flashback
Skill0 starsChanged 9 months agoMITView on GitHub
投资时间线回溯 - 按时间轴还原某个 ticker 的全部研究轨迹,识别认知演变和关键转折点
2 other projects use a version of this.
Adopted by
Most recently taken up by
- espressif/esp-claw-skills-labtheir own version, first seen Oct 14, 2026
- AlbusZhuo/flashbacktheir own version, first seen May 18, 2026
Other versions2 projects use a version of this.
Word for word · 0
None found.
Edited · 0
None found.
Wrote their own version · 2
- espressif/esp-claw-skills-lab★ 37same name
- AlbusZhuo/flashback★ 0same name
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repository33 other files it gives its agents.
- 13fSkill
- info-lake-healthSkill
- calendarSkill
- chatgpt-organizerSkill
- chatgptSkill
- exploreSkill
- GANSkill
- kbSkill
- learnSkill
- linkSkill
- meeting-backtestSkill
- meeting-transcriptSkill
- mocSkill
- notebooklmSkill
- organizer-transcriptSkill
- planSkill
- podcastSkill
- podwise-downloaderSkill
- portfolioSkill
- prompt-optimizerSkill
- researchSkill
- reviewSkill
- socratic-writerSkill
- substackSkill
- supply-chainSkill
- telegramSkill
- thesisSkill
- tradeSkill
- vault-healthSkill
- wechat-haoSkill
- x-bookmarksSkill
- xueqiuSkill
- youtube-downloaderSkill
The file
Files
/flashback - 投资时间线回溯
为 ticker 生成按时间排序的完整研究轨迹:从第一次提及到最近动态,展示认知如何演变、关键转折点在哪里。用于持仓复盘、模式识别、投资决策审计。
Instructions for Claude
自动创建目录: 如果 ~/Documents/Obsidian Vault/Flashback/ 不存在,自动创建。
数据收集(并行搜索所有来源):
- Trades -
~/PORTFOLIO/portfolio_monitor/data/trades.json- 提取该 ticker 的所有交易记录(日期、操作、金额)
- 这是最关键的时间锚点
- Thesis -
~/PORTFOLIO/portfolio_monitor/research/companies/{TICKER}/thesis.md- 读取当前 thesis(含 Phase 4 attribution 字段: idea_source, nlm_citation, first_seen)
- 检查 git history 或文件修改时间
- Research Notes -
研究/研究笔记/{TICKER}_*.md- 文件名含日期,直接提取
- Earnings Analysis -
研究/财报分析/{TICKER}/*.md- 从文件名提取日期和季度
- 收件箱 - frontmatter
tickers包含该 ticker 的文件- 从 frontmatter
date提取日期
- 从 frontmatter
- Podcasts -
信息源/播客/中正文提到该 ticker 的- 从 frontmatter
publish_date提取日期
- 从 frontmatter
- 周会 -
周会/会议实录 *.md中提到该 ticker 的- 从文件名提取日期
- 提取该 ticker 相关段落
- 13F - 机构持仓数据
- 扫描
~/Documents/Obsidian Vault/研究/13F 持仓/中提到该 ticker 的分析报告 - 也搜索
~/13F-CLAUDE/output/*/中的 CSV 文件(列: nameOfIssuer, ticker, shares, value) - 提取:哪些基金经理持有/增减持该 ticker,哪个季度,变动幅度
- 这是 "smart money" 验证信号——机构动向可以验证或挑战你的 thesis
- 扫描
- Supply Chain Mentions
- 读取
~/Documents/Obsidian Vault/研究/供应链/{TICKER}_mentions.md - 也可查询
~/.claude/skills/supply-chain/data/supply_chain.db:SELECT * FROM mentions WHERE mentioned_ticker = '{TICKER}' ORDER BY date - 提取:哪些公司在财报中提到了该 ticker(如 TSM 提到 NVDA 的 CoWoS 需求)
- 按日期排入时间线——供应链提及是前瞻性信号
- 读取
- XUEQIU - 雪球讨论
- (Knowledge Base removed — was empty)
- ChatGPT Conversations
- 搜索
~/Documents/Obsidian Vault/ChatGPT/Investment Research/中提到该 ticker 的文件 - 搜索策略:ticker + 公司名 + 中文名
- 提取:日期、讨论主题、关键分析观点
- 搜索
- NotebookLM 周会讨论弧 (Phase 4 NLM Integration) — 投资观点周报 notebook
- 调用 NLM perception arc query:
cd ~/.claude/skills && python -c " from shared.nlm_attribution import query_multi_notebook result = query_multi_notebook('{TICKER}', '{COMPANY_NAME}') for m in result['combined_mentions']: print(f\"{m.get('date','?')} | {m.get('notebook','?')} | {m['sentiment']} | {m['summary'][:100]}\") " - 返回跨多 notebook 的时间线(投资观点周报 + ticker 专题 notebook 如 PM Transcripts)
- 每条包含: 日期, 情绪, 一句话摘要, 来源 notebook
- 这是认知演变分析的最佳数据源 — NLM 的语义理解比关键词搜索更准
- 调用 NLM perception arc query:
- Passed Record -
research/companies/{TICKER}/passed.md- 如果存在,纳入时间线(passed 日期、原因、价格)
时间线构建:
- 所有条目按日期升序排列
- 每条标注来源类型和简要内容
- 识别关键转折点:首次交易、加仓/减仓、thesis 修改、重大信息
分析维度:
- 初始 thesis 是什么?核心假设有哪些?
