segmental-model

/segmental-model <股票代码或名称>

对目标股票做 bottom-up 分业务收入模型，跟自上而下的 DCF 互补校验。

为什么需要这个方法

现有 22 种机构方法里，DCF/3-statement/IC Memo 都是 top-down——从整体营收 × 单一增速假设推未来。遇到业务结构在转型的公司就失真：

• 贵州茅台 直销比例 17% → 目标 50%+
• 宁德时代 动力电池 vs 储能 vs 海外 三条曲线增速完全不同
• Credo 收购 SiPh 后，Optics 线增速和 AEC 线差两倍

单一营收增速掩盖了这些分化。本方法把公司拆 3-5 条业务线，每条独立给 driver，三情景 3 年 projection，总量必须对账回当前营收。

工作流（agent 必须走完 5 步）

Step 1 · 生成骨架（脚本）

python skills/deep-analysis/scripts/compute_segmental.py discover <ticker>

读 5_chain.breakdown_top + 1_financials.revenue_history + 15_events，产出 .cache/<ticker>/segmental_skeleton.json：

{
  "ticker": "600519.SH",
  "name": "贵州茅台",
  "currency": "CNY",
  "total_revenue_latest_yi": 1721.4,
  "segments": [
    {"name": "茅台酒", "latest_revenue_yi": 1460.3, "latest_share_pct": 84.83, ...},
    {"name": "系列酒", "latest_revenue_yi": 246.0, "latest_share_pct": 14.29, ...}
  ],
  "inflection_candidates": [
    "直销渠道占比持续提升",
    "1935 新品上市拓展年轻客群"
  ]
}

Step 2 · 读骨架 + 识别核心 thesis（agent）

Agent 必做：

1. 打开 .cache/<ticker>/segmental_skeleton.json
2. 结合 6_research.reports（卖方研报对业务分段的看法）+ 14_moat + 13_policy
3. 识别 核心 inflection（1-2 条）——例如：
   • 茅台 = "直销占比 17% → 50%+"
   • 宁德 = "海外储能 0 → 30%+"
   • Credo = "copper → SiPh optics"
4. 围绕 inflection 组织 segment 叙事

Step 3 · 填 driver（agent）

对每个 segment 写：

• drivers: 价 × 量 × 市占 × 渗透 —— 至少列 2 个
  • ✓ 好例子：["ASP +5%/年", "shipment +20%/年"]
  • ✗ 坏例子：["行业景气"]
• thesis_tag: growth_engine / cash_cow / declining / cyclical / turnaround
• bull_growth_3y_cagr / base_growth_3y_cagr / bear_growth_3y_cagr 必须满足 bull ≥ base ≥ bear

Step 4 · 写回 + 校验（脚本）

写 .cache/<ticker>/segmental_model.json，然后：

python skills/deep-analysis/scripts/compute_segmental.py validate <ticker>

校验规则：

• 🔴 sum(segment.latest_revenue) 必须对账回 total_revenue ±10%
• 🔴 每个 segment bull ≥ base ≥ bear 单调
• 🟡 Base 情景 3 年总增速 > 100% 需要明确收购/新业务 note
• 🟡 每个 segment 必须有 ≥ 1 个 driver