上周饭局上一个做投资的朋友跟我诉苦“你有没有发现我每次一买了就跌一卖了就涨”我翻了下他的自选股又看了几条他转发的“大V观点”心里基本有数了——他的每次买卖理由都是“感觉”。感觉要涨了冲进去感觉不行了割出来。不是他不聪明而是他的信息处理链路在行情面前天然处于劣势既没有持续跟踪行业数据的习惯也没有一套把信息变成逻辑的流程。这篇文章我想认真聊聊我用AI做行业研究的完整方法论。不是教你怎么用AI去猜明天涨跌而是把AI大模型当成自己的行业研究助理把信息收集、逻辑校验、持续跟踪、买卖前提管理全部流程化从根上告别追涨杀跌。无论你接触AI多久这套东西都能直接照着搭而且它不挑行业——股票、期货、实体生意、项目投资底层逻辑一样。1. 追涨杀跌的病根不是心态差是研究链路断了1.1 散户和机构之间的真正差距不是资金量很多人把追涨杀跌归因于“心态差”“执行力差”我觉得说反了。心态是结果不是原因。一个人之所以在上涨时冲动买入、下跌时恐慌卖出是因为他在决策时手里没有足够的信息也没有一套判断框架。人一旦缺少信息支撑大脑会自动切换成“快思考”模式——看到涨就兴奋看到跌就害怕行为跟追光的小虫子没有区别。机构投资者不是心态更好而是他们有一条完整的链路信号采集、数据整理、逻辑验证、决策清单、事后复盘。这五步链路把“感觉”替换成了“依据”所以他们的动作才能保持稳定。我见过很多散户其实比机构更努力每天盯盘十几个小时短视频、股吧、群消息刷个不停。但刷得越多信息越碎越是变成情绪的奴隶。为什么因为信息不等于研究碎片信息反而会放大噪音。真正有价值的行业研究是把碎片信息按框架归位——这个东西在产业链的哪个位置供需在发生什么变化哪些指标是领先信号哪条逻辑会被证伪。大部分散户从来没有搭过这套框架。1.2 AI在研究链路里能顶替什么位置AI大模型恰好可以补上散户最缺的中间环节把公开信息变成结构化的研究素材。它不预测市场不保证胜率但它能做的四件事非常值钱信息压缩一天几十份行业研报、上百条公告AI能帮你提炼成几个关键变化框架输出告诉它一个行业它能按产业链、供需、竞争格局、风险点帮你搭好研究骨架多空推演让AI分别扮演多头和空头你就能看到同一件事的两种解读避免一根筋持续跟踪每周丢给它几个问题它就能生成一份跟踪简报相当于你请了一个不要工资的研究助理。这四件事几乎覆盖了行业研究的全流程而AI的成本几乎为零。所以我的判断是未来散户和机构的信息差会缩小区别只剩谁更愿意用工具、谁更有纪律。你不需要比机构聪明只需要比过去的自己多一套流程。1.3 一个必须澄清的前提AI不是水晶球有一点先说清楚免得大家期待错位。AI做行业研究不是让你去问“明天某某板块涨不涨”也不是让它直接告诉你“现在能不能买”。这种问题连巴菲特都答不了AI当然也答不了。AI真正的价值在于它能帮你在十分钟内拿到一个专业研究助理三天才能整理完的素材并且用一种近乎冷静的方式帮你把逻辑捋清楚。然后决策还是你自己的。它给的是地图和指南针不是飞机票。把期待摆正后面的东西才学得进去。2. 把AI行业研究拆成一条可复用的流水线很多人以为“用AI做研究”就是开个对话框随便问两句。这么做得到的只能是碎片化答案形不成体系。我自己琢磨了很久最后把AI行业研究固定成一条五步流水线圈定对象、建立指标池、信息采集、深度分析、持续跟踪。每一步都有对应的操作和工具跑顺之后研究任何一个新行业都是同一个流程只是换研究对象而已。2.1 第一步圈定研究对象拆解产业链拿到一个行业先别急着看价格、看新闻第一步是让AI帮你画产业链地图。