- 哪些假设被验证了?哪些被推翻了?
- 关键信息出现的时间点与交易时间点是否吻合?
- 是否存在信息已经改变但仓位没有调整的情况?(认知滞后)
When to Use This Skill
- 用户使用
/flashback TICKER - 用户说"回顾一下 XX 的投资历程"
- 持仓复盘、年度总结时
- 准备卖出/加仓前的决策审计
Core Workflow
输入 TICKER
↓
[1] 并行搜索所有数据源
• 搜索 ticker + 公司名 + 中文名
• 收集所有相关条目 + 日期
↓
[2] 按时间排序
• 构建完整时间线
• 标注条目类型(trade/research/earnings/meeting/news)
↓
[3] 提取每条记录的关键信息
• 交易: 日期、操作、金额
• 研究: 核心观点/结论
• 财报: 关键指标、超预期/miss
• 周会: 讨论要点、多空观点
• 文章: 关键信息
↓
[4] 分析认知演变
• 初始 thesis → 当前状态
• 识别假设验证/推翻的时间点
• 标记关键转折点
↓
[5] 生成时间线报告
• 可视化时间线
• 分析总结
• 经验教训
↓
[6] 保存到 Obsidian
• ~/Documents/Obsidian Vault/Flashback/{TICKER}_flashback.mdQuick Start
/flashback NVDA # NVDA 完整时间线
/flashback UBER # UBER 投资历程
/flashback UBER --since 2025-06 # 只看 2025-06 之后
/flashback list # 列出已生成的 flashback输出格式
---
created: YYYY-MM-DD
type: flashback
ticker: NVDA
company: NVIDIA Corporation
aliases: [英伟达]
first_mention: YYYY-MM-DD
total_events: 25
tags: [flashback, NVDA, review]
---
# NVDA — Investment Flashback
> 从 YYYY-MM-DD 到 YYYY-MM-DD 的完整投资轨迹,共 25 条记录。
## 📋 Summary
| 维度 | 状态 |
|------|------|
| **首次提及** | 2025-03-15 (周会讨论) |
| **首次交易** | 2025-04-02 (建仓) |
| **最近动态** | 2026-02-05 (研究笔记) |
| **交易次数** | 3 (1 建仓, 1 加仓, 1 减仓) |
| **研究笔记** | 2 篇 |
| **财报分析** | 0 篇 |
| **周会提及** | 5 次 |
| **文章/播客** | 8 条 |
## 🎯 Thesis Evolution
### 初始 Thesis (2025-04-02)
> AI 基础设施核心供应商,数据中心 GPU 需求远未见顶...
### 当前 Thesis (2026-02-05)
> 叠加 AI Agent 新叙事,but 估值已反映大部分预期...
### 关键假设追踪
| 假设 | 初始判断 | 当前状态 | 验证时间 |
|------|---------|----------|---------|
| 数据中心 GPU 需求持续增长 | ✅ 看多 | ✅ 已验证 | Q3 2025 财报 |
| 竞争对手(AMD/Intel)短期难追赶 | ✅ 看多 | ⚠️ AMD MI300 进展超预期 | 2025-08 |
| 估值合理 (<35x forward PE) | ✅ 合理 | ❌ 当前 42x | 2025-12 |
## 📅 Timeline
### 2025
#### 2025-03-15 — 🗓️ 周会首次讨论
> [[会议实录 2025-03-15]] — "AI 硬件链看好,NVDA 为核心..."
> **立场:** 偏多
#### 2025-04-02 — 💰 首次建仓
> Trade: BUY NVDA @ $850, 3% position
> **触发因素:** 数据中心收入连续超预期
#### 2025-06-15 — 📝 首篇研究笔记
> [[NVDA_2025-06-15]] — 深度覆盖报告
> **核心观点:** ...
