1. 从一条热搜说起AI炒股到底靠不靠谱前阵子刷到全国政协委员杨成长的一个观点原话大意是AI确实是投资研究里的重要工具但它没法形成独特的分析框架和视角也代替不了人做价值判断所以指望用AI炒股不靠谱。这条内容在圈子里传得挺开做量化的、做投研的、写财经内容的都在转。我第一反应不是站队而是觉得这话说到了点子上——它其实在区分两件事AI能做什么和AI不能做什么。这两件事混在一起谈就很容易吵成一锅粥。我自己在投研工具和数据分析这条线上摸爬滚打有些年头了从最早用Excel拉数据、写VBA做回测到后来用Python跑因子、搭简单的机器学习模型再到现在把大模型接进日常的信息处理流程里踩过的坑不算少。所以看到这个标题我特别想从一个实操者的角度把这件事掰开揉碎讲清楚AI在投资研究里到底能帮上什么忙它的边界在哪里为什么“独特的分析框架”和“价值判断”这两件事它干不了以及一个普通人或者从业者应该怎么把AI当成工具而不是拐杖。这篇文章适合几类人看一是对量化、投研感兴趣但还没入门的朋友想搞清楚AI在这行到底扮演什么角色二是已经在用AI辅助投资、但总觉得哪里不对劲的人可能你正卡在“工具用得很溜但收益没起色”的阶段三是纯粹对这条热搜好奇、想听点实在分析的读者。我不会给你推荐任何具体的股票或策略也不会吹某个工具多神只讲逻辑、讲边界、讲我实际用下来的体会。核心关键词就几个AI炒股、投资研究、分析框架、价值判断、工具边界这些词会贯穿全文但我尽量不让它们变成空洞的口号。先把结论摆在前头省得你看到一半觉得我在和稀泥AI是一个极强的信息压缩器和模式识别器但它不是一个能替你承担决策后果的主体。投资这件事收益和风险最终都落在人身上而人做决策时依赖的那套“框架”和“判断”恰恰是AI最不擅长的地方。下面我分几个层面把这件事讲透。2. AI在投资研究里到底能干什么先把能力边界画清楚2.1 信息处理AI最扎实的基本盘投资研究这个活说白了有很大一部分是体力活。一家上市公司年报几百页附注密密麻麻再加上券商研报、行业数据、新闻公告、电话会议纪要一个人一天能啃多少我以前做个股研究的时候光是把一家公司的三张表理顺、把关键科目同比环比拉出来、再去翻附注里那些“其他应收款”“递延所得税资产”的明细一个下午就没了。这还是有Excel模板的情况下。AI在这件事上的价值是实打实的。你把一份年报PDF丢给大模型让它把营收结构、毛利率变化、现金流质量、有息负债规模这些关键信息提取出来再让它按你指定的格式输出成表格几分钟就能搞定。我实测下来对于格式规范、文字清晰的年报提取准确率相当高尤其是那种“把数字从大段文字里捞出来”的活AI比人快太多而且不会因为看花了眼把小数点搞错。但这里有个前提你得记住AI提取的信息必须回原文核对。我踩过的坑是有一次让模型从一份港股年报里提取“计息银行借款”的明细它把“一年内到期”和“一年后到期”两栏的数字加错了加出来一个看起来很合理但实际不对的总额。如果我直接拿去用后面的财务分析全歪。所以我的习惯是AI出结果我抽三到五个关键数字回原文对一遍对上了就继续用对不上就整段重来。这个动作花不了几分钟但能救命。除了年报AI在会议纪要整理上也很好用。电话会议录音转文字之后一大段一大段的口语内容让AI按“管理层对业绩的归因”“对下一季度的指引”“分析师问答要点”这几个维度重新组织出来的东西比原始转录稿可读性强太多。我一般还会让它把管理层前后矛盾的地方标出来比如前面说“需求旺盛”后面又说“渠道库存偏高”这种矛盾点往往是研究的关键线索。2.2 模式识别AI的强项但别神化AI第二个能干的事是模式识别。你给它一堆历史数据让它找规律它确实能找到一些人类不容易一眼看出来的东西。比如在量价数据里找特定的形态组合在财务数据里找“造假高发”的科目组合在文本数据里做情绪打分。这些事传统统计方法也能做但AI在处理高维、非线性关系时确实有优势。我拿财务造假识别举个例子。经典的造假信号包括营收增长但经营现金流不增长、应收账款增速远超营收增速、毛利率显著高于同行但存货周转率很低等等。这些规则人可以写死但AI可以做得更细——它可以把几十个财务比率放在一起学出一个综合打分把那些“单个指标看起来还行、但组合起来很可疑”的公司挑出来。我试过用简单的逻辑回归和随机森林跑过一版召回率比单规则高不少当然误报也多需要人工再过一遍。但这里就是杨成长说的那个问题了AI识别的是“相关性”不是“因果性”。它告诉你“这家公司的财务特征和历史上一批造假公司很像”但它不告诉你“这家公司到底有没有造假”。这两者之间隔着一条巨大的鸿沟。你可能因为AI的提示去深入查这家公司最后发现只是因为它所处行业的结算模式特殊导致应收账款天然就高。如果你直接把AI的输出当成结论就会误伤好公司。提示把AI的模式识别结果当成“线索”而不是“证据”。线索用来指引你往哪里查证据必须你自己去原始资料里找。2.3 效率工具把重复劳动交给机器第三块是纯粹的效率提升。