比如研究光伏你可以直接问请以光伏行业为例画出一条完整的产业链拆解从上游原材料、中游制造到下游电站运营每个环节的主流玩家、利润分配特征、核心壁垒是什么请用表格输出。这一步的价值在于建立坐标系。有了产业链地图后面所有信息才能归位。你看到的每一条行业新闻不再是孤立的“利好”“利空”而是“上游硅料降价——利好中游电池片成本——但要看终端需求能不能跟上”的逻辑链。很多人研究行业感觉一团乱麻就是因为没有一个坐标系把这些信息装进去。2.2 第二步建立核心指标池研究一个行业不能靠定性描述必须定量跟踪。每个行业都有几个核心指标比如光伏看硅料价格、装机量、开工率新能源车看渗透率、电池装机量、库存系数白酒看批价、渠道库存、动销增速。这一步可以继续问AI基于你刚才画的光伏产业链请列出这个行业最值得长期跟踪的8个核心指标并说明每个指标的获取渠道、更新频率以及它在产业链中代表什么含义。拿到清单之后我建议你做成一张表格存下来后面每一次跟踪都用同一套指标。这一步很关键指标池是你和行业对话的固定语言频繁换指标等于没有指标跟踪无法积累。指标类别举例你能从中看见什么价格类硅料价格、组件招标价供需关系的第一反应供给类产能投放计划、开工率行业扩产是否过热需求类装机量、出口量终端景气度是否兑现政策类补贴政策、装机目标长期空间的约束条件财务类头部公司毛利率、存货周转逻辑有没有落到报表上2.3 第三步信息采集与结构化清洗信息采集是以前散户最吃亏的环节。你一天最多看几十条资讯而且看得越累越容易把噪音当信号。现在我的习惯是每周固定一次把当周的重要行业新闻、公告、政策整理成一段文字直接粘贴给AI然后让它按统一格式输出以下是我收集的XX行业本周重要信息。请按“价格变化、供给变化、需求变化、政策事件、机构观点”五个维度提炼出5到10条最有价值的要点每一条请注明它对应产业链的哪个环节。这等于把AI当成一个过滤器让碎信息变成结构化简报。你会发现认知效率提升非常明显。以前看一百份研报要一星期现在AI压缩要点之后半天就能吸收一轮而且不容易漏掉真正重要的边际变化。2.4 第四步深度分析与交叉验证信息整理完了接下来就是分析。这个环节最忌讳的是只问一个AI然后拿着答案当结论。我的做法是“多模型交叉验证”——同一个分析问题我会问两个不同的AI模型再让其中一个扮演反方。比如你研究光伏可以这样问三个轮次第一轮正向请基于当前数据列出2024年下半年光伏行业最值得关注的3个供需矛盾第二轮反向现在请重新分析给出一套完全相反的判断说明这些矛盾可能不成立的因素第三轮综合请比较你刚才的正反两套观点指出哪几个变量最可能让局势倒向一边。这种“正方—反方—综合判断”的三段式能极大程度避免AI迎合你预期的问题。你使用AI的时间越长越会发现它默认的方式是顺着客户说话只有你主动让它唱反调它才会拿出真正的分析能力。2.5 第五步持续跟踪与复盘研究不是一次性的行业是活的数据天天在变。我当时给自己定了规矩每周一次AI跟踪每月一份深度简报。跟踪的提问模板也很固定这是XX行业截至本周五的情况更新请对比上周列出发生了哪些边际变化哪些指标出现了异常哪些逻辑可能被强化或被破坏。再配合一个研究日志表格每次做了一个判断就记下“判断依据、关联指标、置信程度”交AI定期复盘。这里面的逻辑跟物理实验一样——不留记录的判断无法纠错也无法复制。有了这套记录AI能帮你发现哪些判断是有效的哪些是纯运气长期下来你的决策质量会肉眼可见地提升。