1. 从一场内部交流会说起AI进入投研工作流之后前阵子跟几个做基金研究和投资的朋友吃饭席间聊到一个共同感受过去两年AI工具在投研圈里的渗透速度比很多人预想的要快得多。以前大家讨论的是要不要用现在讨论的是怎么用才不出事。这个转变本身就挺有意思。汇添富基金的董超在一次公开分享里提到AI时代投资研究的挑战与机遇这个题目乍看像是一个行业论坛的标准命题但真正在一线做投研的人听到心里其实会咯噔一下——因为它触及的是一个非常具体的问题当AI能在一分钟内读完一份几百页的招股书、能自动生成财务模型、能实时抓取全网舆情的时候投资研究这份工作的核心价值到底还剩什么这篇文章不是要复述董超的观点而是借这个题目把AI在投资研究领域落地的真实情况拆开来讲。我会从投研工作的实际流程出发讲清楚AI到底在哪些环节能帮上忙、哪些环节反而会添乱、一个普通研究员或者个人投资者该怎么搭建自己的AI辅助工作流以及在这个过程中最容易踩的坑。适合的读者包括公募私募的研究员、投资经理、个人投资者以及对AI在专业领域落地感兴趣的技术人员。不管你是刚入行的新人还是做了十几年的老手只要你的日常工作涉及看公司、做判断、写报告这三件事下面的内容应该都能对上号。2. AI在投研工作流中的真实定位2.1 投研工作的本质拆解要搞清楚AI能做什么得先把投资研究这件事拆开。一个完整的投研流程大致可以分成四个环节信息获取、信息处理、逻辑推演、决策输出。信息获取包括读财报、听电话会、跑调研、看行业数据信息处理是把这些零散信息整理成结构化的认知比如财务模型、竞争格局图、产业链图谱逻辑推演是基于处理后的信息形成对未来的判断比如这家公司三年后的利润大概在什么水平、这个行业的拐点什么时候来决策输出则是把判断转化成可执行的仓位调整和报告。这四个环节里AI目前最强的是前两个最弱的是第三个第四个则涉及合规和责任的边界AI基本只能做辅助。很多人对AI在投研中的期待过高就是因为没有做这个拆解误以为AI能直接给出买还是卖的答案。实际上AI是一个极强的信息处理引擎但它不是一个好的判断者——至少目前不是。2.2 为什么AI在信息处理环节优势明显信息处理这件事本质上是一个从非结构化到结构化的过程。一份年报几百页里面真正影响投资决策的可能就那二三十个数据点一场电话会一个小时关键信息可能就藏在某位高管的某句回答里。人来做这件事靠的是经验和耐心但经验和耐心都是稀缺资源。一个研究员一天能精读两份深度报告就不错了但AI可以在几分钟内把同样的内容过一遍并且不会因为疲劳而漏掉细节。这里的关键在于AI的优势不是比人聪明而是比人耐烦。它可以在海量文本里做一致性检查比如把一家公司过去五年的年报里关于研发投入的表述全部提取出来做对比看口径有没有变化它可以把同一行业十几家公司的毛利率、周转率、现金流特征拉成一张表快速定位异常值。这些工作人也能做但耗时耗力而且容易因为先入为主的判断而忽略反例。AI没有这个问题它不知道什么叫先入为主你让它找异常它就老老实实找异常。2.3 逻辑推演环节AI为什么靠不住到了逻辑推演这一步AI的短板就暴露了。投资判断的核心是对未来下注而未来的本质是不确定性。AI擅长的是从历史数据里找规律但历史规律在投资里经常失效——因为市场参与者的行为会随着环境变化而变化过去的估值中枢不代表未来的估值中枢过去的增长斜率不代表未来的增长斜率。更麻烦的是AI很容易生成看起来很有道理但实际上是废话的推演。比如你问它这家公司未来三年能不能保持20%的增长它可能会给你列出一堆支持因素和风险因素最后来一句综合来看增长前景取决于行业竞争格局和公司执行力——这话没错但等于没说。真正有价值的逻辑推演需要的是对产业细节的深刻理解、对管理层能力的判断、对竞争态势的直觉这些东西很难被结构化也就很难被AI学习。所以我的经验是AI可以用来做推演的陪练比如你有一个初步判断可以让AI扮演反方来挑刺看它能不能找到你没想到的风险点但最终的判断必须由人来做而且这个人必须对AI的输出保持警惕。