写研报初稿、做数据可视化、把一堆公告按主题分类、把不同券商的盈利预测拉齐口径做对比这些事AI都能帮上忙。我现在的习惯是任何需要重复三次以上的信息处理动作都先想想能不能让AI代劳。比如做行业对比的时候我需要把五六家公司的“营收增速、毛利率、净利率、ROE、资产负债率”拉到一个表里。以前是挨个翻财报手动填现在是把各家财报丢给AI让它按统一口径提取我再抽查。省下来的时间可以拿去做更重要的判断——比如这几家公司毛利率差异背后的原因是什么是产品结构不同还是成本控制能力有差距还是会计政策有猫腻。这些判断AI做不了但省下来的时间让我能做得更细。不过效率工具也有个陷阱你会因为“快”而做太多。以前手动拉数据慢你自然只会挑最关键的几家公司、最核心的几个指标去拉。现在AI快了你可能会忍不住把全市场几千家公司都跑一遍最后面对一个巨大的表格不知道从哪看起。我的经验是工具越快越要克制先想清楚“我要回答什么问题”再决定让AI去处理哪些数据。否则就是拿着锤子找钉子敲了一堆钉子但没盖成房子。3. 为什么AI形成不了“独特的分析框架”3.1 框架的本质是“取舍”AI不擅长取舍杨成长那句话里“独特的分析框架”这几个字很关键。什么叫分析框架说白了就是你决定看什么、不看什么、怎么看、看到什么程度算够。这是一个取舍的过程。而取舍的背后是你对这个世界运行规律的理解是你愿意承担什么风险、放弃什么机会。我举个具体的例子。做消费股研究有人用“品牌力渠道力产品力”的三力框架有人用“渗透率市占率客单价”的量价框架有人用“人口结构消费习惯变迁”的宏观框架。这三个框架看同一家公司会得出完全不同的结论。三力框架可能觉得某公司品牌老化、渠道库存高给卖出评级量价框架可能觉得它渗透率还有空间、客单价在提升给买入评级。谁对可能都对也可能都错取决于后续事实怎么走。但关键是每个框架都有自己的盲区也有自己的适用场景。一个成熟的投资者是知道自己框架的盲区在哪并且在特定情况下会切换框架或者调整权重。AI能做什么它能帮你把这三个框架都跑一遍把每个框架下的关键指标都算出来。但它不能替你决定“现在这个时点我应该用哪个框架”。这个决定依赖于你对当前市场环境、行业阶段、公司具体情况的综合判断而这些判断里有大量的默会知识——就是你在这个行业里泡久了形成的一种说不清道不明的直觉。AI没有这种直觉因为它没有在真实世界里承担过后果。3.2 框架需要“立场”AI没有立场再往深一层说分析框架往往带着立场。价值投资者看低估值成长投资者看高增速趋势交易者看动量。这些立场不是随便选的是跟一个人的资金属性、风险偏好、持有周期、甚至性格都绑在一起的。一个管着三年封闭期资金的人和一个管着每天要应对申赎的开放式基金的人看同一只股票框架完全不一样。AI没有资金属性没有风险偏好没有持有周期。你问它“这只股票能不能买”它只能给你一个基于历史数据的概率分布或者一段四平八稳的“一方面另一方面”的分析。它不会说“这个位置我敢重仓因为跌了我扛得住”也不会说“这个位置我只敢轻仓试错因为错了我要止损”。这些带立场的话只有人说得出来。我见过一些朋友把AI的输出当成“客观真理”觉得机器没有情绪、没有偏见所以更可靠。这个想法很危险。AI的“客观”是建立在训练数据和算法结构上的而训练数据本身就有偏差——比如它可能过度学习了某一段特定市场环境下的规律换一个环境就失效。而且AI的输出是概率性的同一个问题问两次可能得到不同的答案。你把这种“不确定的客观”当成决策依据还不如承认自己就是有立场的然后围绕自己的立场去构建框架。3.3 独特框架来自“非共识”AI倾向于共识投资里超额收益的一个重要来源是“非共识但正确”。你看到了别人没看到的东西或者你对同一个信息做出了和别人不一样的解读并且最后证明你是对的。这种非共识往往来自独特的分析框架。AI的训练数据是海量的公开信息它的输出天然倾向于“共识”——因为共识在数据里出现的频率最高。你问它某只股票怎么样它大概率会给你一个市场上主流的看法。这个看法可能没错但很难让你获得超额收益。真正能赚钱的框架往往是反共识的而反共识的东西在训练数据里是少数AI学不到也不敢说。我自己的体会是AI可以帮你验证一个非共识观点比如你有一个想法让AI去找支持和不支持这个想法的证据它能找得挺全。但提出一个非共识观点AI基本帮不上忙。那个灵光一现的东西还是得靠人。可能是你调研时跟一个经销商聊出来的可能是你生活中观察到一个消费趋势可能是你把两个不相关的行业放在一起类比想出来的。这些来源AI都没有。4. 价值判断为什么AI替代不了人4.1 价值判断的本质是“权衡不可比的东西”价值判断这个词听起来很虚但拆开看很具体。投资里的价值判断核心是在不确定性下权衡收益和风险并且在多个不可比的目标之间做取舍。比如一家公司短期业绩很好但长期逻辑有瑕疵另一家公司短期业绩一般但长期空间很大你选哪个这个选择没有标准答案取决于你的资金久期、你的机会成本、你对确定性的偏好。AI可以帮你把两家公司的财务数据、估值水平、历史表现都列出来甚至能给你一个基于历史回测的“最优选择”。