3. 实测用AI走通一个真实行业的研究流程理论讲完来点实操。我以光伏行业为例完整演示一遍我是怎么用AI跑研究流程的。你可以直接复制提示词把“光伏”替换成你关心的行业就行。3.1 第一问让AI先交研究框架打开任何一个主流AI大模型第一句话不要问“光伏能不能买”而是问你是一名专注新能源行业的券商首席分析师。请对光伏行业建立一套研究框架内容包括产业链结构、核心跟踪指标、当前供需格局的关键矛盾、主要参与者的竞争要素、未来半年最可能改变格局的变量。请用结构化输出并标注你的分析框架中哪部分事实数据最扎实哪部分属于推测。这段提示词有几个关键点给AI一个专业身份给它一个清晰的任务边界让它自己区分事实和推测。AI的回答通常会列出一个非常完整的框架包括硅料—硅片—电池片—组件—电站的传导逻辑以及各环节的利润再分配关系。它输出的内容不一定都对但框架本身足够专业。你省下的是从零搭建框架的时间。3.2 第二问把框架追问成可追踪的指标框架有了下一步是把它变成可操作的东西。继续追问基于你刚才的研究框架请把光伏行业拆成上游、中游、下游三个环节输出一张表格每个环节的核心成长逻辑、当前景气度高/中/低、影响景气度的三个关键数据、这些数据的更新频率。你会得到一张相当清晰的表格。比如上游硅料成长逻辑未必是量增而是成本下降中游电池片核心变量是TOPCon等新技术的渗透率下游电站则要看融资成本和电价政策。这些内容对专业机构来说不算什么但对散户而言等于直接把一个行业的学习门槛降到了可以自理的水平。3.3 第三问让AI从多头和空头两个角度写研判很多人的通病是看涨的时候满眼都是利好跌的时候满眼都是利空。这就是典型的“确认偏误”。AI虽然能帮你整理信息但如果你不带反方视角它也会顺着你的方向说话。所以我的固定操作是在得到正向分析之后切换立场再问一次请你现在扮演一个对光伏行业非常谨慎的基金经理你看到同行都在乐观时反而焦虑。请列出你可能会做空这个行业或者大幅降仓的五个理由每个理由请附带一个数据指标说明这个指标恶化到什么程度会验证你的担忧。这招非常管用。它会逼AI把“风险”当作核心任务来输出而不是象征性附一句“注意风险”。你会发现当AI被设定为反方时它找到的负面论据往往比你自己想的多得多。把正反两面的答案放在一起看你才真正拥有了判断的素材而不是只有立场的回音壁。3.4 第四问把分析结果落成一张可更新的表格最后把AI的输出整理成一张长期跟踪表。我常用的表头是跟踪指标当前数值最近一次更新时间数据来源环比变化我的判断标记硅料成交均价XX万元/吨2024-XX-XXXX行业协会涨/跌/平关注是否拐点这里的关键不在表格本身而在“更新频率”和“时间戳”。数据没有时间就是死的AI给的数据尤其要标注清楚。你拿着这张表和每周的AI跟踪简报对照时间一长会发现很多行业逻辑的拐点早在指标上就有信号。4. 提示词设计和材料组织问得好才有好答案4.1 好提示词的四个要素我接触过很多用了AI很久的人提问水平却一直停留在“AI你觉得XXX怎么样”。这种问题得到的答案通常是正确的废话。要把AI当研究助理用提示词必须包含四件套角色设定告诉AI它是什么身份比如“新能源行业分析师”“宏观策略研究员”任务描述说清楚你要它做什么是整理、分析、还是反驳输出格式要求它用表格、要点、对比清单等方式输出约束条件要求它区分事实和推测、标注信息来源、说明时效限制。举个例子同样是问光伏不好光伏行业现在怎么样 较好你是光伏行业分析师。