Rakesh Jhunjhunwala Agent 教程：安全边际、内在价值 DCF 与印度股...

Rakesh Jhunjhunwala Agent 教程：安全边际、内在价值 DCF 与印度股神成长投资

难度：入门

Rakesh Jhunjhunwala（拉凯什·君君瓦拉）被誉为「印度股神」，风格融合 Buffett 式价值投资与对高成长公司的胆识。在本项目中，rakesh_jhunjhunwala_agent 是少数在 Python 层直接硬编码信号规则（而非完全依赖 LLM）的分析师之一：核心决策锚是安全边际（Margin of Safety）≥ 30%，辅以五维质量评分和简化 DCF 内在价值估算。本篇将带你读懂这位「价值 + 成长」混合型分析师的完整执行逻辑。

本文你将学到

• Jhunjhunwala 的 30% 安全边际规则如何在代码中实现
• 五维评分体系（盈利、成长、资产负债表、现金流、管理层行动）满分 24 分的构成
• calculate_intrinsic_value 简化 DCF 的贴现率、可持续增长率与终值倍数逻辑
• assess_quality_metrics 质量分如何作为 neutral 情形的破局器
• Python 层信号与 LLM 叙事的分工关系

投资原理 / 人设与关注点

Jhunjhunwala 的投资原则可概括为：

1. 能力圈：只投资理解的生意（由 LLM 在叙事中体现）
2. 安全边际 > 30%：买入价须显著低于内在价值，这是硬规则
3. 经济护城河：持续高 ROE、稳定盈利增长
4. 优质管理层：回购股份、避免稀释、愿意分红
5. 财务实力：低负债、充足流动性
6. 长期视野：投资生意而非炒股，基本面恶化才卖出

与 Buffett 的相似点：内在价值、安全边际、护城河。与 Buffett 的差异：Jhunjhunwala 对高成长公司更宽容，DCF 中可持续增长率上限可达 20%，终值倍数 18x。在印度市场实践中，Jhunjhunwala 以「高确信集中持仓」闻名，本 Agent 的 30% 安全边际规则正是这种纪律的代码化表达——没有足够折扣就不轻易出手。

执行逻辑（拉数→分析子步骤→信号映射→LLM→写回状态）

rakesh_jhunjhunwala_agent(state, agent_id) 流程：

第一步：拉数

• get_financial_metrics：TTM，limit=5
• search_line_items：net_income、EPS、EBIT、revenue、operating_margin、total_assets、total_liabilities、current_assets、current_liabilities、FCF、dividends、share issuance/buyback
• get_market_cap：当前「价格」代理（用市值代替股价）

第二步：五维分析 + 内在价值

growth_analysis        = analyze_growth(financial_line_items)
profitability_analysis = analyze_profitability(financial_line_items)
balancesheet_analysis  = analyze_balance_sheet(financial_line_items)
cashflow_analysis      = analyze_cash_flow(financial_line_items)
management_analysis    = analyze_management_actions(financial_line_items)
intrinsic_value        = calculate_intrinsic_value(financial_line_items, market_cap)
​

第三步：总分与安全边际

total_score = sum of five module scores  # max 24
margin_of_safety = (intrinsic_value - market_cap) / market_cap
​

第四步：Python 层信号映射（硬规则）

if margin_of_safety >= 0.30:
    signal = "bullish"          # 安全边际 ≥ 30%
elif margin_of_safety <= -0.30:
    signal = "bearish"          # 高估 ≥ 30%
else:
    quality_score = assess_quality_metrics(financial_line_items)
    if quality_score >= 0.7 and total_score >= 24 * 0.6:
        signal = "bullish"      # 高质量 + 合理价格
    elif quality_score <= 0.4 or total_score <= 24 * 0.3:
        signal = "bearish"
    else:
        signal = "neutral"
​

第五步：置信度计算

if margin_of_safety is not None:
    confidence = min(max(abs(margin_of_safety) * 150, 20), 95)
else:
    confidence = min(max((total_score / 24) * 100, 10), 80)
​