但历史回测的前提是“未来和过去相似”而投资中最关键的时刻往往是“这次不一样”的时候。AI处理不了“这次不一样”因为它没有关于未来的信息也没有关于“这次为什么不一样”的深层理解。我举个更生活化的例子。你选房子AI可以帮你比较地段、面积、价格、学区、交通给你一个综合打分。但最后决定买哪套的可能是你站在阳台上看到的那一眼风景可能是你走进小区时感受到的那种氛围可能是你想到孩子以后在楼下玩耍的画面。这些东西没法量化但它们在决策中的权重可能很高。投资里的价值判断也一样有很多“软信息”是AI捕捉不到的。4.2 价值判断需要“承担后果”还有一个更根本的区别人做价值判断是因为人要承担后果。你买了赚了是你的亏了也是你的。这种“后果绑定”会深刻地影响你的判断方式。你会因为怕亏而更谨慎会因为想赚而更进取会在关键时刻因为直觉而放弃一个数据上看起来很好的机会。这些反应AI都没有。我并不是说“有情绪”是好事。情绪确实会让人犯错追涨杀跌、过度自信、损失厌恶这些都是人性弱点。但完全剔除情绪的“纯理性决策”在投资里也不存在因为投资本身就是面向未来的、信息不完备的决策。AI可以帮你减少一些情绪化错误比如设置纪律性的止损线、避免在暴跌时恐慌性卖出但它不能替你做出“这次到底要不要破例”的判断。而且承担后果这件事还有一个隐含的维度你只能对自己的判断负责。如果你听了AI的建议亏了钱你没法让AI负责。这种“最终责任在人”的设定决定了价值判断必须由人来做。你可以参考AI的输出但拍板的那一刻必须是你的手按下去。4.3 AI的“价值判断”是伪判断现在有些AI产品会直接给“买入/卖出/持有”的评级看起来像是在做价值判断。但仔细看它的逻辑无非是把一堆指标加权求和或者把历史类似情况下的后续走势统计出来。这本质上还是模式识别不是价值判断。真正的价值判断是在信息不完备、逻辑链条不完整、未来不确定的情况下基于自己的认知和信念做出一个“我愿意为此负责”的决定。这个决定可能事后被证明是错的但在做决定的那个时点它是你认知范围内最合理的选择。AI给不出这种“我愿意负责”的决定因为它没有“我”。我试过让AI对一个复杂情况做判断比如“一家公司大股东质押比例很高但公司基本面在改善行业政策也在转暖该不该买”。AI的回答非常标准先列质押风险再列基本面改善证据再列政策利好最后说“投资者需综合考虑自身风险承受能力”。这个回答没错但它没有回答“该不该买”。它把判断的责任又推回给了你。这恰恰说明价值判断这件事AI做不了只能人来做。5. 实操把AI用对地方的几个具体场景5.1 场景一快速建立一家公司的“信息底稿”我现在的流程是这样的拿到一家新公司先把最近三年的年报、最近四个季度的财报、最近半年的券商研报丢给AI让它按我指定的模板输出一份“信息底稿”。模板包括公司业务结构、营收利润驱动因素、主要风险点、行业地位、估值水平、近期催化剂。AI输出之后我逐项核对关键数字然后补充它漏掉的东西——通常是那些需要行业知识才能理解的信息比如某个产品的技术路线变化、某个客户的订单波动。这个流程比我自己从头翻快很多而且AI不会漏掉“公司自己披露的风险因素”这种容易被忽略的部分。但要注意AI总结的“风险点”往往是泛泛而谈比如“市场竞争加剧”“原材料价格波动”这些是套话。真正有价值的风险点需要你结合行业知识去挖比如“公司主力产品的专利明年到期”“大客户自建产能明年投产”。这些AI不一定能主动提出来你得在提问时引导它。5.2 场景二做行业对比时的“数据拉齐”行业对比最烦的是口径不一致。同样是“营收”有的公司含税有的不含税同样是“毛利率”有的把运费算进成本有的算进费用。人工拉齐口径很费时间。我的做法是把各家公司的原始数据丢给AI明确告诉它“统一按XX口径调整”让它输出调整后的对比表。然后我抽查两三家看调整逻辑对不对。这里有个技巧不要一次让AI处理太多公司。我试过一次性丢十家公司给它结果它把其中两家的数据搞混了。后来改成一次处理三到四家准确率明显提升。处理完一批人工核对再处理下一批。虽然麻烦点但比返工强。5.3 场景三用AI做“反面证据”搜集这个用法我觉得特别有价值。当你对一家公司形成初步看好或看空的判断后让AI专门去找反面证据。比如你看好一家公司就让AI列出“所有可能证明这家公司不值得投资的理由”越具体越好。AI会给你一堆东西有些是废话但有些可能是你没想到的。我靠这个办法发现过好几次自己逻辑里的漏洞。这个用法的关键在于提问方式。你不能问“这家公司有什么风险”它会给你套话。你要问“假设这家公司未来三年股价腰斩最可能的原因是什么”或者“市场上看空这家公司的人最核心的三个论据是什么”。问题越具体AI的输出越有针对性。5.4 场景四交易纪律的“外部提醒”这个跟研究关系不大但跟投资结果关系很大。我给自己定了几条纪律比如“单只股票仓位不超过XX%”“亏损超过XX%必须重新审视逻辑”。以前靠自觉经常做不到。现在我把这些纪律写成一个清单每次想加仓或想扛单的时候让AI把清单念一遍然后问我“你现在的操作符合哪一条”。