earnings-preview
Yahoo Financeのデータを活用し、任意の銘柄の決算発表前ブリーフィングを生成します。ユーザーが「AAPLの決算プレビュー」「TSLAの決算で何が期待されるか」「NVDAへのアナリスト予想」など、企業の決算発表に向けた準備や予測確認を求める際に使用するスキルで、アナリストのコンセンサス予想・EPS見通し・過去の予想比実績(Beat/Miss)履歴などを包括的にまとめます。ユーザーがティッカーシンボルを決算の文脈で言及した場合、「プレビュー」と明示されなくても自動的にこのスキルが適用されます。
description の原文を見る
> Generate a pre-earnings briefing for any stock using Yahoo Finance data. Use this skill whenever the user wants to prepare for an upcoming earnings report, understand what analysts expect, review a company's beat/miss track record, or get a quick overview before an earnings call. Triggers include: "earnings preview for AAPL", "what to expect from TSLA earnings", "MSFT reports next week", "earnings preview", "pre-earnings analysis", "what are analysts expecting for NVDA", "earnings estimates for", "will GOOGL beat earnings", "earnings beat/miss history", "upcoming earnings", "before earnings", "earnings setup", "consensus estimates", "earnings whisper", "EPS expectations", "what's the street expecting", "earnings season preview", any mention of preparing for or previewing an earnings report, or any request to understand expectations ahead of a company's earnings date. Always use this skill when the user mentions a ticker in context of upcoming earnings, even if they don't say "preview" explicitly.
SKILL.md 本文
決算プレビュースキル
yfinance 経由で Yahoo Finance データを使用して決算前ブリーフィングを生成します。今後の決算日、コンセンサス予想、過去の的中率、アナリストセンチメント、および主要な財務情報をまとめます。決算コールの前に必要なすべての情報を提供します。
重要: データは研究および教育目的でのみ提供されています。財務アドバイスではありません。yfinance は Yahoo, Inc. に関連していません。
ステップ 1: yfinance が利用可能であることを確認
現在の環境ステータス:
!`python3 -c "import yfinance; print('yfinance ' + yfinance.__version__ + ' installed')" 2>/dev/null || echo "YFINANCE_NOT_INSTALLED"`
YFINANCE_NOT_INSTALLED が表示される場合はインストールしてください:
import subprocess, sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "-q", "yfinance"])
すでにインストールされている場合は、次のステップに進んでください。
ステップ 2: ティッカーを識別し、すべてのデータを収集
ユーザーのリクエストからティッカーシンボルを抽出します。ティッカーなしで企業名のみ記載されている場合は検索してください。その後、API 呼び出しを最小化するために、1 つのスクリプトですべての関連データを取得します。
import yfinance as yf
import pandas as pd
from datetime import datetime
ticker = yf.Ticker("AAPL") # replace with actual ticker
# --- Core data ---
info = ticker.info
calendar = ticker.calendar
# --- Estimates ---
earnings_est = ticker.earnings_estimate
revenue_est = ticker.revenue_estimate
# --- Historical track record ---
earnings_hist = ticker.earnings_history
# --- Analyst sentiment ---
price_targets = ticker.analyst_price_targets
recommendations = ticker.recommendations
# --- Recent financials for context ---
quarterly_income = ticker.quarterly_income_stmt
quarterly_cashflow = ticker.quarterly_cashflow
各ソースから抽出すべき項目
| データソース | 主要フィールド | 目的 |
|---|---|---|
calendar | 決算日、配当除去日 | 決算がいつで主要な日付は何か |
earnings_estimate | avg、low、high、numberOfAnalysts、yearAgoEps、growth(0q、+1q、0y、+1y 用) | EPS コンセンサス予想 |
revenue_estimate | avg、low、high、numberOfAnalysts、yearAgoRevenue、growth | 売上見通し |
earnings_history | epsEstimate、epsActual、epsDifference、surprisePercent | ビート/ミス実績 |
analyst_price_targets | current、low、high、mean、median | ストリート株価目標 |
recommendations | Buy/Hold/Sell の数 | センチメント分布 |
quarterly_income_stmt | TotalRevenue、NetIncome、BasicEPS | 最近のトレンド |
ステップ 3: 決算プレビューを構築
データを構造化されたブリーフィングに組み立てます。目標は、ユーザーが一目で必要なすべてを得られるようにすることです。
セクション 1: 決算日と主要情報
calendar から今後の決算日を報告してください。以下を含めます:
- 企業名、ティッカー、セクター、業界
- 今後の決算日(市場前/後かどうかを含む)
- 現在の株価と最近のパフォーマンス(1 週間、1 ヶ月)
- 時価総額
セクション 2: コンセンサス予想
earnings_estimate と revenue_estimate から現四半期の予想を提示してください:
| メトリクス | コンセンサス | 低 | 高 | アナリスト数 | 前年同期 | 成長 |
|---|---|---|---|---|---|---|
| EPS | $1.42 | $1.35 | $1.50 | 28 | $1.26 | +12.7% |
| 売上 | $94.3B | $92.1B | $96.8B | 25 | $89.5B | +5.4% |
予想レンジが異常に広い場合(高/低スプレッドがコンセンサスの 20% を超える)、それを高い不確実性の兆候として記載してください。
セクション 3: 過去のビート/ミス実績
earnings_history から、過去 4 四半期を表示します:
| 四半期 | EPS 予想 | EPS 実績 | サプライズ | ビート/ミス |
|---|---|---|---|---|
| Q3 2024 | $1.35 | $1.40 | +3.7% | ビート |
| Q2 2024 | $1.30 | $1.33 | +2.3% | ビート |
| Q1 2024 | $1.52 | $1.53 | +0.7% | ビート |
| Q4 2023 | $2.10 | $2.18 | +3.8% | ビート |
要約してください: 「AAPL は過去 4 四半期で EPS 予想を 4 回中 4 回ビートしており、平均 2.6% のサプライズです。」
セクション 4: アナリストセンチメント
recommendations と analyst_price_targets から:
- 現在の推奨分布(強気買い / 買い / ホールド / 売り / 強気売り)
- 株価目標レンジ: 現在株価に対する低、平均、中央値、高
- 平均目標からの上値/下値余地
セクション 5: 注視すべき主要メトリクス
四半期財務に基づいて、市場が焦点を当てる 3~5 項目をハイライトしてください:
- 売上成長トレンド(加速または減速中?)