3. 搭建AI辅助投研工作流的实操步骤3.1 第一步明确你的信息处理需求在动手之前先想清楚你每天花时间最多的事情是什么。是读财报是整理调研纪要是跟踪行业新闻还是做财务模型不同的需求对应不同的工具组合。我见过一些人一上来就买最贵的AI工具结果发现根本用不上因为他的工作里需要AI处理的环节其实很少。也见过一些人只用最基础的对话工具但把提示词打磨得很精细效果反而很好。我的建议是先花一周时间记录自己每天的时间分配找出那些重复性高、耗时长、但技术含量不高的环节。这些环节就是AI最该介入的地方。比如我自己过去每周要花四五个小时整理上市公司的公告把重要信息摘出来做成表格。后来我把这个流程交给AI现在每周只需要花半小时复核省下来的时间可以用来做更深入的产业研究。3.2 第二步选择合适的工具组合工具选择上我不推荐盲目追求全能型方案。投研工作的特点是信息源分散、格式多样、对准确性要求高单一工具很难覆盖所有需求。比较务实的做法是一个主力工具加若干专用工具。主力工具用来做文本理解和生成比如读财报、写摘要、做初步分析专用工具用来做数据抓取、财务计算、图表生成。具体来说文本处理方面可以选择支持长上下文的大模型工具这样可以把整份年报丢进去让它做分析而不用分段处理。数据抓取方面如果涉及公开数据可以用一些现成的数据接口或者爬虫工具但要注意合规边界不要抓取非公开信息。财务计算方面Excel配合一些插件其实就够用了没必要上太复杂的系统。这里的关键是够用就好工具太多反而会增加学习成本和维护负担。3.3 第三步设计你的提示词模板提示词的质量直接决定AI输出的质量。很多人用AI效果不好不是因为工具不行而是因为问得太随意。比如帮我分析一下这家公司这种问题AI只能给你一堆泛泛而谈的内容。好的提示词应该包含四个要素角色设定、任务描述、输出格式、约束条件。举个例子我常用的一个财报分析提示词是这样的角色设定为你是一名有十年经验的股票研究员擅长从财报中挖掘被市场忽略的细节任务描述为请阅读以下年报内容找出三个最值得关注的财务异常点并说明每个异常点可能的原因输出格式为用表格呈现包含异常点描述、涉及科目、可能原因、需要进一步验证的问题约束条件为不要给出投资建议只做事实层面的分析。这样一套下来AI的输出会聚焦很多也更容易直接用到报告里。3.4 第四步建立人工复核机制这一步最容易被忽略但恰恰是最重要的。AI的输出必须经过人工复核才能进入正式的研究流程。复核的重点有三个一是数据准确性AI有时候会编造数字尤其是当原文表述模糊的时候二是逻辑一致性AI的分析有时候会自相矛盾前面说增长强劲后面又说面临压力三是合规性AI生成的内容不能包含未公开信息也不能有误导性表述。我的做法是把AI的输出当作初稿自己再从头过一遍重点检查那些看起来太顺的地方——因为太顺往往意味着AI在顺着你的预期说而不是在客观分析。另外所有AI生成的内容在进入正式报告之前都要标注来源和生成方式这是合规的基本要求。4. 核心环节的深度解析与参数配置4.1 财报阅读如何让AI帮你抓重点财报阅读是投研的基本功也是最耗时的环节之一。一份完整的年报通常在两三百页加上附注和附表信息量极大。人读财报的痛点在于容易迷失在细节里或者因为时间压力而跳过一些重要部分。AI可以很好地解决这个问题但前提是你得知道怎么问。我的做法是分三步走。第一步让AI做结构梳理把年报的章节结构和核心数据列出来形成一张地图。第二步让AI做异常检测把过去三年的关键财务指标拉出来做对比找出变化幅度超过阈值的项目。这里的阈值设置很关键我一般用营收和利润的同比变化超过20%、毛利率变化超过3个百分点、应收账款增速超过营收增速作为触发条件。第三步让AI做文本挖掘在管理层讨论、风险提示、关联交易等章节里找出那些措辞微妙的表述比如从稳步增长变成保持稳定从积极拓展变成审慎推进这些变化往往比数字更能反映管理层的真实预期。注意AI在做财务计算时容易出错尤其是涉及跨期对比和口径调整的时候。