请基于公开信息对比去年同期说明今年光伏各环节的供需变化用表格列出你最关注的5个指标并标注哪些数据你有把握、哪些需要进一步验证。差别很明显前者得到的是泛泛而谈后者得到的是可操作的研究笔记。4.2 三段式追问法我的提示词使用经验可以压缩成三个动作框架先行、中间追问、最后逼反方。第一轮先让AI给框架把行业摸清楚第二轮围绕框架的具体环节追问数据和逻辑这里问的越细越好比如“硅料价格近期微涨是需求回暖还是供给收缩这两个原因分别对应什么后续信号”第三轮逼它唱反调逼它指认自己上一轮回答里的逻辑漏洞。这套流程用熟了以后AI在你手里的输出质量会直线上升。它本质上是在模拟一个合格分析师思考问题的方式而你则是那个分析师的主编负责提要求、卡进度、做最后判断。4.3 材料积累把报告和公告喂给AI还有一个小技巧不要只在对话框里对话要把材料喂给AI。现在主流大模型基本都支持长上下文我把公司年报、招股书、机构研报的PDF或原文粘贴进去让它基于这些材料回答。比如这是我关注的XX光伏公司最新一季报原文。请帮我分析毛利率环比下降的原因是什么存货和应收账款的变动说明什么与同行相比哪些指标偏差最大这比直接问AI“这家公司财务怎么样”要靠谱得多因为AI拿到的是真实材料而不是训练数据里的过时内容。我还习惯把每周跟踪的简报都存在一个固定的文件夹里形成一个“行业研究素材库”。半年以后回头看你会发现自己对这个行业的理解深度已经超过绝大多数只看K线的人。5. 避坑清单AI行业研究最容易踩的五个坑5.1 幻觉一本正经地编数据AI最让人迷惑的本事是“一本正经地胡说八道”。你问它某家公司的市占率它会给出一个看起来很精确的数字甚至煞有介事地标注“数据来源某某报告”。实际上这个数字很可能是编的来源也是编的。我早期用过一次AI生成的“市占率排名”做决策依据差点被带到沟里。这件事之后我给自己定了铁律AI给出的任何关键数据必须溯源。要么让AI提供可点击的原始链接要么自己用数据库核对一遍。宁可花十分钟验证不要带着一个幻觉做决策。5.2 过时知识模型学的是过去不是现在大模型的训练数据有截止日期它的知识天然滞后。如果你问它“当前碳酸锂现货价格”它能给你一个月前甚至去年的价格。这个问题在行情快速变化时会致命。应对方法有三个第一优先使用支持联网搜索的AI产品并明确要求“优先采用最近两周的公开数据”第二在提示词里加时间限定比如“截至今天基于2024年以来的公开信息”第三重要的时效性结论让AI自己标注“截至什么时间点有效”一旦信息过期就重新生成。5.3 同质化观点所有模型都说同一套话你可能会有这种体验同一个问题问三个AI模型答案惊人地一致。这不奇怪因为它们的训练语料高度重叠输出的观点也趋于一致。对策是不要指望AI给你“独门消息”AI的作用是帮你把主流逻辑讲清楚让你不至于在信息盲区里瞎猜。如果你想用它接近反共识判断就得刻意切换立场或者让模型A生产观点、模型B负责挑错逼出差异。5.4 顺着你说迎合型回答最害人AI内置了讨好用户的倾向。你怎么问它就怎么答。你要是说“我觉得光伏要起来了”它很容易给你找一堆利好佐证。这种“顺着说”的特性跟散户最需要的“逆耳忠言”完全相反。所以我每次做重要研究都会在提示词里加这句请先反驳我的观点列出三条足以推翻它的理由再给出你的综合结论。这句话值得写进每一个严肃研究的提示词里。它不保证AI完全客观但至少能让它在回答时把反面论据拿出来而不是只做你的啦啦队。