earnings-recap
Yahoo Financeのデータを使用して、任意の銘柄の決算後分析レポートを生成します。ユーザーが決算結果の振り返り、予想比の上回り・下回り、決算発表後の株価反応、EPSや売上高のサプライズなどを確認したい場合に使用します。「AAPLの決算はどうだった?」「TSLAは予想を上回ったか」「NVDAが決算を発表した」など、過去の決算イベントに関するあらゆる質問をトリガーとして起動します。
description の原文を見る
> Generate a post-earnings analysis for any stock using Yahoo Finance data. Use when the user wants to review what happened after earnings, understand beat/miss results, see stock reaction, or get an earnings recap. Triggers: "AAPL earnings recap", "how did TSLA earnings go", "MSFT earnings results", "did NVDA beat earnings", "post-earnings analysis", "earnings surprise", "what happened with GOOGL earnings", "earnings reaction", "stock moved after earnings", "EPS beat or miss", "revenue beat or miss", "quarterly results for", "how were earnings", "AMZN reported last night", "earnings call recap", or any request about a company's recent earnings outcome. Use this skill when the user references a past earnings event, even if they just say "AAPL reported" or "how did they do".
SKILL.md 本文
Earnings Recap スキル
yfinance を経由した Yahoo Finance データを使用してアーニングス後分析を生成します。実績値と予想値、サプライズの大きさ、株価反応、財務的背景をカバーしています。完全な全体像を提供します。
重要: データは研究および教育目的のみです。金融的なアドバイスではありません。yfinance は Yahoo, Inc. と提携していません。
ステップ 1: yfinance が利用可能であることを確認する
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 の場合、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"])
既にインストールされている場合は、次のステップにスキップしてください。
ステップ 2: ティッカーを特定してデータを収集する
ユーザーのリクエストからティッカーを抽出します。関連するすべてのアーニングス後データを 1 つのスクリプトで取得します。
import yfinance as yf
import pandas as pd
from datetime import datetime, timedelta
ticker = yf.Ticker("AAPL") # 実際のティッカーに置き換える
# --- Earnings result ---
earnings_hist = ticker.earnings_history
# --- Financial statements ---
quarterly_income = ticker.quarterly_income_stmt
quarterly_cashflow = ticker.quarterly_cashflow
quarterly_balance = ticker.quarterly_balance_sheet
# --- Price reaction ---
# 反応ウィンドウをキャプチャするために約30日間の履歴を取得
hist = ticker.history(period="1mo")
# --- Context ---
info = ticker.info
news = ticker.news
recommendations = ticker.recommendations
抽出対象
| データソース | キーフィールド | 目的 |
|---|---|---|
earnings_history | epsEstimate, epsActual, epsDifference, surprisePercent | ビート/ミス結果 |
quarterly_income_stmt | TotalRevenue, GrossProfit, OperatingIncome, NetIncome, BasicEPS | 実績財務 |
history() | アーニングス日前後の終値 | 株価反応 |
info | currentPrice, marketCap, forwardPE | 現在の背景 |
news | 最近のニュース見出し | アーニングス関連のニュース |
ステップ 3: 最新のアーニングスを特定する
最新のアーニングス結果は earnings_history の最初の行 (最新の日付) です。その日付を使用して:
- アーニングス日を特定する 株価反応分析用
- 財務諸表の対応する四半期と照合する