所有AI算出来的数字都要用原始数据复核一遍。我一般会让AI把计算过程写出来这样更容易发现错误。4.2 调研纪要整理从录音到洞察调研纪要的整理是另一个AI能大幅提效的环节。过去一场两小时的电话会整理成文字纪要需要三四个小时而且整理者的理解偏差会影响纪要质量。现在用AI做语音转文字再让AI做摘要和要点提取时间可以压缩到半小时以内。但这里有几个细节需要注意。第一语音转文字的准确率受录音质量影响很大如果录音有杂音或者多人同时说话转出来的文字可能错漏百出。我的经验是重要调研尽量用专业录音设备并且在转文字之后快速浏览一遍把明显错误的地方标出来。第二AI做摘要时容易抓大放小把一些看似不重要但实际很关键的细节漏掉。比如某位高管在回答问题时的一个停顿、一次改口这些在文字里可能不明显但在现场是有信息量的。所以我的做法是AI摘要和原始录音对照着看重点部分自己再听一遍。第三纪要的整理要区分事实和观点AI有时候会把管理层的乐观表述直接当成事实来总结这是需要人工修正的。4.3 财务模型搭建AI能帮到什么程度财务模型是投研的核心工具也是AI目前介入程度最低的环节之一。原因很简单财务模型的本质是一套逻辑假设的量化表达而假设的设定需要对业务有深刻理解这不是AI能替代的。但AI可以在两个方面提供帮助一是数据录入和校验把财报里的历史数据自动填入模型并检查勾稽关系是否正确二是敏感性分析的辅助比如让AI快速生成不同增长率和利润率假设下的利润预测表帮你找到关键变量。我试过让AI直接生成一个完整的DCF模型结果不太理想。它能把公式写对但假设的设定很随意比如永续增长率直接给个3%完全不考虑行业特性和公司阶段。所以我的建议是模型框架自己搭假设自己定AI只用来做重复性的计算和校验工作。这样既保证了模型的质量又享受了AI的效率。4.4 舆情监控实时信息的筛选与预警舆情监控是AI比较擅长的领域因为它的核心任务是从大量信息里找出异常这正是AI的强项。具体做法是设定一组关键词和监控范围让AI定期扫描相关新闻、公告、社交媒体讨论发现异常时自动预警。比如你关注一家消费品公司可以设定管理层变动、大股东减持、产品质量投诉、渠道库存异常等关键词一旦出现相关讨论AI就会提醒你。但舆情监控有个陷阱信息过载。如果关键词设得太宽每天会收到大量无关预警反而增加负担。我的经验是关键词要分层设置核心关键词比如董事长辞职触发即时预警次要关键词比如行业增速放缓做每日汇总。另外AI对舆情的判断容易受情绪影响一条负面评论可能被放大成重大风险所以预警之后还是要人工判断严重程度。5. 常见问题与排查技巧实录5.1 AI输出一本正经地胡说八道怎么办这是最常见的问题也是AI在专业领域落地最大的障碍。AI有时候会编造数据、虚构引用、把不相关的信息拼凑在一起而且语气非常自信让人难以分辨。我遇到过最离谱的一次是AI在分析一家公司时引用了一份根本不存在的券商报告还编了一个看起来很专业的分析师名字。排查这个问题的核心方法是交叉验证。AI给出的每一个关键数据、每一个重要结论都要找到原始来源核对。如果AI说是从年报里摘的就去年报里搜如果AI说是行业数据就去查数据源的原始出处。另外可以要求AI在输出时标注信息来源虽然它有时候还是会编但至少给了你一个核对的线索。还有一个技巧是同一个问题换一种问法再问一遍如果两次答案不一致说明AI在猜而不是在分析。5.2 如何处理AI的信息茧房效应AI的信息茧房和社交媒体的信息茧房不太一样。社交媒体的茧房是你只看到你想看的AI的茧房是你只看到训练数据里有的。如果训练数据里某家公司的信息很少AI对这家公司的分析就会很单薄甚至会用行业平均数据来填补空白这就很危险了。应对方法是主动给AI喂信息。比如你要分析一家小市值公司公开信息本来就少那就把能找到的资料——招股书、年报、调研纪要、行业报告——都整理好一次性提供给AI让它在这些材料的基础上做分析。这样虽然麻烦一点但能保证AI的输出是基于事实的而不是基于想象的。