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。

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。