deep-investment-research系统化投研能力中枢。覆盖宏观/行业/政策/个股/投资可行性/风险/投资规划七类研究，内置9条研究红线、深度研究5步法、7专题框架、5研究模板、8重点行业一手源清单，以及多源数据采集脚本（SEC EDGAR/HKEX/AKShare/FRED/政策门户等）。Use for: 任何投资研究、行业分析、公司研究、个股深度研究、政策解读、可行性评估、风险分析、投资规划，以及研究所需的真实一手数据采集。纯研究，不做盯盘/交易信号/交易执行。
Independent GitHub snapshot · Automated classification · Original documentation governs
一套可复用的投研方法论 + 多源一手数据采集工具。OpenClaw 提供运行时（gateway/cron/工具），本 skill 提供投研方法论+数据采集能力。 本 skill 只承载「研究能力」；调用方的身份/人格/记忆由各自 workspace 提供，不在本 skill 内。
RESEARCH_OUTPUT_DIR：研究报告归档目录，默认 ~/research-outputTRADING_ROOT：数据采集落盘目录，默认 ~/research-dataSEARCH_SKILL_PATH：联网搜索脚本路径，默认指向 web-search-plus（未安装则降级用内置 web_search 工具）FINNHUB_API_KEY/FRED_API_KEY），未设置则跳过该数据源。1 深度·价值·前瞻 ｜ 2 数据真实不杜撰 ｜ 3 全文阅读不停留表面 ｜ 4 结论质量门控不说空话 ｜ 5 第一性原理广收集深研究 ｜ 6 紧扣目标不偏离 ｜ 7 prompt最佳实践榨干模型 ｜ 8 客观准确不主观 ｜ 9 未充分调研不下结论
先读 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/ 最近 2-3 篇同领域研究作背景（有则读，注意时效；无则跳过），再读：
methodology/research-core.md — 9红线 + 研究设计+七棱镜多维扫描（强制前置：反千篇一律+反单维度） + 深度研究5步法(A→B→C→D) + 反证5问 + 结论质量门控
任何研究动笔前先做：①诊断对象核心矛盾、设计本次研究重心（贴合实际不套模板）②过七棱镜（宏观/政策/地缘/产业链/资金面/新闻情绪/标的自身），相关维度深挖、不相关明说为何忽略
methodology/source-registry.md — 8行业权威一手源清单 + 搜索工具优先级methodology/content-reading-protocol.md — 全文阅读硬门控 + 读取量 + 来源回溯| 课题 | 框架 | 模板 |
|---|---|---|
| 行业深度研究 | methodology/industry-research.md | templates/01 |
| 公司研究（看懂生意本身） | methodology/company-research.md | — |
| 个股深度研究（投资判断） | methodology/stock-deep-dive.md | templates/02 |
| 投资可行性分析 | methodology/feasibility-analysis.md | templates/03 |
| 政策研究与追踪 | methodology/policy-research.md | templates/04 |
| 风险分析 | methodology/risk-analysis.md | templates/05 |
| 投资规划 | methodology/investment-planning.md | — |
| 宏观研究 | methodology/{china-macro,us-macro}.md | — |
优先级：一手原文/官方数据/API > 定向爬虫 > 搜索引擎兜底。 各行业权威源见 source-registry.md。
SK={baseDir}/scripts
python3 $SK/policy_gov_fetcher.py # 政策原文
python3 $SK/ministry_scanner.py # 部委政策扫描
python3 $SK/edgar_filings.py # 美股财报/8-K/13F
python3 $SK/hkex_announcements.py # 港股公告
python3 $SK/china_macro.py # 中国宏观(AKShare)
python3 $SK/macro_snapshot.py # 市场宏观快照
python3 $SK/analyst_consensus.py # 一致性预期
python3 $SK/analyst_revision.py # 预期修正
python3 $SK/earnings_surprise.py # 业绩beat/miss
python3 $SK/superinvestor_moves.py # 机构大师持仓
python3 $SK/sec_13f.py / insider_transactions.py / short_interest.py / southbound_top10.py / transcripts.py
python3 $SK/data_daily.py --tags morning # 批量采集
数据落盘 ${TRADING_ROOT:-~/research-data}/data/daily/{date}/（由 TRADING_ROOT 环境变量控制）。
优先用专用搜索 skill（Serper/Tavily，覆盖好、可控）；未安装时降级用内置 web_search 工具兜底。 结论靠 web_fetch/pdf 读全文，搜索只找线索。
# 若已安装 web-search-plus（路径可用 SEARCH_SKILL_PATH 覆盖）：
python3 "${SEARCH_SKILL_PATH:-~/.openclaw/skills/web-search-plus/scripts/search.py}" --query "查询" --provider serper --max-results 5
# 若已安装 tavily-search：
node ~/.openclaw/skills/tavily-search/scripts/search.mjs "查询" --topic news
# 均未安装：直接用 OpenClaw 内置 web_search 工具
不预存任何静态行业档案——静态认知必然过时且锚定共识，违背找预期差的本质。认知连续性靠研究产物库实现（见上）。
连续性靠研究产物库实现：做某行业/标的研究前，先看 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/ 最近 2-3 篇研究（带日期、带一手数据、带来源），站在上次真实研究的肩上，而非模型存量记忆。
注意时效：产物只作背景与线索，"当前景气/估值/最新动态"一律用本次一手数据现取覆盖；过时结论只当"曾经的判断"参考，不当事实。
报告写入 ${RESEARCH_OUTPUT_DIR:-~/research-output}/<行业>/YYYY-MM-DD-课题.md。如需远程备份，由调用方的备份任务自行处理。
纯研究助理：不盯盘、不发买卖/止损信号、不做交易执行、不维护持仓。提供判断+依据+风险+可选路径，用户是最终决策者。