5.3 AI分析结果与自己的判断冲突时怎么处理这种情况其实很有价值因为它强迫你重新审视自己的判断。我的做法是先不要急着否定AI也不要急着否定自己而是把冲突点列出来逐条分析。如果AI的判断是基于你不知道的信息那就去核实这个信息如果AI的判断是基于不同的逻辑那就比较两种逻辑的合理性如果AI的判断明显是错的那就把它当作一个反例提醒自己不要犯类似的错误。我印象比较深的一次是AI在分析一家制造业公司时给出了毛利率将持续提升的判断理由是新产能投产带来的规模效应。但我自己的判断是毛利率会承压因为原材料价格在上涨。后来我把两个判断都写进报告作为两种情景来讨论结果发现这种对冲式的写法反而让报告更严谨因为投资本身就是概率游戏承认不确定性比假装确定更专业。5.4 常见问题速查表问题类型典型表现排查方法预防措施数据编造AI给出无法核实的数字或引用逐条核对原始来源要求标注来源交叉验证逻辑矛盾前后结论不一致通读全文标记矛盾点分段提问逐步验证信息过时使用陈旧数据做分析检查数据时间戳明确要求使用最新数据过度概括用行业平均代替公司具体分析追问具体数据来源提供公司专属资料合规风险涉及未公开信息或误导表述对照合规清单检查设定明确的约束条件6. 个人经验与后续扩展方向6.1 我踩过的几个坑第一个坑是过度依赖。有一段时间我几乎把所有信息处理工作都交给AI结果发现自己对公司的感觉变迟钝了。以前读财报时会有一些直觉性的判断比如这个应收账款增速不太对劲这种直觉来自长期的经验积累。当我把读财报的工作交给AI之后这种直觉的锻炼机会就少了。后来我调整了做法AI做初筛但重要的公司我还是会自己精读一遍保持对数字的敏感度。第二个坑是提示词过度工程化。有一阵子我沉迷于设计复杂的提示词模板一个提示词写几百字结果发现效果并没有比简单提示词好多少反而增加了维护成本。后来我简化了策略核心提示词保持简洁只在特定场景下才用复杂模板。工具是拿来用的不是拿来炫的。第三个坑是忽视数据安全。早期我用AI处理一些内部调研纪要后来意识到这些内容可能涉及未公开信息存在合规风险。现在我的做法是涉及敏感信息的材料一律用本地部署的工具处理或者做脱敏处理后再用云端工具。这个边界一定要划清楚否则出了问题不是效率能弥补的。6.2 给不同阶段从业者的建议如果你刚入行我的建议是先把基本功练扎实不要急着用AI。财报怎么读、模型怎么搭、调研怎么问这些基本功是AI替代不了的也是你未来判断AI输出质量的依据。等你对基本流程熟悉了再用AI来提效这时候你才知道哪些环节可以放心交给AI哪些环节必须自己来。如果你已经有一定经验我的建议是重点用AI来做扩展而不是替代。比如你以前只覆盖一个行业现在可以用AI辅助覆盖更多行业以前只能跟踪十几家公司现在可以跟踪几十家。AI的价值在于放大你的能力边界而不是取代你的核心判断。如果你做的是团队管理我的建议是尽早建立AI使用的规范和流程。包括哪些环节可以用AI、AI输出如何复核、如何标注AI生成内容、如何保护数据安全。这些规范越早建立越好等到出了问题再补就晚了。6.3 这个方向后续可以怎么扩展AI在投研领域的应用还在快速演进有几个方向值得关注。一是多模态能力的增强未来AI可能直接分析电话会的语音语调、调研视频里的肢体语言这些信息目前很难被结构化但可能包含重要的判断线索。二是实时数据处理能力的提升随着算力成本下降AI可能实现对市场数据的实时分析和预警这对交易型策略会有很大影响。三是AI与知识图谱的结合把公司、行业、产业链的关系结构化帮助研究员更快地定位关键信息和潜在风险。但不管技术怎么发展投资研究的核心逻辑不会变理解生意、判断未来、管理风险。AI是一个强大的工具但它不能替代对生意的理解也不能消除未来的不确定性。我个人的体会是把AI当作一个不知疲倦的助手而不是一个全知全能的顾问这样心态会平和很多用起来也更顺手。最后分享一个小技巧每次用AI做完分析花五分钟问自己一个问题——如果AI错了最可能错在哪里这个习惯帮我避免了好几次潜在的误判。