公司分析实战

我的分析框架

研究一家公司，我分四步。这个框架不是我自己发明的，是从巴菲特致股东的信和《巴菲特的护城河》里学的，然后根据自己的踩坑经验做了调整：

1. 生意模式 — 这家公司靠什么赚钱？赚的是真钱还是纸面利润？
2. 护城河 — 竞争对手能轻易复制吗？品牌、网络效应、转换成本、成本优势，至少占一个。
3. 管理层 — 管理层诚实吗？跟小股东利益一致吗？有没有乱花钱？
4. 价格 — 当前价格有安全边际吗？好公司买贵了也是亏。

财报三张表

我不是财务专家，CPA 考试没考过，但三张表的基本逻辑还是能看懂的。我的方法很笨——逐项看，不懂就查，查完记笔记。

利润表 — 赚的钱是真的吗？

我重点看三个东西：

• 收入增长是否可持续 — 一年暴增 50% 不稀奇，连续 5 年增长 15% 才厉害。我特别警惕"并购驱动"的增长——买来的收入不是自己长出来的。
• 毛利率稳定吗 — 毛利率突然下降，要么是竞争加剧，要么是成本失控，都不是好事。茅台毛利率常年 90%+，这就是定价权。
• 净利润和经营现金流匹配吗 — 净利润 10 亿，经营现金流只有 2 亿，剩下的 8 亿去哪了？可能是应收账款大幅增加——钱"赚"了但没收回来。

资产负债表 — 负债里藏着什么？

我踩过最大的坑就是商誉。2024 年我买过一家公司，资产负债表上商誉占净资产 40%。当时没当回事，结果当年商誉减值，直接亏掉三年利润，股价腰斩。回头想，这也是确认偏误在作怪——我看到了商誉占比高的风险信号，但选择性地把它合理化了。

除了商誉，我还看：

• 有息负债率 — 借钱发展没问题，但利息覆盖倍数低于 3 倍就很危险了
• 存货周转天数 — 存货越积越多，要么卖不动，要么在囤货赌涨价
• 应收账款天数 — 越来越长说明在放宽信用条件冲收入，回款风险大

现金流量表 — 最不容易造假的表

三张表里我最信这张。利润可以"做"，现金流很难"做"。我重点看：

• 经营现金流是否持续为正 — 连续两年为负的公司，不管利润多好看，我都不碰
• 自由现金流 — 经营现金流减去资本开支。如果公司每年赚 10 亿但要花 12 亿维持运营，这不是好生意
• 筹资现金流 — 一直在借钱（筹资流入）还是在还钱（筹资流出）？持续借钱的公司要小心

护城河判断 — 最难的部分

护城河是最难判断的部分，因为它需要定性分析，不是看几个数字就能搞定的。我目前的做法和踩过的坑：

品牌护城河

核心问题：你愿意为这个品牌多付钱吗？

茅台可以——请客吃饭拿茅台和拿普通白酒，社交信号完全不同。但大多数"品牌"其实没有定价权，消费者换个牌子也不心疼。我以前觉得某酱油品牌有品牌护城河，结果发现超市里消费者随手就换了另一款——品牌忠诚度远没有想象中高。

网络效应

核心问题：用户越多价值越大吗？

微信是典型的网络效应——你不用微信就联系不到朋友。但大多数 App 的"网络效应"是假的——用户多不等于网络效应，可能只是营销做得好。我判断的方法：看用户离开的成本有多高。离开成本越高，网络效应越强。

转换成本

核心问题：换成竞品要付出多大代价？

企业级软件转换成本极高——换 ERP 系统要重新培训员工、迁移数据、调试接口，搞不好业务停摆。消费品转换成本极低——今天喝可口可乐，明天喝百事，没有任何成本。

成本优势

核心问题：规模效应或独特资源让成本比对手低吗？

海螺水泥靠长江水运+石灰石矿产地优势，运输成本比对手低一大截。这种地理优势是竞争对手复制不了的。

管理层评估

巴菲特说他只买"傻子也能管的公司"，因为迟早会来一个傻子管。但我觉得管理层还是很重要，尤其是 A 股——大股东和小股东利益不一致的情况太多了。

我看管理层主要看三个信号：

• 分红意愿 — 赚了钱愿不愿意分？铁公鸡一毛不拔的公司，大股东可能在通过关联交易转移利润
• 增持还是减持 — 管理层自己都在减持，你凭什么买？反过来，真金白银增持的，至少说明他们自己觉得值
• 资本配置能力 — 闲钱是拿去乱并购了，还是回购股票/分红了？巴菲特最看重的就是资本配置能力

说实话，评估管理层是我最弱的一环。财报数据可以量化，但管理层的诚信和能力很难从公开信息判断。我现在的做法是：如果看不懂管理层，就不买。宁可错过，不要买错。

用 FinBuddy 辅助分析

手动翻报表太慢了，我用FinBuddy的 AI Agent 做初筛：

# FinBuddy 公司分析 Agent — 自动拉取关键指标
class CompanyAnalysisSkill:
    """自动生成公司财务摘要"""

    async def analyze(self, symbol: str) -> CompanyReport:
        fundamentals = await self._fetch_fundamentals(symbol)
        return CompanyReport(
            pe=fundamentals.pe,
            roe=fundamentals.roe,
            debt_ratio=fundamentals.debt_ratio,
            free_cash_flow=fundamentals.fcf,
            goodwill_ratio=fundamentals.goodwill / fundamentals.equity,
            warnings=self._check_warnings(fundamentals),
        )

    def _check_warnings(self, f: Fundamentals) -> list[str]:
        warnings = []
        if f.goodwill / f.equity > 0.2:
            warnings.append("商誉占净资产超20%，减值风险高")
        if f.operating_cashflow < f.net_profit * 0.5:
            warnings.append("经营现金流不足净利润50%，利润质量存疑")
        if f.receivable_days > f.receivable_days_prev * 1.2:
            warnings.append("应收账款天数同比增超20%")
        return warnings

但 AI 的分析结论我从不直接用。它出的报告只是参考，最终判断还是得自己来。AI 容易忽略行业特殊性——比如银行业的负债率天生就高，不能用 60% 的标准去套；保险公司的经营现金流波动很大，不能简单看一年。

我踩过的三个大坑

坑一：把"便宜"当"值得买"

PE 8、PB 0.6，看起来便宜得不行。但便宜有便宜的原因——行业在衰退，公司竞争力在下降。我买过一只 PE 6 的银行股，持了两年还是 PE 6，股价一分没涨。这就是价值陷阱：便宜但不值。

坑二：被"增长故事"忽悠

某公司号称要转型 AI，股价从 10 涨到 30。我 28 追进去，结果发现所谓的 AI 业务收入占比不到 1%。剩下的 99% 还是传统业务，而且传统业务在下滑。这个故事告诉我们：看财报，别看 PPT。

坑三：忽略行业周期

周期股在景气顶点 PE 最低——因为利润最高。我在周期顶点买过一只钢铁股，PE 才 5 倍，觉得便宜。结果行业一下行，利润暴跌，PE 变成 50 倍，股价腰斩。周期股要看 PB，不能看 PE。