個環節到20份研報到互動看板，證明個人投資者也能用AI達到機構級研究效率。

整理版摘要

貓哥係一個普通上班族，之前炒股全靠運氣，聽消息跟大V，覺得自己冇條件做專業研究。佢發現金融分析師做嘅產業鏈拆解、財務數據分析呢啲工作，其實可以用AI來完成。佢揀咗Kimi，因為Kimi有Agent集羣，最高可以並行300個Agent，仲接咗同花順iFinD金融數據庫，可以大規模搜資料同計數。

文章詳細展示咗佢點樣用呢個工具做咗成個科技股產業鏈分析：先將AI硬件產業鏈拆成7個環節，用Serenity嘅三大框架（不可替代性、供給緊度、定價充分度）同步評分，揀出20隻標的；然後用Agent集羣同時出20份機構級研報，涵蓋公司概覽、核心財務、估值分析等等；之後仲生成咗一個交互式HTML看板，將所有數據整合埋一齊；最後用動量評分模型從20隻中篩出Top 10，同埋用成交額集中度看板警示市場風險。

整體結論係：AI最好嘅價值唔係取代人，而係令以前做唔到嘅事變得可以做。貓哥認為一個人用Agent集羣，基本做到傳統量化團隊3-4個人嘅工作。佢仲提到呢個服務每月99蚊，300個Agent隨叫隨到。

個人投資者可用AI Agent集羣達到機構級研究效率，唔再需要依賴運氣。
拆解產業鏈為7個關鍵環節，用不可替代性、供給緊度、定價充分度三大框架交叉驗證。
Agent集羣可以並行處理20份研報，比串行操作快好多，仲可以一次出曬公司概覽、財務、估值等內容。
AI唔係取代人，而係擴展個人能力，令以前機構先做到嘅深度分析變得人人可做。
推薦使用Kimi Agent集羣配合金融數據庫，每月99蚊就可以復現成個流程，自己動手做選股研究。

整理重點

AI令個人投資者擁有機構級能力

貓哥本身係一個上班族，以前炒股狀態可以用「胡買」同「睇運氣」嚟形容。佢覺得唔係唔想認真，而係冇條件——金融分析師月薪幾萬，要花大量時間拆產業鏈、拆財務數據、跑量化模型。但佢發現呢件事開始AI化，一個普通人靠AI做規範化選股，有機會賺到工資以外嘅收益。

評估AI輔助選股嘅核心能力有三個：大規模蒐集資料、計算數據、有數據庫接口。

貓哥揀咗Kimi，因為佢有Agent集羣，最高並發300個Agent，可以同時做好多任務；加上佢嘅金融數據庫接口（同花順iFinD）比較完備，確保數據精準。

整理重點

產業鏈深掃與並行研報

貓哥先將科技股產業鏈（AI硬件相關）拆成7個關鍵環節：半導體設計、晶圓製造、封測、設備、材料、存儲芯片、AI算力。然後用國外大神Serenity嘅三大評分框架——交叉驗證——嚟打分。

三大框架：不可替代性、供給緊度、定價充分度。

1 呢個環節係咪不可替代？技術壁壘有幾高？有冇替代方案？斷供應會唔會停擺？
2 呢個環節係咪供給最緊？產能滿未？供需缺口幾大？擴產要幾耐？
3 呢間公司仲未俾市場充分定價？估值喺歷史咩位置？一致預期嘅盲區喺邊？有冇催化劑？

Agent集羣同時對7個環節推進分析，唔係串行，而係並行。大概十分鐘左右，各個研究員顯示「已完成」，就可以驗收成果。

20個Agent同時開工，各負責一隻標的，從公司概覽到風險提示一次過產出。

每份研報包含：公司概覽、核心財務（營收/利潤/毛利率/ROE/負債率/現金流近3年趨勢）、估值分析（PE/PB/PS vs歷史分位 vs可比公司）、投資邏輯、風險提示。格式係標準機構級研報排版。