- マージントラジェクトリー(拡大または縮小中?)
- 四半期対四半期で大きく変化した特筆すべき項目
- データで利用可能な場合はセグメント内訳
このセクションは判断が必要です。この特定の企業/セクターにとって何が重要かを考えてください。
ステップ 4: ユーザーに応答
プレビューをクリーンな構造化ブリーフィングとして提示してください:
- 見出しを先に: 「AAPL は [日付] に決算を報告します。期待すべき内容は次の通りです。」
- すべての 5 セクションを表示 - クリアなヘッダーとテーブル付き
- 簡潔なサマリーで終了: 全体的なセットアップをキャプチャする 2~3 文(見通し、実績、センチメントに基づくブリッシュ/ベアリッシュ傾向 - 個人的な推奨ではなく「ストリートは期待している」としてフレーム化)
含めるべき注意事項
- 予想は報告日まで変わる可能性があります
- 過去のビートが将来のビートを保証するわけではありません
- Yahoo Finance データはリアルタイムコンセンサスより数時間遅れる可能性があります
- これは財務アドバイスではありません
参考ファイル
references/api_reference.md— 決算および予想メソッドの詳細な yfinance API リファレンス
正確なメソッドシグネチャやエッジケース処理が必要な場合は、参考ファイルを読んでください。
ライセンス: MIT(寛容ライセンスのため全文を引用しています) · 原本リポジトリ
詳細情報
- 作者
- himself65
- ライセンス
- MIT
- 最終更新
- 不明
Source: https://github.com/himself65/finance-skills / ライセンス: MIT
関連スキル
hugging-face-trackio
Trackioを使用してMLトレーニング実験を追跡・可視化できます。トレーニング中のメトリクスログ記録(Python API)、トレーニング診断のアラート発火、ログされたメトリクスの取得・分析(CLI)が必要な場合に活用してください。リアルタイムダッシュボード表示、Webhookを使用したアラート、HF Space同期、自動化向けのJSON出力に対応しています。
btc-bottom-model
ビットコインのサイクルタイミングモデルで、加重スコアリングシステムを搭載しています。日次パルス(4指標、32ポイント)とウィークリー構造(9指標、68ポイント)の2カテゴリーにわたる13の指標を追跡し、0~100のマーケットヒートスコアを算出します。ETFフロー、ファンディングレート、ロング/ショート比率、恐怖・貪欲指数、LTH-MVRV、NUPL、SOPR(LTH+STH)、LTH供給率、移動平均倍率(365日MA、200週MA)、週次RSI、出来高トレンドに対応します。市場サイクル全体を通じて買いと売りの両方の推奨を提供します。ビットコインの底値拾い、BTCサイクルポジション、買い時・売り時、オンチェーン指標、MVRV、NUPL、SOPR、LTH動向、ETFの流出入、ファンディングレート、恐怖指数、ビットコインが過熱状態か、マイナーコスト、暗号資産市場のセンチメント、BTCのポジションサイジング、「今ビットコインを買うべきか」「BTCが天井をつけているか」「オンチェーン指標は何を示しているか」といった質問の際にこのスキルを活用します。
protein_solubility_optimization
タンパク質の溶解性最適化 - タンパク質の溶解性を最適化します。タンパク質の特性を計算し、溶解性と親水性を予測し、有効な変異を提案します。タンパク質配列の特性計算、タンパク質機能の予測、親水性計算、ゼロショット配列予測を含むタンパク質エンジニアリング業務に使用できます。3つのSCPサーバーから4つのツールを統合しています。
research-lookup
Parallel Chat APIまたはPerplexity sonar-pro-searchを使用して、最新の研究情報を検索できます。学術論文の検索にも対応しています。クエリは自動的に最適なバックエンドにルーティングされるため、論文の検索、研究データの収集、科学情報の検証に活用できます。
tree-formatting
ggtree(R)またはiTOL(ウェブ)を使用して、系統樹の可視化とフォーマットを行います。系統樹を図として描画する際、ツリーレイアウトの選択、分類学に基づく枝やラベルの色付け、クレードの折りたたみ、サポート値の表示、またはツリーへのオーバーレイ追加が必要な場合に使用してください。系統推定(protein-phylogenyスキルを使用)やドメイン注釈(今後の独立したスキル)には使用しないでください。
querying-indonesian-gov-data
インドネシア政府の50以上のAPIとデータソースに接続できます。BPJPH(ハラール認証)、BOM(食品安全)、OJK(金融適正性)、BPS(統計)、BMKG(気象・地震)、インドネシア中央銀行(為替レート)、IDX(株式)、CKAN公開データポータル、pasal.id(第三者法MCP)に対応しています。インドネシア政府データを活用したアプリ開発、.go.idウェブサイトのスクレイピング、ハラール認証の確認、企業の法的適正性の検証、金融機関ステータスの照会、またはインドネシアMCPサーバーへの接続時に使用できます。CSRF処理、CKAN API使用方法、IP制限回避など、すぐに実行可能なPythonパターンを含んでいます。