带来源的人工智能研究,改变的是分析师的初稿而不是最终判断
能够返回来源的人工智能智能体可以压缩文件初筛,但可靠流程仍然需要在分析师采信答案前逐条核对引用。
投资研究里真正有用的变化,不是模型会不会替你概括一份文件,而是连接了数据源的智能体能否把初步答案连回文件、官方宏观序列和交易记录。分析师的第一稿因此不再从空白页开始,而是从一组可以逐项核验的主张开始。
但最终判断的责任没有转移。11月9日发布的一份 Valyu 演示,展示了智能体如何检索美国证券交易委员会文件、业绩数据、Form 4 内幕交易记录、FRED 和预测市场。例子中最值得注意的不是速度,而是冲突:分析师仍需区分 GAAP 每股收益和调整后每股收益,分开赠与与出售,并阅读 Form 4 的脚注。实际启示是建立引用核验闸门,而不是交出研究台。
工作流向前移动了一步
过去的流程通常是打开 10-Q,搜索一个数字,把它抄进笔记,再阅读上下文。新的流程可以从结构化问题开始:“披露发生了什么变化?准确的原文在哪里?哪些地方仍需要人工复核?”智能体在限定的来源集合中检索,提取候选主张,附上网址和日期,并标出歧义。
这对业绩准备和事件监测尤其有用。研究团队可以要求系统在观察名单中寻找新的 Item 5.02 文件,把可能的管理层变动交给负责的分析师,并在交接中保留原文。团队也可以要求返回 FRED 的序列编号和观测日期,而不是接受新闻报道里四舍五入的数字。这样节省下来的时间,应当用于判断证据是否改变了研究假设,而不是用于写出更顺滑的摘要。
然而,检索不是验证。在 Valyu 的例子里,公司报告的 GAAP 稀释后每股收益为 2.46 美元,数据源却报告调整后数字 2.22 美元,而且不同供应商的预期值也不同。如果一句流畅的答案只说“每股收益超过预期”,却不说明口径,这就不是排版问题,而可能改变研究笔记的含义。模型可以找到冲突;负责的分析师必须解决冲突,或者明确保留不确定性。
一套可以复现的带来源回答协议
针对一份小型覆盖名单,不必给智能体交易权限或组合权限,也可以这样做:
- 先限定来源:SEC EDGAR、公司公告、一个市场数据供应商和官方宏观序列,并记录检索时间。
- 要求输出表格,字段包括主张、数值、来源网址、文件或观测日期、定义和置信度;找不到时必须写“未找到”,不得自行推断。
- 对每个重要数字回到原始文件抽查,核对单位、GAAP 与非 GAAP 口径、期间、重述和脚注。
- 要求系统列出来源之间的分歧,并说明什么证据可以解决分歧;不能默默选择最方便的数字。
- 把投资含义单独写出。分析师应说明证据是否改变需要继续监测的假设、维持原判断,还是仍不足以判断。
这样,人工智能输出就变成可审计的研究材料。缺失的文件、过期的数据、失效的链接、无依据的主张和定义不一致,也会暴露出来,而不是藏在漂亮的文字里。指数维护流程和险些出错日志可以作为补充阅读:两者都把交接过程,而非模型的自信程度,放在控制中心。
一个安全测试:60分钟,不交易
选三家公司或三份自己已经关注的公开文件。先建立基线:让分析师按原有方法,从每份文件提取十条重要事实,记录用时、事实错误、缺少引用的条目和未解决的歧义。然后把同样的文件交给带来源的流程,用30分钟完成初稿。两次都测量这四项指标,再增加一项:引用能够落到准确支持段落的主张比例。
产出应是一张比较表,不是信号或建议。只要智能体编造来源、无法复现引用数字,或在没有定义的情况下给出重要主张,就停止测试。不要把实验延伸到模拟交易;这里要回答的是证据处理是否更准确、更可复现,而不是摘要能否预测收益。
结果很可能并不单一。智能体也许减少了搜索时间,却增加了边缘案例的复核时间。样本太小会让它看起来更好:容易阅读的文件、被筛选出来的公司,以及耐心不同的分析师,都可能造成选择偏差。供应商自己的演示也带有商业激励,不能当作投资表现的独立证据。研究时间变短,没有因果依据可以推出超额收益。
自主判断的投资者应练习追问定义和原文段落;系统化团队在使用提取字段前,应记录检索日期、缺失情况和字段变化;构建者应优先改进来源追踪、主动弃答和纠错循环,而不是让答案更有说服力。所谓前沿,因而比“人工智能完成研究”更具体,也更有价值:当每一条关键主张都能被人轻易质疑时,人工智能才真正改变了研究初稿。
来源:Valyu,《AI Agents for Financial Research》,2026年11月9日;SEC EDGAR;FRED。