Equity-researcher呢個Skill將機構研報嘅「骨架」內置咗入Agent，普通人唔需要識寫，話「出份研報」就得。

整理重點

全景看板與動量評分

貓哥再叫Agent生成一個產業鏈全景交互看板（自包含HTML文件），將所有數據整合到一個頁面。

🎯 產業鏈全景圖：7個環節橫向排列，每個環節用唔同顏色卡片展示代表標的。
📊 評分雷達圖矩陣：每個環節一個雷達圖，三條軸係不可替代性、供給緊度、定價充分度。
⚠️ 風險面板：卡片式佈局，高風險標的用紅框標註。

設計風格係Bloomberg Terminal深色主題——深藍底＋熒光綠配色，Agent直接生成。

之後佢加咗一層動量評分模型，從20隻精選標的中篩出Top 10。動量模型係趨勢追蹤——強者恆強。

關鍵設計：動態窗口（低波動睇60日，高波動睇20日）、加權迴歸（離今日越近權重越高），同時睇趨勢方向同趨勢質量（R²）。

Agent從拉取歷史行情數據、執行動量計算到輸出回測報告，一個人基本幹咗傳統量化團隊3-4個人嘅活。

整理重點

成交額集中度與最終反思

最後一個看板分析全市場成交額集中度：每個月將全市場股票按成交額排序，取前5%嘅股票，計佢哋佔全市場成交額嘅比例。呢個值越高，資金越扎堆，泡沫風險越大。

當前Top 5%集中度係45.86%，突破咗36個月嘅90%置信區間上界（43.05%），達到36個月最高。

貓哥解讀：資金高度集中喺頭部少數股票，係三年來從未咁極端，好似一個「當前市場嘅風險温度計」，提醒要多啲警惕，少啲衝動。

服務價格：¥99/月，300個Agent隨叫隨到。

免責聲明：本文所有投研內容僅為個人研究記錄，不構成投資建議。回測數據不代表實盤表現，市場有風險，投資需謹慎。

📖 卷首語

之前一段時間股市行情好旺，美股、韓股、日股同埋中國嘅創業板、科創板，都係不斷咁升，創曬歷史新高。

貓哥自己整咗一個A股市場、超過5000隻股票嘅月度成交額數據看板，覆蓋最近36個月嘅數據。主要係用嚟睇成交額集中度。呢度所有數據係用iFind金融數據庫，成個過程喺Kimi Agent集羣入面完成，後面有實戰詳細解釋。

好多打工仔朋友喺市況好嘅時候開始炒股，包括貓哥之前都係咁，狀態基本上可以用兩個字嚟總結：胡買。好啲嘅仲有剩低三個字：靠運氣。

唔睇財報、唔拆產業鏈、唔行模型，靠感覺、聽消息、跟大V。唔係唔想認真做，係真係冇呢個條件。

金融行業再點唔景氣，一個junior analyst嘅月薪都仲有3萬到5萬，佢哋要花好多時間去了解產業鏈環節、拆財務數據、跑量化模型，呢啲係一個初級分析師嘅日常工作。但我覺得呢件事亦都逐漸AI化。

一個打工仔靠AI去做更加規範化嘅選股，係有可能賺到人工以外嘅少少回報。而評估一個AI係咪可以用嚟輔助選股，核心能力要睇呢三個：能夠大規模咁蒐集資料、計算數據、有數據庫接口。

有時資料蒐集呢一個環節唔完整，後面嘅嘢就唔使睇。貓哥今日揀嘅實戰教學產品係Kimi，首先佢有Agent集羣（最高並發值300，可以用300個Agent並行做嘢），

