AI 投资前沿 — 投资选股首先需要证据层

最近关于人工智能选股的研究和行业讨论，指向同一个容易被忽略的瓶颈：语言模型能够写出很像研究报告的结论，却可能只是把媒体曝光度最高的公司排在前面，而不是把最有信息量的基本面放在前面。对投资系统的开发者来说，真正需要优先建设的不是更会“推荐”的模型，而是能保留决策时证据、拆开叙事热度与经济事实、并在证据不足时主动停下来的证据层。

前沿信号

本周《Investopedia》报道，一项研究发现，AI生成的选股建议明显偏向科技和半导体公司；在生成股票选择时，大语言模型更依赖媒体报道，而不是企业基本面。这个报道不能直接当成适用于所有模型的统一基准，因为模型、提示词、股票池、样本日期和评价方法都会改变结果。但它提出的工程问题非常具体：如果一家公司的新闻出现频率更高，模型是否会把“更常见”误认为“更重要”？

几乎同时，CFA Institute推出了人工智能研究系列和AI Transition Framework，讨论人工智能如何进入投资专业、资本市场与治理流程。它不是交易策略，也没有证明某种模型能够产生超额收益；它的重要性在于，行业问题正在从“要不要使用AI”转向“AI究竟处在决策链的哪一层，以及谁负责验证它”。

为什么投资者在意

股票研究天然容易受到显著性偏差影响。新闻、评论、财报标题和社交平台讨论都很容易被语言模型检索、概括和复述。相比之下，财务数据发布更慢，结构更复杂，还涉及口径、重述和跨公司的标准化。一个以生成流畅答案为目标的系统，可能因此选择最受关注的股票，而不是最能经受检验的证据。

这会影响研究排序、因子构造、组合集中度、客户沟通和合规审查。更危险的是反馈循环：模型偏好热门公司，团队因而投入更多注意力，随后把“AI判断”误认为独立研究，热门程度就被包装成了信念强度。

WisdomChain已有两篇文章可作为工程上的延伸阅读：LLM选股预测需要摩擦测试讨论预测与可交易证据之间的差距；智能体交易需要证据账本则强调从研究到行动的可审计交接。

技术解读

第一步是建立点时证据库。每条输入都需要记录发布日期、抓取时间、来源、版本和处理过程。基本面要保留公司当时披露的数值以及之后的重述历史；市场数据要明确截断时间；新闻和公告要去重，不能把同一篇通讯稿转载十次当作十个独立观察。

第二步是建立证据分类。价格和成交量、财务报表、管理层指引、行业数据、宏观条件与媒体叙事应分开存放。要求模型对每个结论附上来源，并标记这是直接证据、推断，还是尚未解决的假设。检索排序高，不等于投资质量高。

第三步是把语言模型放在受控接口之后。LLM可以整理材料、提出可验证假设；确定性的特征服务和组合层负责计算暴露、约束、流动性、换手和风险。输出不应只有“买入”两个字，而应包含投资论点、相反证据、缺失数据、预期持有期、信心程度、比较基准和论点失效条件。

评价时，至少要比较LLM辅助流程、纯基本面流程、纯媒体流程和一个简单的热门度控制组。使用点时股票池、滚动样本外切分、行业与规模匹配，以及延迟执行假设。报告命中率、校准度、换手、集中度、回撤、容量和扣除成本后的结果；还要测量删除高热度媒体后，有多少决策真正发生改变。

现实校验

公开报道本身并没有证明媒体权重就是选股结果的唯一原因。提示词、可见的股票列表、选择限制、市场阶段和基准定义都可能发挥作用。因此，正确结论不是“LLM不能做投资研究”，而是“语言流畅不能代表信息处理独立”。

更棘手的错误包括：引用的文章在所谓决策日期之后才发布；把管理层预测写成已实现事实；混淆名称相近的公司；把情景分析压缩成一个确定目标。证据台账也无法弥补研究问题本身的贫弱，或者市场关系的变化。治理机制必须允许主动弃权：数据过期、来源冲突、覆盖不足、组合过度集中，或模型没有可测的增量价值时，系统应停止升级，而不是继续生成更有说服力的解释。

构建者要点

• 先建设点时来源和版本记录，再扩展模型能力。
• 对媒体去重，并把热门度作为明确的控制变量。
• 强制要求逐条引用、相反证据和论点失效条件。
• 在相同风险预算下比较基本面、非LLM和LLM流程。
• 同时跟踪校准、集中度、换手、净成本和弃权质量。

链接 / 来源

English companion: The Evidence Layer Matters More Than the Stock Pick

• Investopedia报道 — 关于媒体依赖和AI选股集中度的报道。
• CFA Institute AI Transition Framework — 投资行业人工智能转型框架。
• CFA Institute报告 — 人工智能与资本市场的 broader 研究讨论。

Read in English →