第六步：LLM 生成 Jhunjhunwala 风格叙事

generate_jhunjhunwala_output 接收完整 analysis_data（含 signal、margin_of_safety、各子分析），以印度股神口吻输出最终 JSON。注意：LLM 可能微调信号，但 Python 层规则已给出强约束。

第七步：写回 analyst_signals

关键源码逻辑（pseudocode/code from real agent; function names; scoring thresholds）

1. 盈利能力 analyze_profitability（满分 8）

# ROE = net_income / (total_assets - total_liabilities)
if roe > 20%: score += 3
elif roe > 15%: score += 2
elif roe > 10%: score += 1

# 营业利润率
if op_margin > 20%: score += 2
elif op_margin > 15%: score += 1

# EPS 3年 CAGR
if eps_cagr > 20%: score += 3
elif eps_cagr > 15%: score += 2
elif eps_cagr > 10%: score += 1
​

2. 成长 analyze_growth（满分 7）

# 营收 CAGR（需 ≥3 年数据）
if revenue_cagr > 20%: score += 3
elif > 15%: score += 2
elif > 10%: score += 1

# 净收入 CAGR
if income_cagr > 25%: score += 3
elif > 20%: score += 2
elif > 15%: score += 1

# 增长一致性：80% 年份营收正增长 → +1
​

3. 资产负债表 analyze_balance_sheet（满分 4）

debt_ratio = total_liabilities / total_assets
if debt_ratio < 0.5: score += 2
elif < 0.7: score += 1

current_ratio = current_assets / current_liabilities
if current_ratio > 2.0: score += 2
elif > 1.5: score += 1
​

4. 内在价值 calculate_intrinsic_value（简化 DCF）

# 可持续增长率（保守化处理）
if historical_growth > 25%: sustainable_growth = 20%
elif > 15%: sustainable_growth = historical * 0.8
elif > 5%:  sustainable_growth = historical * 0.9
else:       sustainable_growth = 5%

# 贴现率按质量分档
if quality_score >= 0.8: discount_rate = 12%, terminal_multiple = 18
elif >= 0.6:             discount_rate = 15%, terminal_multiple = 15
else:                    discount_rate = 18%, terminal_multiple = 12

# 5年盈利预测 + 终值
for year in 1..5:
    dcf_value += projected_earnings / (1 + discount_rate)^year
terminal_value = year_5_earnings * terminal_multiple / (1 + discount_rate)^5
​

数据不足时回退：net_income × 12（保守 P/E 12 倍）或 net_income × 15。

5. 质量评估 assess_quality_metrics（0-1 分）

综合 ROE 水平、负债率、盈利增长一致性三因子取平均，用于 neutral 情形的破局。

适合和谁搭配读

• 与 Warren Buffett Agent：两者都用内在价值和安全边际，Buffett 用 Owner Earnings 三阶段 DCF，Jhunjhunwala 用简化 5 年 DCF；可对比同一标的两个 DCF 的差异
• 与 Ben Graham Agent：Graham 用 NCAV 等清算价值，Jhunjhunwala 用盈利 DCF；Graham 更极端价值，Jhunjhunwala 接受成长溢价
• 与 Phil Fisher Agent：Fisher 重质量成长，Jhunjhunwala 把成长纳入 DCF 但用 30% 安全边际约束估值
• 与 Stanley Druckenmiller Agent：Druck 看动量，Jhunjhunwala 看深度价值；Jhunjhunwala bullish + Druck bearish 暗示「好公司但短期势头不佳」

小结

rakesh_jhunjhunwala_agent 是系统中规则最明确的混合型价值分析师：30% 安全边际是硬门槛，五维 24 分制量化基本面质量，简化 DCF 估算内在价值。与纯 LLM 决策的 Buffett/Taleb 不同，Jhunjhunwala 在 Python 层就给出了 signal 和 confidence，LLM 主要负责丰富叙事。当安全边际数据缺失时，系统会退而依赖质量分和总分比例估算置信度，因此阅读输出时务必同时关注 intrinsic_value 是否成功计算。

下一篇请阅读同目录下的《Stanley Druckenmiller Agent 教程：宏观动量、不对称风险收益与成长估值》。