这个动作看起来很傻但实测有效因为它强制你从情绪里抽离出来回到规则上。当然AI只是念清单它不负责执行。执不执行还是你自己的事。但多这一道“念”的程序能让你多一个冷静的瞬间。很多错误的决策就是差这一个瞬间。6. 常见问题与避坑指南6.1 AI给出的数据能直接用吗不能。这是我踩过最大的坑。AI在提取数据时尤其是从PDF或图片里提取时会有一定的错误率。错误的形式包括数字看错、单位搞混、把不同表格的数据串在一起、把“同比”和“环比”搞反。我的做法是任何进入分析流程的关键数字必须回原始来源核对。核对的方式可以是搜索原文关键词可以是跟另一个数据源交叉验证可以是自己用计算器按一遍。这个动作不能省。6.2 AI的分析结论能信几分我的经验是AI的“事实性描述”可以信七分但必须核对“分析性结论”只能信三分主要用来启发思路。比如AI说“这家公司毛利率高于同行”这是一个事实性描述你核对一下数据就知道对不对。但AI说“这家公司毛利率高是因为品牌溢价”这是一个分析性结论它可能是对的也可能是错的你需要自己去验证。把AI的输出当成“一个聪明但不太靠谱的实习生写的初稿”这个定位比较准确。6.3 为什么同一个问题问两次答案不一样因为大模型本质上是概率模型每次生成都有随机性。同一个问题它可能这次说“估值合理”下次说“估值偏高”。这不是它“不靠谱”而是它的工作机制就是这样。应对方法是重要问题多问几次看答案的稳定性。如果几次答案的核心结论一致那这个结论相对可靠如果几次答案差异很大说明这个问题本身就没有确定答案或者AI在这个问题上的知识不够扎实你需要自己判断。6.4 用AI选股为什么收益不好因为选股的核心不是“处理信息”而是“做出判断”。AI能帮你处理信息但判断还是你自己的事。如果你把AI的输出直接当成买卖信号那本质上是在用一种复杂的方式追涨杀跌。我见过太多人用AI跑了一堆因子回测曲线很漂亮实盘一塌糊涂。原因很简单回测用的是历史数据实盘面对的是未来。历史规律可能失效而AI不知道什么时候会失效。6.5 AI会不会让我变懒会。这是我最担心的事。当你习惯了让AI帮你读年报、写摘要、做对比你会慢慢丧失自己动手的能力。而投资研究里动手的过程本身就是思考的过程。你亲手翻一遍年报可能会注意到一个AI没提的细节你亲手拉一遍数据可能会发现一个AI没算出来的异常。我的做法是关键公司、关键决策必须自己动手过一遍。AI可以用来做初步筛选和效率提升但最终的核心工作不能外包给AI。常见问题我的应对方法核心原则AI数据提取错误关键数字回原文核对交叉验证不核对不采用AI分析结论偏差当成启发不当成结论事实核对观点存疑同一问题答案不稳定多问几次看核心结论是否一致不稳定说明问题本身模糊用AI选股收益差把AI当信息处理器不当决策者判断必须自己做过度依赖AI变懒关键环节坚持自己动手动手即思考7. 我个人的几条实操心得第一条AI是望远镜不是导航仪。望远镜让你看得更远、更清楚但往哪走、走多快、要不要拐弯还是你自己决定。你把望远镜当成导航仪指望它告诉你每一步怎么走那迟早掉沟里。第二条提问的质量决定输出的质量。你问“这家公司好不好”AI只能给你套话。你问“这家公司过去三年营收增长的主要驱动因素是什么其中哪些因素在未来两年可能逆转”AI就能给你有信息量的回答。花时间打磨问题比花时间研究怎么用工具更重要。第三条永远保留“人工否决权”。不管AI给出什么结论你都有权说不。而且很多时候你应该说不。因为AI没有你的行业直觉没有你的风险偏好没有你对未来的独特判断。当AI的输出和你的直觉冲突时停下来想一想往往能发现一些AI没看到的东西。第四条别追求“全自动”。我见过一些人想搭一个全自动的AI投资系统从数据抓取到信号生成到自动交易全交给机器。这个方向在特定场景下可能可行但对绝大多数人来说是一条不归路。因为市场环境在变AI的规律会失效而失效的时候往往就是亏大钱的时候。保留人工干预的环节虽然麻烦但安全。第五条把AI当成一个“陪练”而不是“教练”。陪练可以陪你练球、给你反馈但教练才负责制定训练计划和战术。AI可以帮你验证想法、找反面证据、做数据对比但它不负责制定你的投资框架和纪律。框架和纪律必须你自己来。最后再说回杨成长那个观点。他说AI炒股不靠谱我理解他不是在否定AI的价值而是在提醒大家别把工具当主体。AI在投资研究里的作用会越来越大这是趋势挡不住。但“用AI辅助研究”和“用AI炒股”是两码事。前者是人在主导AI在辅助后者是AI在主导人在跟风。前者靠谱后者不靠谱。这个区分值得每个想在这个市场里长期活下去的人想清楚。我自己用AI这几年最大的收获不是它帮我多赚了多少钱而是它帮我省下了大量做重复劳动的时间让我能把这些时间花在真正需要人来做的事情上——读那些AI读不懂的行业资料跟那些AI接触不到的人聊天想那些AI想不出来的问题。这些事做多了我对自己的判断更有信心了对AI的依赖反而更少了。这可能才是工具和人的正确关系工具让你更强而不是让你更弱。