能夠解決單一Agent完成唔到嘅規模搜尋同計算，其次佢嘅金融數據庫接口都比較完備（有同花順等等）。

今日呢篇文睇完，你都可以跟住做。日常選股嘅手感，提升唔止一個level。

Step 1：產業鏈深掃——7個環節 × 三大框架

先拆產業鏈

科技股產業鏈唔係一個賽道，係一張網。例如AI硬件相關嘅，貓哥將佢拆成7個關鍵環節：半導體設計、晶圓製造、封測、設備、材料、存儲芯片、AI算力。

三大評分體系

畀每個環節打分，貓哥用嘅係國外大神Serenity設計嘅框架——交叉驗證。

建議新手可以學習一下呢個Skill，係近期喺A股 / 美股圈爆紅嘅獨立分析師。

簡單講，Serenity嘅框架入面就係三個問題：

第一，呢個環節係咪不可替代？技術壁壘有幾高？有冇替代方案？如果斷供，產業鏈會唔會停擺？

第二，呢個環節係咪供給最緊張？產能滿咗未？供需缺口有幾大？擴產要幾長時間？

第三，呢間公司係咪仲未被市場充分定價？估值喺歷史咩位置？一致預期嘅盲區喺邊？近期有冇催化劑？

三個維度加權之後，Agent集羣同時對7個環節推進分析——注意呢度唔係逐個環節串行做，係 7個環節同時進行。

使用方法：將提示詞複製到Kimi對話框，記得撳Agent集羣掣。

然後就可以見到Kimi建立咗多個研究Agent去執行任務，包括搜尋資訊、撰寫報告等，左下角可以見到唔同Agent嘅任務處理進度條。

數據揀選咗Kimi接咗的同花順iFinD金融數據庫，確保金融數據更精準。

大概十分鐘左右，各個研究員顯示「已完成」嘅狀態，我哋作為老細就可以驗收成果喇。

Step 2：Agent集羣並行出研報

20隻標嘅揀出嚟，下一步係深度研究每間公司。

呢度要重點講下 Agent集羣同普通Chatbot嘅分別。

如果用普通Chatbot寫20份研報，你需要：寫完第1份 → 複製貼上 → 開始寫第2份 → 再複製貼上 → 第3份……串行操作，寫到第5份就想放棄。

Agent集羣嘅做法係：20個Agent同時開工，每個負責一隻標嘅。由公司概覽、核心財務、估值分析，到投資邏輯、風險提示，一次性全部產出。

呢度畀大家截個圖睇下：

每份研報包括：

公司概覽 — 核心業務拆解、產業鏈位置、競爭格局
核心財務 — 營收/利潤/毛利率/ROE/負債率/現金流（近3年趨勢）
估值分析 — PE/PB/PS vs 歷史分位 vs 可比公司
投資邏輯 — 基於三大評分框架嘅投資邏輯陳述
風險提示 — 行業風險/公司經營風險/估值風險

格式係標準機構級研報排版。貓哥見到第一份研報嘅時候，第一個反應係——呢啲真係AI寫㗎？唔係因為佢誇張，而係佢太「正經」喇。框架、術語、數據嘅編排方式，都係券商研究員出嚟嗰種味道。

換句話講，equity-researcher呢個Skill將機構研報嘅「骨架」內置咗入Agent裏面，普通人唔需要知道點寫，同佢講「出份研報」，佢自己就會跟標準框架嚟。

另外仲有多份產出資料，甚至有產業鏈評分對比雷達圖：

Step 3：產業鏈全景看板——將數據變成互動看板

前面嘅研究產出咗大量數據——評分矩陣、研報等等。但係呢啲數據分散喺唔同地方，好難一眼睇曬。貓哥叫Agent生成一個產業鏈全景互動看板（自包含HTML檔案），將所有數據整合到一個頁面入面。

看板包含4個模塊：

🎯 產業鏈全景圖： 7個環節由左到右橫向排列，每個環節用唔同顏色嘅卡片展示代表標嘅。

📊 評分雷達圖矩陣：每個環節一個雷達圖，三條軸分別係不可替代性、供給緊張度、定價充分度。唔係沉悶嘅表格，而係一眼就可以對比嘅可視化。

⚠️ 風險面板：卡片式佈局，每張卡片展示一個標嘅嘅關鍵風險點。高風險標嘅用紅框標示，一目瞭然。

設計風格係Bloomberg Terminal嘅深色主題——深藍底色加螢光綠配色，打開瀏覽器就可以互動。而且係Agent直接生成。由拉數據、寫代碼、到前端渲染，Agent全部包辦。

Step 4：動量評分——20隻揀Top 10

20隻精選標嘅都仲係太多。貓哥再加咗一層篩選——動量評分模型。動量模型講白咗就係趨勢追蹤——強者恆強，升得靚嘅大概率會繼續升，跌得慘嘅都容易繼續跌。將佢嵌入到Agent嘅prompt入面，等AI跟量化方法行回測。

