前言¶
A股打新有個常見問題：招股書動輒幾百頁，讀完之後留下的是一堆信息堆砌，而不是一個明確的申購決定。DeepGarden 新股研究要解決的就是這件事——它不承諾讓你看懂全部招股書，而是用一套固定的五維度框架，把你帶到一個可以下判斷的位置。
下面介紹這個 Skill 的定位、功能、用法和適用邊界。
這是什麼¶
DeepGarden 新股研究是一個面向 A 股新股/公司深度研究的 Skill，座標 @user_159a690e/deepgarden-ipo-research，版本 1.0.2，由社區發佈者 user_159a690e 維護，來源 community，分類 professional。
它把一套「五維度立體評估體系」固化成研究流程：市場前景、競爭格局、經營特徵、財務特徵、企業素質。每個維度配一套核心問題清單作爲研究指引，逐層掃描之後輸出評分卡、風險提示和申購建議。最終產物是一份帶評分卡與免責聲明的 Obsidian 筆記。
它屬於 DeepGarden 投資研究系列，同系列還有 deepgarden-earnings-tracking（定期財報跟蹤）和 deepgarden-report-deep-read（公司研報精讀）。三者可單獨安裝、按需組合，理論上能形成「申購前研究 → 上市後業績跟蹤 → 研報獨立複覈」的閉環。
核心功能¶
五維度立體評估。 五個維度分別是市場前景、競爭格局、經營特徵、財務特徵、企業素質，從行業空間到管理層基因逐層掃描。每個維度都配一套核心問題清單，用來約束研究路徑，而不是泛泛掃一遍。
結構化評分卡。 每個維度給 1–10 評分，附確定性等級（高/中/低）和一句話結論，並強制標註 ⚠️ 風險信號。這個設計的用意是避免空泛定性——判斷必須有分、有等級、有風險標註。
數據可溯源。 數據優先級是：招股書（巨潮資訊）、年報財務附註，疊加金融數據 skill（如 westockdata、a-stock-data 等）、企查查工商覈查、WebSearch 補充輿情。要求結論有數據支撐，而不是敘事推導。
輸出即決策。 最終給出可比公司估值、申購建議（積極 / 謹慎 / 放棄）與關鍵假設置信區間。產出是帶評分卡與免責聲明的 Obsidian 筆記。
安裝與啓用¶
官方頁面：https://api.skillhub.cn/user_159a690e/deepgarden-ipo-research
SkillHub 頁面：https://www.skillhub.cn/skills/user_159a690e/deepgarden-ipo-research
需要說明：本次抓取的官方資料中沒有列出安裝命令、安裝目錄或配置字段，因此不在這裏給出推測的安裝步驟。安裝方式請以官方頁面爲準。資料中標註 requires_api_key=false，意味着使用這個 Skill 本身不需要 API Key。
啓用方式在資料中有明確說明：在對話裏說「用 DeepGarden 新股研究 框架，分析 <股票名稱/代碼>」即可。Skill 支持從金融數據工具自動拉取招股書摘要與財務數據。
典型用法¶
一個可復現的調用方式是直接在對話中輸入：
用 DeepGarden 新股研究 框架，分析 <股票名稱或代碼>
流程大致是：
1、Skill 接收股票名稱或代碼，從金融數據工具拉取招股書摘要與財務數據。
2、按五個維度逐項評估，每個維度走核心問題清單，產出評分、確定性等級、一句話結論和 ⚠️ 風險信號。
3、彙總成評分卡，給出可比公司估值與申購建議（積極 / 謹慎 / 放棄），標註關鍵假設置信區間。
4、輸出 Obsidian 筆記，附免責聲明。
適用場景與注意¶
適合參與 A 股打新、想在新股申購前做獨立基本面研究的投資者，也適合不想被髮行方敘事帶偏、希望用同一套框架橫向比較不同新股的人。
幾個需要留意的點：
- 這個 Skill 的價值取決於上游數據質量。招股書和年報是主數據源，金融數據 skill、企查查、WebSearch 是補充，數據衝突時以招股書爲準。
- 申購建議（積極 / 謹慎 / 放棄）是研究結論，不是收益承諾。筆記中的免責聲明不是裝飾。
- 五維度框架本身是定性偏多的評估結構，評分 1–10 和確定性等級用來約束主觀性，但不消除主觀性。
- 系列內另外兩個 Skill 分別負責上市後的財報跟蹤和研報復核，需要單獨安裝，不在本 Skill 範圍內。
結尾¶
DeepGarden 新股研究的價值不在於把招股書講得更全，而在於用同一套框架把判斷做出來，並且讓判斷可追溯、可比較。如果你已經在做 A 股打新的基本面研究，它是一套可以直接複用的評估骨架。
官方地址：https://api.skillhub.cn/user_159a690e/deepgarden-ipo-research