1. 从一条热搜说起AI炒股到底靠不靠谱前阵子刷到全国政协委员杨成长的一个观点原话大意是AI确实是投资研究里的重要工具但它没法形成独特的分析框架和视角也代替不了人做价值判断所以指望用AI炒股不靠谱。这条内容在圈子里传得挺开做量化的、做投研的、写财经内容的都在转。我第一反应不是站队而是觉得这话说到了点子上——它其实在区分两件事AI能做什么和AI不能做什么。这两件事混在一起谈就很容易吵成一锅粥。我自己在投研工具和数据分析这条线上摸爬滚打有些年头了从最早用Excel拉数据、写VBA做回测到后来用Python跑因子、搭简单的机器学习模型再到现在把大模型接进日常的信息处理流程里踩过的坑不算少。所以看到这个标题我特别想从一个实操者的角度把这件事掰开揉碎讲清楚AI在投资研究里到底能帮上什么忙它的边界在哪里为什么“独特的分析框架”和“价值判断”这两件事它干不了以及一个普通人或者从业者应该怎么把AI当成工具而不是拐杖。这篇文章适合几类人看一是对量化、投研感兴趣但还没入门的朋友想搞清楚AI在这行到底扮演什么角色二是已经在用AI辅助投资、但总觉得哪里不对劲的人可能你正卡在“工具用得很溜但收益没起色”的阶段三是纯粹对这条热搜好奇、想听点实在分析的读者。我不会给你推荐任何具体的股票或策略也不会吹某个工具多神只讲逻辑、讲边界、讲我实际用下来的体会。核心关键词就几个AI炒股、投资研究、分析框架、价值判断、工具边界这些词会贯穿全文但我尽量不让它们变成空洞的口号。先把结论摆在前头省得你看到一半觉得我在和稀泥AI是一个极强的信息压缩器和模式识别器但它不是一个能替你承担决策后果的主体。投资这件事收益和风险最终都落在人身上而人做决策时依赖的那套“框架”和“判断”恰恰是AI最不擅长的地方。下面我分几个层面把这件事讲透。2. AI在投资研究里到底能干什么先把能力边界画清楚2.1 信息处理AI最扎实的基本盘投资研究这个活说白了有很大一部分是体力活。一家上市公司年报几百页附注密密麻麻再加上券商研报、行业数据、新闻公告、电话会议纪要一个人一天能啃多少我以前做个股研究的时候光是把一家公司的三张表理顺、把关键科目同比环比拉出来、再去翻附注里那些“其他应收款”“递延所得税资产”的明细一个下午就没了。这还是有Excel模板的情况下。AI在这件事上的价值是实打实的。你把一份年报PDF丢给大模型让它把营收结构、毛利率变化、现金流质量、有息负债规模这些关键信息提取出来再让它按你指定的格式输出成表格几分钟就能搞定。我实测下来对于格式规范、文字清晰的年报提取准确率相当高尤其是那种“把数字从大段文字里捞出来”的活AI比人快太多而且不会因为看花了眼把小数点搞错。但这里有个前提你得记住AI提取的信息必须回原文核对。我踩过的坑是有一次让模型从一份港股年报里提取“计息银行借款”的明细它把“一年内到期”和“一年后到期”两栏的数字加错了加出来一个看起来很合理但实际不对的总额。如果我直接拿去用后面的财务分析全歪。所以我的习惯是AI出结果我抽三到五个关键数字回原文对一遍对上了就继续用对不上就整段重来。这个动作花不了几分钟但能救命。除了年报AI在会议纪要整理上也很好用。电话会议录音转文字之后一大段一大段的口语内容让AI按“管理层对业绩的归因”“对下一季度的指引”“分析师问答要点”这几个维度重新组织出来的东西比原始转录稿可读性强太多。我一般还会让它把管理层前后矛盾的地方标出来比如前面说“需求旺盛”后面又说“渠道库存偏高”这种矛盾点往往是研究的关键线索。2.2 模式识别AI的强项但别神化AI第二个能干的事是模式识别。你给它一堆历史数据让它找规律它确实能找到一些人类不容易一眼看出来的东西。比如在量价数据里找特定的形态组合在财务数据里找“造假高发”的科目组合在文本数据里做情绪打分。这些事传统统计方法也能做但AI在处理高维、非线性关系时确实有优势。我拿财务造假识别举个例子。经典的造假信号包括营收增长但经营现金流不增长、应收账款增速远超营收增速、毛利率显著高于同行但存货周转率很低等等。这些规则人可以写死但AI可以做得更细——它可以把几十个财务比率放在一起学出一个综合打分把那些“单个指标看起来还行、但组合起来很可疑”的公司挑出来。我试过用简单的逻辑回归和随机森林跑过一版召回率比单规则高不少当然误报也多需要人工再过一遍。但这里就是杨成长说的那个问题了AI识别的是“相关性”不是“因果性”。它告诉你“这家公司的财务特征和历史上一批造假公司很像”但它不告诉你“这家公司到底有没有造假”。这两者之间隔着一条巨大的鸿沟。你可能因为AI的提示去深入查这家公司最后发现只是因为它所处行业的结算模式特殊导致应收账款天然就高。如果你直接把AI的输出当成结论就会误伤好公司。提示把AI的模式识别结果当成“线索”而不是“证据”。线索用来指引你往哪里查证据必须你自己去原始资料里找。2.3 效率工具把重复劳动交给机器第三块是纯粹的效率提升。