Agent唔止做文字嘢。由拉取歷史行情數據、執行動量計算、到輸出回測報告——一個人喺一個Agent集羣入面，基本上做到傳統量化團隊3至4個人嘅嘢。

幾個關鍵設計：

動態窗口：低波動嘅時候睇長期（60日），趨勢更可靠；高波動嘅時候睇短期（20日），及時捕捉變化。用ATR比率自動判斷而家屬於邊種狀態。

加權回歸：離今日越近嘅數據權重越高，確保趨勢評估更能反映當下市況。

換句話講，呢個模型同時睇咗趨勢嘅方向（升定跌）同埋趨勢嘅質量（R²越高，趨勢越可靠），唔係簡單靠估。

產出：動量評分Top 10排名加完整評分底表，而且針對2026年至今嘅數據做咗回測。

Step 5：成交額集中度看板——當前市場嘅風險温度計

最後一個看板，貓哥想睇下成個A股市場——錢到底去咗邊？

成交額集中度：每個月，將全市場股票按嗰個月成交額由高到低排列，揀前5%嘅股票，計佢哋佔全市場成交額嘅比例。舉個例：如果計出嚟係40%，即係全市場只得前5%嘅股票，就食咗40%嘅成交量。

呢個值越高，資金越扎堆，抱團越明顯。呢個指標真正嘅作用係風險預警——集中度越高，即係行情越一致，市場看法幾乎冇分歧，泡沫積聚嘅風險就越大。

數據質量：Kimi Agent集羣用咗iFind金融數據庫，拉了全市場超過5000隻股票嘅月度成交額數據，覆蓋最近36個月。

貓哥嘅解讀：

當前Top 5%集中度45.86%，已經突破咗36個月嘅90%置信區間上界（43.05%），而且達到咗36個月以嚟嘅最高值。

換句話講，資金高度集中喺頭部少數股票上，呢個現象喺近三年從未試過咁極端。佢就好似一個「當前市場嘅風險温度計」——話畀你知而家嘅位置可能需要多啲警惕，少啲衝動。

📖 寫在最後

回顧一下，貓哥用Kimi 的 Agent集羣做咗啲咩：

1.產業鏈深掃：7大科技環節同時分析，三大框架精選20隻
2.並行研報：20份機構級研報，一次生成
3.全景看板：將所有數據變成互動式HTML看板
4.動量評分：量化方法由20隻中優選Top 10
5.回測驗證：動量選股邏輯跑出超額回報
6.集中度分析：全市場成交額集中度45.86%，歷史新高

以前得機構先有嘅研究深度同效率，而家一個人就做到。

貓哥自己嘅感受係——AI最好嘅價值，不應該是唔係「取代邊個」，而係令以前做唔到嘅事變得可以做，可能每個人都可以喺入面揾到自己未被人發掘嘅能力。

關於價格：¥ 99/月，300個Agent隨叫隨到。

如果你喺實踐中遇到問題或者有新發現，期待同貓哥交流～

⚠️ 免責聲明：本文所有投研內容只係個人研究記錄，唔構成投資建議。回測數據唔代表實盤表現，過去表現唔預示未來收益。市場有風險，投資需謹慎。

📖 卷首語

之前一段時間股市行情火熱、美股、韓股、日股和中國創業板、科創板，都是不斷上漲創歷史新高的狀態。

貓哥自己做了一個A 股市場、5000多隻股票的月度成交額數據看板，覆蓋最近 36 個月，主要用來看成交額集中度。這裏所有數據使用的是 iFind 金融數據庫，整個過程在Kimi Agent集羣裏完成，後文有實操詳解。

很多上班族朋友在行情好的時候開始炒股，包括貓哥之前也是這樣，狀態基本可以用兩個字總結：胡買。好一點的還有剩下的三個字：看運氣。

不看財報、不拆產業鏈、不跑模型，憑感覺、聽消息、跟大V。不是不想認真做，是真的沒那個條件。

金融行業再怎麼不景氣，一個 junior analyst 的月薪也還是有 3-5萬，他們要花大量的時間去了解產業鏈環節、拆財務數據、跑量化模型，這些是一個初級分析師的日常工作。但我認為這件事情也在逐漸的AI化。