#### 2025-08-20 — 📈 Q2 财报后加仓
> Trade: BUY NVDA @ $920, position → 5%
> [[NVDA Q2 2025 Earnings Analysis]] — 数据中心收入 +150% YoY
#### 2025-10-11 — 🗓️ 周会讨论
> [[会议实录 2025-10-11]] — "AMD MI300 进展值得关注..."
> **立场:** 中性偏多(竞争风险上升)
#### 2025-12-20 — ⚠️ 减仓
> Trade: SELL partial NVDA @ $1100, position → 3%
> **触发因素:** 估值偏高,锁定部分利润
### 2026
#### 2026-01-03 — 🗓️ 周会讨论
> [[会议实录 2026-01-03]] — "AI硬件偏多,存储股弹性更大..."
> **立场:** 相对偏好存储/封装 over NVDA
#### 2026-02-05 — 📝 研究更新
> [[NVDA_2026-02-05]] — 深度研究更新
> **核心变化:** 新增 AI Agent 叙事
## 💬 Weekly Discussion Arc (NLM)
> NotebookLM 投资观点周报中关于 NVDA 的讨论演变(语义检索,非关键词匹配)
| 日期 | Notebook | 情绪 | 摘要 |
|------|----------|------|------|
| 2025-03-15 | 投资观点周报 2025 | 偏多 | AI 硬件链条看好,NVDA 为核心供应商 |
| 2025-08-22 | 投资观点周报 2025 | 看多 | Q2 超预期,数据中心收入加速 |
| 2025-10-11 | 投资观点周报 2025 | 中性 | AMD MI300 竞争风险上升,关注份额变化 |
| 2025-12-20 | 投资观点周报 2025 | 偏空 | 估值偏高,建议减仓锁利 |
| 2026-01-03 | 投资观点周报 2025 | 中性 | 相对偏好存储/封装 over NVDA |
**认知转折点:** 2025-10-11 — 从纯看多转向关注竞争风险(AMD MI300)
**情绪弧:** 偏多 → 看多 → 中性 → 偏空 → 中性
*数据来源: NotebookLM semantic query via `shared.nlm_attribution.query_multi_notebook()`*
## 🔍 认知演变分析
### What Went Right ✅
- 数据中心需求判断正确,Q2/Q3 持续超预期
- 首次建仓时机合理($850),后续收益显著
### What Could Be Better ⚠️
- 减仓决策可能过早($1100 → 后续涨至 $1300)
- 周会 2025-10-11 提到 AMD 竞争风险,但未深入研究
### Blind Spots 🔴
- 未追踪 NVDA 在中国市场的合规风险变化
- 信息源/播客 中有 3 篇相关播客未处理
### Pattern Recognition 🧠
- 从建仓到首次减仓耗时 8 个月,期间加仓 1 次
- 信息更新(周会/文章)频率约 2 周/次
- 财报是最强的仓位变动触发器
## 📎 Related Notes Index
所有相关笔记的完整索引(按来源分组):
### 交易记录
- 2025-04-02: BUY @ $850 (3%)
- 2025-08-20: BUY @ $920 (→5%)
- 2025-12-20: SELL partial @ $1100 (→3%)
### 研究笔记
- [[NVDA_2025-06-15]]
- [[NVDA_2026-02-05]]
### 周会
- [[会议实录 2025-03-15]]
- [[会议实录 2025-10-11]]
- [[会议实录 2026-01-03]]
### 播客/文章
- [[The Hidden Economics Powering AI]] — 2026-01-26
- ...
---
*Generated by /flashback on YYYY-MM-DD*Commands Reference
/flashback {TICKER} # 完整时间线
/flashback {TICKER} --since YYYY-MM # 指定起始时间
/flashback {TICKER} --trades-only # 只看交易记录
/flashback list # 列出已生成的 flashback
/flashback {TICKER} --refresh # 重新生成与其他 Skills 的关系
| Skill | 关系 |
/moc | flashback 是 MOC 的时间维度版本 |
/review | review 按时间段聚合,flashback 按 ticker 聚合 |
/thesis | flashback 追踪 thesis 的演变 |
/trade | flashback 包含所有交易记录 |
/research | flashback 索引所有研究笔记 |
注意事项
- 交易数据从 trades.json 读取,格式需先确认
- 搜索要覆盖 ticker + 公司名 + 中文名(如 NVDA/NVIDIA/英伟达)
- 周会搜索重点看前 10 行摘要和"提到公司"字段
- 时间线中的引用要简短(1-2 句话),不要复制大段原文
- 认知演变分析是最有价值的部分,要基于实际数据而非推测
- 第一次运行时如果数据源较少,时间线可能很短——这也是有价值的信息(说明研究深度不够)
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

