Turn a 300-Page HK Annual Report into Structured Financials

A hands-on test of Baidu PaddleOCR, the open source document AI engine with 81K Stars. PP-OCRv5 with 96.5% accuracy extracted 102 text regions from a Hong Kong stock annual report P&L page, discovered a KMeans clustering bug (n_clusters=0) in the PP-StructureV3 Transformers engine, built a custom DBSCAN row and column clustering parser, and completed automatic structuring of three financial statements end to end in 83 seconds.

承接 PaddleOCR 實戰，把「讀出文字」推進到「可用的數據」：定位財報頁、處理跨頁表格、三表與分部資訊的欄位對應、單位統一、JSON schema 設計，以及用勾稽關係自動校對的完整管線與檢查表。

財報分析自動化的第一道瓶頸是機器讀不進 PDF。本文拆解文字層抽取、OCR 與版面分析三條路徑，解釋財報表格為什麼特別難讀、OCR 之後為什麼必須人工校對，並給出結構化輸出（JSON schema）的設計概念。

利潤是觀點，現金是事實。本文拆解損益表、資產負債表、現金流量表的勾稽關係，給出現金轉換率、營運資本、資本化支出等檢查構面，附上一張「紅旗訊號→該查科目→驗證方法」速查表，並示範把這些檢查寫成可自動執行、可回溯的規則引擎。

可比公司分析的難度不在倍數算術，而在口徑：財政年度、幣別、一次性項目、EV 構成都可能讓兩家公司的數字互相污染。本文拆解同業挑選標準、六類口徑統一規則、倍數選擇的陷阱，並給出從資料抽取到異常值處理的五段自動化流水線設計與可執行程式碼。