写研报初稿、做数据可视化、把一堆公告按主题分类、把不同券商的盈利预测拉齐口径做对比这些事AI都能帮上忙。我现在的习惯是任何需要重复三次以上的信息处理动作都先想想能不能让AI代劳。比如做行业对比的时候我需要把五六家公司的“营收增速、毛利率、净利率、ROE、资产负债率”拉到一个表里。以前是挨个翻财报手动填现在是把各家财报丢给AI让它按统一口径提取我再抽查。省下来的时间可以拿去做更重要的判断——比如这几家公司毛利率差异背后的原因是什么是产品结构不同还是成本控制能力有差距还是会计政策有猫腻。这些判断AI做不了但省下来的时间让我能做得更细。不过效率工具也有个陷阱你会因为“快”而做太多。以前手动拉数据慢你自然只会挑最关键的几家公司、最核心的几个指标去拉。现在AI快了你可能会忍不住把全市场几千家公司都跑一遍最后面对一个巨大的表格不知道从哪看起。我的经验是工具越快越要克制先想清楚“我要回答什么问题”再决定让AI去处理哪些数据。否则就是拿着锤子找钉子敲了一堆钉子但没盖成房子。3. 为什么AI形成不了“独特的分析框架”3.1 框架的本质是“取舍”AI不擅长取舍杨成长那句话里“独特的分析框架”这几个字很关键。什么叫分析框架说白了就是你决定看什么、不看什么、怎么看、看到什么程度算够。这是一个取舍的过程。而取舍的背后是你对这个世界运行规律的理解是你愿意承担什么风险、放弃什么机会。我举个具体的例子。做消费股研究有人用“品牌力渠道力产品力”的三力框架有人用“渗透率市占率客单价”的量价框架有人用“人口结构消费习惯变迁”的宏观框架。这三个框架看同一家公司会得出完全不同的结论。三力框架可能觉得某公司品牌老化、渠道库存高给卖出评级量价框架可能觉得它渗透率还有空间、客单价在提升给买入评级。谁对可能都对也可能都错取决于后续事实怎么走。但关键是每个框架都有自己的盲区也有自己的适用场景。一个成熟的投资者是知道自己框架的盲区在哪并且在特定情况下会切换框架或者调整权重。AI能做什么它能帮你把这三个框架都跑一遍把每个框架下的关键指标都算出来。但它不能替你决定“现在这个时点我应该用哪个框架”。这个决定依赖于你对当前市场环境、行业阶段、公司具体情况的综合判断而这些判断里有大量的默会知识——就是你在这个行业里泡久了形成的一种说不清道不明的直觉。AI没有这种直觉因为它没有在真实世界里承担过后果。3.2 框架需要“立场”AI没有立场再往深一层说分析框架往往带着立场。价值投资者看低估值成长投资者看高增速趋势交易者看动量。这些立场不是随便选的是跟一个人的资金属性、风险偏好、持有周期、甚至性格都绑在一起的。一个管着三年封闭期资金的人和一个管着每天要应对申赎的开放式基金的人看同一只股票框架完全不一样。AI没有资金属性没有风险偏好没有持有周期。你问它“这只股票能不能买”它只能给你一个基于历史数据的概率分布或者一段四平八稳的“一方面另一方面”的分析。它不会说“这个位置我敢重仓因为跌了我扛得住”也不会说“这个位置我只敢轻仓试错因为错了我要止损”。这些带立场的话只有人说得出来。我见过一些朋友把AI的输出当成“客观真理”觉得机器没有情绪、没有偏见所以更可靠。这个想法很危险。AI的“客观”是建立在训练数据和算法结构上的而训练数据本身就有偏差——比如它可能过度学习了某一段特定市场环境下的规律换一个环境就失效。而且AI的输出是概率性的同一个问题问两次可能得到不同的答案。你把这种“不确定的客观”当成决策依据还不如承认自己就是有立场的然后围绕自己的立场去构建框架。3.3 独特框架来自“非共识”AI倾向于共识投资里超额收益的一个重要来源是“非共识但正确”。你看到了别人没看到的东西或者你对同一个信息做出了和别人不一样的解读并且最后证明你是对的。这种非共识往往来自独特的分析框架。AI的训练数据是海量的公开信息它的输出天然倾向于“共识”——因为共识在数据里出现的频率最高。你问它某只股票怎么样它大概率会给你一个市场上主流的看法。这个看法可能没错但很难让你获得超额收益。真正能赚钱的框架往往是反共识的而反共识的东西在训练数据里是少数AI学不到也不敢说。我自己的体会是AI可以帮你验证一个非共识观点比如你有一个想法让AI去找支持和不支持这个想法的证据它能找得挺全。但提出一个非共识观点AI基本帮不上忙。那个灵光一现的东西还是得靠人。可能是你调研时跟一个经销商聊出来的可能是你生活中观察到一个消费趋势可能是你把两个不相关的行业放在一起类比想出来的。这些来源AI都没有。4. 价值判断为什么AI替代不了人4.1 价值判断的本质是“权衡不可比的东西”价值判断这个词听起来很虚但拆开看很具体。投资里的价值判断核心是在不确定性下权衡收益和风险并且在多个不可比的目标之间做取舍。比如一家公司短期业绩很好但长期逻辑有瑕疵另一家公司短期业绩一般但长期空间很大你选哪个这个选择没有标准答案取决于你的资金久期、你的机会成本、你对确定性的偏好。AI可以帮你把两家公司的财务数据、估值水平、历史表现都列出来甚至能给你一个基于历史回测的“最优选择”。