一個上班族靠AI進行更規範化的選股，是有可能賺到工資之外的小收益。而評估一個AI能不能用來輔助選股，核心能力要看這三個：能較大規模的蒐集資料、計算數據、有數據庫接口。

有時候資料蒐集這一個環節不完整，後面的東西就不用看了。貓哥今天選擇的實操教學產品是Kimi，首先它有Agent集羣（最高併發值300，能用300個Agent並行幹活），

能夠解決單Agent不能完成的規模搜索和計算，其次它的金融據庫接口也比較完備（有同花順等等）。

今天這篇看完了，你也能跟着做。日常選股的手感，提升不止一個level。

Step 1：產業鏈深掃——7 個環節 × 三大框架

先拆產業鏈

科技股產業鏈不是一個賽道，是一張網。例如AI硬件相關的，貓哥把它拆成了 7 個關鍵環節：半導體設計、晶圓製造、封測、設備、材料、存儲芯片、AI算力。

三大評分體系

給每個環節打分，貓哥用的是國外大神 Serenity設計的框架——交叉驗證。

建議小白可以學習一下這個Skill，是近期在 A 股 / 美股圈爆紅的獨立分析師。

簡單來說，Serenity的框架裏就三個問題：

第一，這個環節是不是不可替代？技術壁壘有多高？有沒有替代方案？如果斷供，產業鏈會不會停擺？

第二，這個環節是不是供給最緊？產能滿了嗎？供需缺口多大？擴產要多長時間？

第三，這家公司是不是還沒有被市場充分定價？估值在歷史什麼位置？一致預期的盲區在哪？近期有沒有催化劑？

三個維度加權後，Agent 集羣同時對 7 個環節推進分析——注意這裏不是一個個環節串行做，是 7 個環節同時進行。

使用方法：將提示詞複製到Kimi對話框中，注意勾選Agent集羣按鈕。

然後就可以看到Kimi創建了多個研究Agent去執行任務，包括搜索信息、撰寫報告等，左下角可以看到不同Agent的任務處理進度條。

數據選用了Kimi接入的同花順iFinD金融數據庫，確保金融數據更精準。

大概十分鐘左右，各個研究員顯示"已完成"的狀態，我們作為老闆就可以驗收成果了。

Step 2：Agent 集羣並行出研報

20 只標的選出來了，下一步是深度研究每家公司。

這裏要重點說一下 Agent 集羣和普通 Chatbot 的區別。

如果用普通 Chatbot 寫 20 份研報，你需要：寫完第 1 份 → 複製粘貼 → 開始寫第 2 份 → 再複製粘貼 → 第 3 份……串行操作，寫到第 5 份就想放棄了。

Agent 集羣的做法是：20 個 Agent 同時開工，各負責一隻標的。從公司概覽、核心財務、估值分析，到投資邏輯、風險提示，一次性全部產出。

這裏給大家截個圖看一下：

每份研報包含：

公司概覽 — 核心業務拆解、產業鏈位置、競爭格局
核心財務 — 營收/利潤/毛利率/ROE/負債率/現金流（近 3 年趨勢）
估值分析 — PE/PB/PS vs 歷史分位 vs 可比公司
投資邏輯 — 基於三大評分框架的投資邏輯陳述
風險提示 — 行業風險/公司經營風險/估值風險

格式是標準機構級研報排版。貓哥看到第一份研報的時候，第一反應是——這真是 AI 寫的？不是因為它炫，而是它太"正經"了。框架、術語、數據的編排方式，都是券商研究員發出來的那種味道。

換句話說，equity-researcher 這個 Skill 把機構研報的"骨架"內置到了 Agent 裏，普通人不需要知道怎麼寫，告訴它"出份研報"，它自己就按標準框架來了。

此外還有多份產出資料，甚至有產業鏈評分對比雷達圖：

Step 3：產業鏈全景看板——把數據變成交互看板

前面的研究產出了大量數據——評分矩陣、研報等。但這些數據分散在不同的地方，很難一眼看完。貓哥讓 Agent 生成一個產業鏈全景交互看板（自包含 HTML 文件），把所有數據整合到一個頁面裏。