5.5 把相关性当因果忘了时机AI做分析时会经常说“A上升带动B上升”但你得警惕其中有多少是相关性、多少是真的因果传导。比如“光伏装机量增加”不等于“光伏公司利润增加”中间还隔着产品价格、产能利用率、库存周期好几道坎。更麻烦的是“逻辑正确”和“时机到临”是两回事行业逻辑可以提前一年甚至三年成立但价格可能两年不涨。所以我在研究结论里永远追着一行字当前逻辑成立的条件是什么触发信号是什么如果信号半年不出现我的判断是否需要修正这行字就是你的止错线也是你不被逻辑套牢的保障。6. 从研究到决策AI帮你建一个不追涨杀跌的决策护栏6.1 先有结论再谈买卖——决策前置研究流程跑通之后最后一步是把研究结果变成决策护栏。这些年我最大的体会是散户亏钱不是因为没有研究而是研究完之后没有纪律价格一波动就把研究扔一边。要解决这个问题必须把“买卖”挂在研究结论上面而不是挂在K线上面。我的具体做法是每次完成深度研究都产出一个“行动前提清单”。比如只有当硅料价格连续两个月不再下跌、且组件开工率回升到60%以上时我才会考虑加仓光伏相关方向。如果这两个条件没有满足无论盘面多热闹都不动手。这个清单写下来之后交给AI持续跟踪。每周把最新的行业数据喂给它让它对比清单里的条件是否被触发输出“满足 / 未满足 / 接近”。这样你的买卖动作就和研究框架绑定了而不是和情绪绑定了。6.2 决策清单的写法一个能落地的决策清单至少包含四个部分结论我当前对行业供需格局的判断是什么条件哪些指标达到什么水平才允许我采取动作风险这个判断在什么情况下是错的错了我怎么退出仓位如果行动我准备承担多大风险而不是满仓梭哈。每次研究完AI帮你把结论和条件列出来你自己只负责一条严格执行。长期跑下来你会发现追涨杀跌的本质原因是“动作没有前置条件”而清单把动作变成了一门需要审批的手续冲动就被挡在了门外。6.3 每月生成一份行业跟踪简报我给自己定的节奏是每周一次快速跟踪每月一次深度简报。月度简报的固定指令大概是结合最近一个月的行业数据以家人能听懂的语言出一份不超过800字的行业跟踪简报包含三个核心变化、两个风险提醒、一个下月观察重点。这种简报我会存档月底再生成一份对比上月的。几个月之后回头看行业演变的脉络清晰可见你对行业的理解会越来越扎实。这才是真正让你告别追涨杀跌的护城河——不是内幕消息而是你比大多数人更清楚行业当下处在什么位置。6.4 操作后的复盘让AI当你的裁判员最后一步复盘。很多人做完一笔交易赚了觉得自己是神亏了怪市场从来不反思决策过程。我的习惯是每次操作之后把当时的决策清单、跟踪简报、交易记录全部整理成文字让AI做一次复盘这是我这次操作的完整记录。请从决策流程的角度评价我的判断依据是否扎实清单条件是否被执行哪些地方的流程是可以改进的请不要客套直接指出问题。一开始你会觉得AI的评价有时候重得让人脸红但正是这种不带情绪的反馈才能真正帮你建立纪律。复盘次数多了你会发现自己犯的错越来越少不是因为行情变好了而是你对自己的流程越来越诚实了。根据我这几个月的实操体会AI做行业研究真正宝贵的东西不是它给你的那些结论而是它逼着你建立起来的那套流程画产业链、建指标池、做多空推演、写决策清单、定期复盘。这套流程一旦跑顺换到任何行业都能用。如果你还没开始我的建议是从一个自己感兴趣的细分行业练起用上面提到的提示词跑一遍把表格建起来。不用贪多一个行业跑透比看一百个行业的一知半解强得多。市场永远有波动但一个手里握着研究框架和决策清单的人已经和那些只凭感觉追涨杀跌的人站在两个世界了。