但历史回测的前提是“未来和过去相似”而投资中最关键的时刻往往是“这次不一样”的时候。AI处理不了“这次不一样”因为它没有关于未来的信息也没有关于“这次为什么不一样”的深层理解。我举个更生活化的例子。你选房子AI可以帮你比较地段、面积、价格、学区、交通给你一个综合打分。但最后决定买哪套的可能是你站在阳台上看到的那一眼风景可能是你走进小区时感受到的那种氛围可能是你想到孩子以后在楼下玩耍的画面。这些东西没法量化但它们在决策中的权重可能很高。投资里的价值判断也一样有很多“软信息”是AI捕捉不到的。4.2 价值判断需要“承担后果”还有一个更根本的区别人做价值判断是因为人要承担后果。你买了赚了是你的亏了也是你的。这种“后果绑定”会深刻地影响你的判断方式。你会因为怕亏而更谨慎会因为想赚而更进取会在关键时刻因为直觉而放弃一个数据上看起来很好的机会。这些反应AI都没有。我并不是说“有情绪”是好事。情绪确实会让人犯错追涨杀跌、过度自信、损失厌恶这些都是人性弱点。但完全剔除情绪的“纯理性决策”在投资里也不存在因为投资本身就是面向未来的、信息不完备的决策。AI可以帮你减少一些情绪化错误比如设置纪律性的止损线、避免在暴跌时恐慌性卖出但它不能替你做出“这次到底要不要破例”的判断。而且承担后果这件事还有一个隐含的维度你只能对自己的判断负责。如果你听了AI的建议亏了钱你没法让AI负责。这种“最终责任在人”的设定决定了价值判断必须由人来做。你可以参考AI的输出但拍板的那一刻必须是你的手按下去。4.3 AI的“价值判断”是伪判断现在有些AI产品会直接给“买入/卖出/持有”的评级看起来像是在做价值判断。但仔细看它的逻辑无非是把一堆指标加权求和或者把历史类似情况下的后续走势统计出来。这本质上还是模式识别不是价值判断。真正的价值判断是在信息不完备、逻辑链条不完整、未来不确定的情况下基于自己的认知和信念做出一个“我愿意为此负责”的决定。这个决定可能事后被证明是错的但在做决定的那个时点它是你认知范围内最合理的选择。AI给不出这种“我愿意负责”的决定因为它没有“我”。我试过让AI对一个复杂情况做判断比如“一家公司大股东质押比例很高但公司基本面在改善行业政策也在转暖该不该买”。AI的回答非常标准先列质押风险再列基本面改善证据再列政策利好最后说“投资者需综合考虑自身风险承受能力”。这个回答没错但它没有回答“该不该买”。它把判断的责任又推回给了你。这恰恰说明价值判断这件事AI做不了只能人来做。5. 实操把AI用对地方的几个具体场景5.1 场景一快速建立一家公司的“信息底稿”我现在的流程是这样的拿到一家新公司先把最近三年的年报、最近四个季度的财报、最近半年的券商研报丢给AI让它按我指定的模板输出一份“信息底稿”。模板包括公司业务结构、营收利润驱动因素、主要风险点、行业地位、估值水平、近期催化剂。AI输出之后我逐项核对关键数字然后补充它漏掉的东西——通常是那些需要行业知识才能理解的信息比如某个产品的技术路线变化、某个客户的订单波动。这个流程比我自己从头翻快很多而且AI不会漏掉“公司自己披露的风险因素”这种容易被忽略的部分。但要注意AI总结的“风险点”往往是泛泛而谈比如“市场竞争加剧”“原材料价格波动”这些是套话。真正有价值的风险点需要你结合行业知识去挖比如“公司主力产品的专利明年到期”“大客户自建产能明年投产”。这些AI不一定能主动提出来你得在提问时引导它。5.2 场景二做行业对比时的“数据拉齐”行业对比最烦的是口径不一致。同样是“营收”有的公司含税有的不含税同样是“毛利率”有的把运费算进成本有的算进费用。人工拉齐口径很费时间。我的做法是把各家公司的原始数据丢给AI明确告诉它“统一按XX口径调整”让它输出调整后的对比表。然后我抽查两三家看调整逻辑对不对。这里有个技巧不要一次让AI处理太多公司。我试过一次性丢十家公司给它结果它把其中两家的数据搞混了。后来改成一次处理三到四家准确率明显提升。处理完一批人工核对再处理下一批。虽然麻烦点但比返工强。5.3 场景三用AI做“反面证据”搜集这个用法我觉得特别有价值。当你对一家公司形成初步看好或看空的判断后让AI专门去找反面证据。比如你看好一家公司就让AI列出“所有可能证明这家公司不值得投资的理由”越具体越好。AI会给你一堆东西有些是废话但有些可能是你没想到的。我靠这个办法发现过好几次自己逻辑里的漏洞。这个用法的关键在于提问方式。你不能问“这家公司有什么风险”它会给你套话。你要问“假设这家公司未来三年股价腰斩最可能的原因是什么”或者“市场上看空这家公司的人最核心的三个论据是什么”。问题越具体AI的输出越有针对性。5.4 场景四交易纪律的“外部提醒”这个跟研究关系不大但跟投资结果关系很大。我给自己定了几条纪律比如“单只股票仓位不超过XX%”“亏损超过XX%必须重新审视逻辑”。以前靠自觉经常做不到。现在我把这些纪律写成一个清单每次想加仓或想扛单的时候让AI把清单念一遍然后问我“你现在的操作符合哪一条”。