人工智能投资研究,先从数据血缘而不是更长提示词开始
只有当每个数字都带有语境、出处和可由人复核的路径时,人工智能才可能真正加速投资研究。
人工智能投资研究的瓶颈,正在从文字生成转向文字背后的数据路径:使用了哪条记录、它在何时有效、它代表什么,以及审核者能否重新走完这条路径。
彭博11月发布的人工智能投资数据工作流报告,给出了一个有用的当下信号。报告调查中,57%的受访者最关注人工智能辅助研究与分析,35%则把数据孤岛列为从数据中获得更多价值的最大障碍。这些是调查结果,不是人工智能改善投资结果的证明。但它们指向了工作方式的变化:研究团队在让模型总结、比较或排序之前,必须先管理语境和出处。
核心判断是:更好的提示词无法修复互不相连的数据基础。投资研究的第一道人工智能控制,应当是数据血缘记录,而不是更长的指令。
工作流从查找文件变成组装证据
旧流程通常从打开财报、电话会记录、价格历史和研究笔记开始,再由人把相关数字搬进表格或备忘录。现在,人工智能助手可以跨来源检索、统一字段,并一次生成比较结果。阅读和写作因此被压缩,但隐蔽的不匹配也更容易发生:把错误季度的数字拿来比较、混用不同时间戳的价格序列,或者把管理层表述从原有的限定语境中截出来。
因此,新流程应分为两层。第一层是证据层:每条记录都保存来源网址、发布时间、观察期间、单位、实体标识和转换历史。第二层才是模型在这组证据上执行有限任务,例如提取变化、比较两份披露或标出矛盾。输出应引用所用的证据编号,并把缺失字段与冲突公开出来,而不是用自信的语气把它们抹平。
这不只是数据工程偏好。彭博报告把互联数据、语义语境和治理视为人工智能就绪工作流的基础。另一篇2026年的金融数据接口行业比较,也从供应商角度得出相近的操作结论:文件、基本面、新闻和市场数据通常来自不同接口,需要被组合起来。那是一篇商业指南,不能当作各数据源准确性的独立验证;它真正说明的是系统约束:一次模型调用不会自动创造统一数据集。
一条可复现的研究队列
无论研究公司、行业还是纸上组合,都可以在调用模型前建立一份小型证据包:
- 冻结信息截止时间,并列出允许使用的来源。
- 为每条输入保存日期、期间、单位、实体和网址。
- 要求模型结构化提取,而不是直接给出投资结论。
- 要求每个重要句子指向证据记录。
- 把单位冲突、期间缺失和互相矛盾的披露送入人工队列。
- 保存提示词、模型版本、检索记录、被拒记录和最终编辑痕迹。
人工审核者不必重写每个句子,而要检查证据包是否回答了原问题、模型是否越过截止时间,以及表面精确的比较是否真的在比较同类数据。这样,人工智能可以处理信息,却不会拥有决定何种证据有效的权力。
60分钟研究练习
从一个历史截止时间中选取10份公开文件,制作两份证据包。基线是人工提取,包含来源链接、日期、期间、单位和五项重要事实;处理组则在同一批文件上使用人工智能,并设定30分钟的模型预算。剩下时间用来逐项对照原文。
衡量引用完整度、期间和单位错误、无依据主张、矛盾识别、审核分钟数,以及另一名研究者能够复现的字段比例。先观察一轮审核,七天后用一批新文件重复测试。若模型使用截止时间之后的信息、编造来源、合并不同实体,或用单一数值掩盖未解决冲突,立即停止。
不要选股、下单,也不要推断预期收益。基线衡量的是信息质量和可审计性,而不是组合表现。一个更快但引入重大期间错误的摘要,可能比慢一些的人工流程更差。
证据没有证明什么
因果缺口很大。彭博的百分比描述的是受访者的优先事项和障碍,不是实盘表现。供应商比较描述的是接口能力,不是每个数据源的完整性或可靠性。选择偏差和报告偏差可能让人工智能采用看起来比实际更有秩序:数据基础较好的公司,也更容易报告成功部署。只有展示成功管线时,还会产生幸存者偏差。若只计算节省的分钟数,却不计算审核纠错、错误自信和后续返工,就会产生测量偏差。
主观投资者可以练习把新证据和新措辞分开。量化团队应先对数据定义和截止时间纪律做版本化测试,再衡量任何信号。系统建设者应把出处、语义定义和拒绝理由设为一等输出。真正的前沿不是让智能体说得更流畅,而是让每个重要数字都能说明来源,以及人为什么接受它。
来源:彭博,《Preparing investment data for AI-driven workflows》;Firecrawl,《7 best financial data and investment APIs for AI agents in 2026》。相关控制:AI Investment Research Needs Expiry Dates for Its Evidence;AI Can Reproduce Economics Research—Investment Teams Still Need an Audit Trail。