收益：
- 能够利用人工智能分析资产负债表和损益表，并以结构化方式解读流动性、盈利能力和债务比率
- 能够通过重新计算每个比率和金额并将其与表格数据进行比较来验证幻觉和算术错误
- 能够认识到该比率本身没有任何意义，并且如果没有行业基准和定期比较，这种解释就会产生误导。
财务报表分析是查看企业的数字快照并询问“该企业的经营状况如何？”的过程。就是回答问题。有两种基本报表：资产负债表（显示特定时间点的资产、负债和权益的报表）和损益表（显示一段时间内的收入、费用和利润的报表）。根据这些表格计算出的比率（通过划分两个项目获得的有意义的指标）总结了企业的流动性、盈利能力和债务等维度。人工智能在加速这种分析方面非常强大；但存在两个危险：算术错误和没有上下文的解释。该单元的主要原则：每个数字都会重新计算，每个比率都会在行业和时期的背景下进行解释。
基本费率及其说法
在让人工智能计算比率之前知道哪个比率测量什么可以让您控制输出。
- 流动比率：企业支付短期债务的能力。例如，流动比率=流动资产/短期负债。
- 盈利能力比率：销售和资产产生多少利润。例如，净利润率=净利润/净销售额。
- 债务（杠杆）比率：有多少资产是通过债务融资的。例如总债务/总资产。
- 活动（效率）比率：股票、应收账款和资产转化为现金的速度。例如，应收账款周转率。
提示：当你让人工智能计算比率时，说“写下你使用的公式以及你选择的表项”。这样您就可以立即发现错误的项目选择（例如总资产而不是当前资产）。
逐步安全分析
- 把桌子收拾干净。以结构化形式（匿名）将资产负债表和损益表导出到模型。
- 使用公式计算比率。分别询问每个比例的公式、使用的项目和结果。
- 重新计算。独立验证每个比率（手动/Excel）；该模型可能混淆了笔。
- 添加上下文。将该比率与行业平均水平和之前时期进行比较。比率本身并没有“好”或“坏”之分。
- 用你自己的判断来建立评论。 “这是什么意思？”您添加图层；模型的一般解释是起点。
没有上下文的解释陷阱
流动比率为1.2是好是坏？答案取决于行业：零售业可能正常，重工业则较低。人工智能经常在没有上下文的情况下贴上标签，比如“1.2 是健康的”。这是误导性的。有意义的解释来自三个比较：
- 行业标杆：在同行业中具有典型价值。
- 定期比较：与之前的业务周期（趋势）进行比较。
- 业务特定条件：季节、一次性事件、会计政策。
率
测量由
人工智能的错误
正确的评论方式
当前利率
短期偿债能力
“好/坏”上下文无关标签
行业+时期比较
净利润率
销售盈利能力
单一时期的绝对化
趋势+板块
债务/股权
杠杆
高=泛化不良
行业规范+利率环境
应收账款周转率
收集力
笔选择错误
公式确认+基准
三个迷你箱子
情况 1 — 笔选择错误。分析师让AI计算流动比率；该模型错误地将总外国资源（而不是短期资源）作为分母。该比率为0.7，据说存在流动性问题。分析人员检查公式，发现 1.4 的项正确；没问题。教训：公式和笔总是确定的。
情况 2 — 没有上下文的警报。顾问让人工智能解读零售公司的债务/股本比率； “太高了，危险，”模特说。然而，该价值低于行业平均水平。当添加行业基准时，情况就会完全改变。教训：如果不与行业进行比较，就无法解释该比率。
案例 3——良好的操控性。一位财务分析师向人工智能输入三年期损益表，并说：“计算每年的毛利率，显示公式，只描述趋势，不要说好/坏。”该模型显示利润率在三年内下降。分析师在 Excel 中证实了这一点，并将其与行业数据进行比较，并在他的判断中解释说，下降是由于成本增加所致。产生快速而准确的分析。
弱提示/强提示
弱提示：
分析这张资产负债表并判断该公司是好是坏。
该模型产生的判断是与上下文无关的、绝对的，并且可能包含错误计算。
强力提示：
您的角色：财务分析助理。任务：根据资产负债表和损益表计算以下比率：流动比率、净利润率、债务/权益、应收账款周转率。规则：- 分别写下公式和每个比率使用的项目。- 不要说“好/坏”；只需给出数字并添加注释“需要行业和期间基准”。- 将帐户标记为“必须通过手工/Excel 验证”。格式：比率|公式|二手钢笔|结果 |注。[表（匿名）：...]
第二个主张使账目透明并防止在没有上下文的情况下做出判断。
对于趋势分析：
将下面三期数据中各比率历年变化情况以表格形式表示出来。仅将注释描述为“增加/减少/恒定”；不要对原因做出明确的说法，将可能的原因列为“必须调查”。[三个时期的数据：...]
对于行业基准框架：
在解释这些比率时我需要哪些比较点？对于每个比率：我应该比较什么行业数据、在什么时期以及针对什么特定业务条件？我不想让你建议来源，只是建立比较框架。
配方确认检查：
下面列出你计算的比率公式，并清楚地写出每一个“你在分子中输入了什么，你在分母中输入了什么”，以便我检查你的项目选择。
常见错误
- 没有上下文的判断。如果没有对行业和时期进行比较，“好/坏”标签就会产生误导。
- 笔选择错误。模型可能会在分子/分母中放入错误的项目；必须确认公式。
- 算术信心。比率结果必须独立重新计算。
- 匆忙建立因果关系。 “保证金下降是因为……”的说法需要证据；应调查可能的原因。
- 单一时期的绝对化。如果没有看到趋势，就不可能从单一时期得出伟大的成果。
综上所述
人工智能加速了财务报表分析，但存在两个危险：算术错误和没有上下文的解释。每个比率均以其公式计算，确定所使用的项目并独立重新计算结果。比率本身是没有意义的。没有行业基准、定期比较和具体业务条件的评论具有误导性。对模型的一般解释是一个开始；专业人士根据自己的判断创建“这意味着什么”层。
应用任务
获取企业的资产负债表和损益表（真实的或样本）。让人工智能通过强大的提示模板计算四个比率；检查每个公式和项目。然后在 Excel 中独立重新计算每个比率。最后，选择一个费率并结合行业和时期背景写下您自己的解释；请注意它与模型的上下文无关判断有何不同。
清单
- [ ] 我用公式和使用的笔计算了每个比率。
- [ ] 我确认了项目选择（分子/分母）。
- [ ] 我在 Excel 中独立/手动重新计算了每个比率。
- [ ] 我没有使用模型的“好/坏”上下文无关判断。
- [ ] 我按部门和时期比较解释了费率。
- [ ] 我将因果关系主张与要求证据“必须进行调查”的注释分开。
- [ ] 我通过匿名化表格来保护隐私。