这个动作看起来很傻但实测有效因为它强制你从情绪里抽离出来回到规则上。当然AI只是念清单它不负责执行。执不执行还是你自己的事。但多这一道“念”的程序能让你多一个冷静的瞬间。很多错误的决策就是差这一个瞬间。6. 常见问题与避坑指南6.1 AI给出的数据能直接用吗不能。这是我踩过最大的坑。AI在提取数据时尤其是从PDF或图片里提取时会有一定的错误率。错误的形式包括数字看错、单位搞混、把不同表格的数据串在一起、把“同比”和“环比”搞反。我的做法是任何进入分析流程的关键数字必须回原始来源核对。核对的方式可以是搜索原文关键词可以是跟另一个数据源交叉验证可以是自己用计算器按一遍。这个动作不能省。6.2 AI的分析结论能信几分我的经验是AI的“事实性描述”可以信七分但必须核对“分析性结论”只能信三分主要用来启发思路。比如AI说“这家公司毛利率高于同行”这是一个事实性描述你核对一下数据就知道对不对。但AI说“这家公司毛利率高是因为品牌溢价”这是一个分析性结论它可能是对的也可能是错的你需要自己去验证。把AI的输出当成“一个聪明但不太靠谱的实习生写的初稿”这个定位比较准确。6.3 为什么同一个问题问两次答案不一样因为大模型本质上是概率模型每次生成都有随机性。同一个问题它可能这次说“估值合理”下次说“估值偏高”。这不是它“不靠谱”而是它的工作机制就是这样。应对方法是重要问题多问几次看答案的稳定性。如果几次答案的核心结论一致那这个结论相对可靠如果几次答案差异很大说明这个问题本身就没有确定答案或者AI在这个问题上的知识不够扎实你需要自己判断。6.4 用AI选股为什么收益不好因为选股的核心不是“处理信息”而是“做出判断”。AI能帮你处理信息但判断还是你自己的事。如果你把AI的输出直接当成买卖信号那本质上是在用一种复杂的方式追涨杀跌。我见过太多人用AI跑了一堆因子回测曲线很漂亮实盘一塌糊涂。原因很简单回测用的是历史数据实盘面对的是未来。历史规律可能失效而AI不知道什么时候会失效。6.5 AI会不会让我变懒会。这是我最担心的事。当你习惯了让AI帮你读年报、写摘要、做对比你会慢慢丧失自己动手的能力。而投资研究里动手的过程本身就是思考的过程。你亲手翻一遍年报可能会注意到一个AI没提的细节你亲手拉一遍数据可能会发现一个AI没算出来的异常。我的做法是关键公司、关键决策必须自己动手过一遍。AI可以用来做初步筛选和效率提升但最终的核心工作不能外包给AI。常见问题我的应对方法核心原则AI数据提取错误关键数字回原文核对交叉验证不核对不采用AI分析结论偏差当成启发不当成结论事实核对观点存疑同一问题答案不稳定多问几次看核心结论是否一致不稳定说明问题本身模糊用AI选股收益差把AI当信息处理器不当决策者判断必须自己做过度依赖AI变懒关键环节坚持自己动手动手即思考7. 我个人的几条实操心得第一条AI是望远镜不是导航仪。望远镜让你看得更远、更清楚但往哪走、走多快、要不要拐弯还是你自己决定。你把望远镜当成导航仪指望它告诉你每一步怎么走那迟早掉沟里。第二条提问的质量决定输出的质量。你问“这家公司好不好”AI只能给你套话。你问“这家公司过去三年营收增长的主要驱动因素是什么其中哪些因素在未来两年可能逆转”AI就能给你有信息量的回答。花时间打磨问题比花时间研究怎么用工具更重要。第三条永远保留“人工否决权”。不管AI给出什么结论你都有权说不。而且很多时候你应该说不。因为AI没有你的行业直觉没有你的风险偏好没有你对未来的独特判断。当AI的输出和你的直觉冲突时停下来想一想往往能发现一些AI没看到的东西。第四条别追求“全自动”。我见过一些人想搭一个全自动的AI投资系统从数据抓取到信号生成到自动交易全交给机器。这个方向在特定场景下可能可行但对绝大多数人来说是一条不归路。因为市场环境在变AI的规律会失效而失效的时候往往就是亏大钱的时候。保留人工干预的环节虽然麻烦但安全。第五条把AI当成一个“陪练”而不是“教练”。陪练可以陪你练球、给你反馈但教练才负责制定训练计划和战术。AI可以帮你验证想法、找反面证据、做数据对比但它不负责制定你的投资框架和纪律。框架和纪律必须你自己来。最后再说回杨成长那个观点。他说AI炒股不靠谱我理解他不是在否定AI的价值而是在提醒大家别把工具当主体。AI在投资研究里的作用会越来越大这是趋势挡不住。但“用AI辅助研究”和“用AI炒股”是两码事。前者是人在主导AI在辅助后者是AI在主导人在跟风。前者靠谱后者不靠谱。这个区分值得每个想在这个市场里长期活下去的人想清楚。我自己用AI这几年最大的收获不是它帮我多赚了多少钱而是它帮我省下了大量做重复劳动的时间让我能把这些时间花在真正需要人来做的事情上——读那些AI读不懂的行业资料跟那些AI接触不到的人聊天想那些AI想不出来的问题。这些事做多了我对自己的判断更有信心了对AI的依赖反而更少了。这可能才是工具和人的正确关系工具让你更强而不是让你更弱。