看板包含 4 個模塊：

🎯 產業鏈全景圖： 7 個環節從左到右橫向排列，每個環節用不同顏色的卡片展示代表標的。

📊 評分雷達圖矩陣：每個環節一個雷達圖，三條軸分別是不可替代性、供給緊度、定價充分度。不是枯燥的表格，而是一眼能對比的可視化。

⚠️ 風險面板：卡片式佈局，每張卡片展示一個標的的關鍵風險點。高風險標的用紅框標註，一目瞭然。

設計風格是 Bloomberg Terminal 的深色主題——深藍底 + 熒光綠配色，打開瀏覽器就能交互。而且是Agent 直接生成。從拉數據、寫代碼、到前端渲染，Agent 全包了。

Step 4：動量評分——20 只選 Top 10

20 只精選標的還是太多。貓哥又加了一層篩選——動量評分模型。動量模型說白了就是趨勢追蹤——強者恆強，漲得好的大概率還會繼續漲，跌得慘的也容易繼續跌。把它嵌入到 Agent 的 prompt 裏，讓 AI 按照量化方法運行回測。

Agent 不只是做文字工作。從拉取歷史行情數據、執行動量計算、到輸出回測報告——一個人在一個 Agent 集羣裏，基本幹了傳統量化團隊 3-4 個人的活。

幾個關鍵設計：

動態窗口：低波動的時候看長期（60 天），趨勢更可靠；高波動的時候看短期（20 天），及時捕捉變化。用 ATR 比率自動判斷當前屬於哪種狀態。

加權迴歸：離今天越近的數據權重越高，確保趨勢評估更能反映當下行情。

換句話說，這個模型同時看了趨勢的方向（漲還是跌）和趨勢的質量（R²越高，趨勢越可靠），不是簡單拍腦袋。

產出：動量評分 Top 10 排名 + 完整評分底表，並且針對2026年至今的數據進行回測。

Step 5：成交額集中度看板——當前市場的風險温度計

最後一個看板，貓哥想看看整個 A 股市場——錢到底在哪裏？

成交額集中度：每個月，把全市場股票按當月成交額從高到低排列，取前 5% 的股票，算它們佔全市場成交額的比例。舉個例子：如果算出來是 40%，意思是全市場只有前 5% 的股票，就吃掉了 40% 的成交量。

這個值越高，資金越扎堆，抱團越明顯。這個指標的真正作用是風險預警——集中度越高，說明行情越一致，市場看法幾乎沒有分歧，泡沫積聚的風險就越大。

數據質量：Kimi Agent集羣用了 iFind 金融數據庫，拉了全市場 5000多隻股票的月度成交額數據，覆蓋最近 36 個月。

貓哥的解讀：

當前 Top 5% 集中度 45.86%，已經突破了 36 個月的 90% 置信區間上界（43.05%），而且達到了 36 個月以來的最高值。

換句話說，資金高度集中在頭部少數股票上，這個現象在近三年裏從未如此極端。它就像一個 "當前市場的風險温度計"——告訴你現在的位置可能需要多一些警惕，少一些衝動。

📖 寫在最後

回顧一下，貓哥用 Kimi 的 Agent 集羣幹了什麼：

1.產業鏈深掃：7 大科技環節同時分析，三大框架精選 20 只
2.並行研報：20 份機構級研報，一次生成
3.全景看板：把所有數據變成交互式 HTML 看板
4.動量評分：量化方法從 20 只中優選 Top 10
5.回測驗證：動量選股邏輯跑出了超額
6.集中度分析：全市場成交額集中度 45.86%，歷史新高

以前只有機構才有的研究深度和效率，現在一個人也能做到了。

貓哥自己的感受是——AI最好的價值，不應該是"替代誰"，而是讓以前做不到的事情變得可以做，或許每個人從其中都能找到自己未被髮掘的能力。

關於價格：¥ 99/月，300 個 Agent 隨叫隨到。

如果你在實踐中遇到問題或者有新的發現，期待和貓哥交流~

⚠️ 免責聲明：本文所有投研內容僅為個人研究記錄，不構成投資建議。回測數據不代表實盤表現，過去的表現不預示未來收益。市場有風險，投資需謹慎。