- 株価反応を計算する — アーニングス前の終値と翌営業日の終値 (またはオープン、アーニングスが市場前/後のどちらかによります) を比較
株価反応の計算
import numpy as np
# earnings_history インデックスからアーニングス日を見つける
earnings_date = earnings_hist.index[0] # 最新
# アーニングス日前後の日次価格を取得
hist_extended = ticker.history(start=earnings_date - timedelta(days=5),
end=earnings_date + timedelta(days=5))
# 反応は通常次のように測定されます:
# - アーニングス前の最後の営業日の終値 -> アーニング後の最初の営業日の終値
# 市場前/後レポートに注意してください
if len(hist_extended) >= 2:
pre_price = hist_extended['Close'].iloc[0]
post_price = hist_extended['Close'].iloc[-1]
reaction_pct = ((post_price - pre_price) / pre_price) * 100
注記: 正確な反応ウィンドウは企業がいつ報告したか (市場オープン前 vs クローズ後) に依存します。価格データはこれを反映します — アーニングス日近くの連続する終値間の最大のギャップを探してください。
ステップ 4: アーニングスレポを作成する
セクション 1: ヘッドライン結果
主要な数字でリードする:
- EPS: 実績値 vs. 予想値、どのくらいビート/ミスしたか、サプライズ %
- 収益: 実績値 vs. 前年度 (quarterly_income_stmt の TotalRevenue から)
- 株価反応: アーニングス日の % 変動
例: 「AAPL は Q3 EPS 予想を 3.7% 上回りました ($1.40 実績 vs $1.35 予想)。収益は前年比 5.4% 成長して $94.3B になりました。株式はレポートで +2.1% 上昇しました。」
セクション 2: アーニングス vs. 予想の詳細
| メトリクス | 予想 | 実績 | サプライズ |
|---|---|---|---|
| EPS | $1.35 | $1.40 | +$0.05 (+3.7%) |
ユーザーが特定の四半期 (最新ではない) について尋ねた場合は、earnings_history でさらに遡ってください。
セクション 3: 四半期ごとの財務トレンド
quarterly_income_stmt の過去 4 四半期の主要メトリクスを表示してください:
| 四半期 | 収益 | 前年比成長 | グロスマージン | オペレーティングマージン | EPS |
|---|---|---|---|---|---|
| Q3 2024 | $94.3B | +5.4% | 46.2% | 30.1% | $1.40 |
| Q2 2024 | $85.8B | +4.9% | 46.0% | 29.8% | $1.33 |
| Q1 2024 | $119.6B | +2.1% | 45.9% | 33.5% | $2.18 |
| Q4 2023 | $89.5B | -0.3% | 45.2% | 29.2% | $1.26 |
生の財務から マージンを計算してください:
- グロスマージン = GrossProfit / TotalRevenue
- オペレーティングマージン = OperatingIncome / TotalRevenue
セクション 4: 株価反応
- アーニングス日/翌セッションの % 変動
- 株式の平均的なアーニングス日の動き (過去 4 つのアーニングス日から平均絶対値の動きを計算) と比較してどうか
- 株式が現在どこにあるか、アーニングス日の動きと比較して (利益を保持したか、戻したか、さらに拡大したか?)
セクション 5: 背景と変更内容
データに基づいて、次の点に注意してください:
- 前の四半期と比較してマージンが拡大したか圧縮されたか
- 収益成長軌道の注目すべき変化
- ビート/ミスが株式の履歴パターンとどのように比較されるか (
earnings_history全体から) - 利用可能な場合は
recommendationsの現在のアナリスト心情
ステップ 5: ユーザーに応答する
レポを清潔で構造化された要約として提示してください:
- ヘッドラインでリードする: 「AAPL は [日付] に Q3 2024 アーニングスを報告しました: EPS を 3.7% ビート、収益前年比 +5.4%。」
- 詳細のテーブルを表示する
- 重要な部分を強調する: これは意味のあるビートか、低いハードルの状況か? トレンドは改善しているか悪化しているか?
- 事実を保つ — データを提示し、投資推奨を避ける
含めるべき注意事項
- Yahoo Finance データには、アーニングスコール (ガイダンス、セグメント分析) のすべての詳細が含まれない場合があります
- 収益予想は正確に比較するのが難しい — yfinance は財務諸表の前年比比較を提供します
- 株価反応は同じ日の広いマーケットの動きに影響されるかもしれません
- これは金融的なアドバイスではありません
参照ファイル
references/api_reference.md— アーニングス履歴と財務諸表メソッドの詳細な yfinance API リファレンス
正確なメソッドシグネチャが必要な場合、または財務データのエッジケースを処理する必要がある場合は、参照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。