投资研究接入人工智能前，先建立一份证据来源账本

人工智能正在改变投资研究的入口：研究员不必先逐份阅读文件，再手工整理问题，而可以先让模型把公告、电话会、论文和市场数据整理成一组待复核的论断。问题是，速度提高之后，论断的出处可能反而更难追溯。

所以，真正值得先做的不是让模型写出更像研究报告的文字，而是建立一份证据来源账本。每条论断都要留下来源、取得时间、原文或数据区间、模型做过的转换、剩余不确定性，以及人工复核结果。没有这些记录，一段流畅的答案可能混合了最新事实、过期背景、推断和模型补全。

这已经是流程问题，而不只是关于人工智能的抽象讨论。美国证券交易委员会 2026 年 9 月关于“人工智能时代的信息”的讲话，把信息完整性和投资者保护放在实际市场语境中讨论（SEC）。另一项关于金融时间序列基础模型的研究则说明，预训练在某些数据条件下可能有帮助，但专门模型在具体任务上仍可能相当或更好（arXiv:2507.07296）。共同的教训是：不能只看答案是否流畅，还要检查答案由什么证据支撑。

投资研究的工作流发生了什么变化

传统流程是研究员搜集文件、标记证据，再形成判断。接入人工智能后，可以先给模型一个范围明确的问题，让它生成论断队列。每条记录至少应包括：规范网址或数据集编号；发布日期和取得时间；准确的引文或观察区间；事实、计算、解释、预测等类型；模型和提示词版本。

模型可以帮助聚合重复披露、抽取可比字段、提示矛盾，但不应悄悄替人消除矛盾。人工复核者应把每条记录标记为已验证、待解决、拒绝，或需要回到原始来源检查。最终产物不是买入或卖出的建议，而是一份带日期的研究包：下次披露、估计修订或数据更正后，其他人可以重新检查它。

这比要求人工智能自主给出投资意见更窄，却更容易长期使用。主观研究员可以减少搜索和抄录；量化团队可以更清楚地检查特征和标签；人工智能开发者则得到一个可测试的产品要求：另一位研究员能否根据保存下来的证据复现这条论断？这也延伸了站内关于可复现研究轨迹和证据根基测试的讨论。

如何让流程可以复核

可以从一个狭窄问题开始，例如比较公司两个报告期披露的某项经营指标。只给模型带日期的原始文件，要求它输出论断、引文、计算和未解决歧义组成的表格，并要求引用原文而不是只写概括。随后由人逐条抽查，把每次修正的原因记录下来。

有用的产物是账本，不是一个看似精确的总分。账本应区分直接得到来源支持的内容、依赖算术的内容、模型解释的内容，以及没有充分证据的内容。第二个模型可以提出质疑，但分歧只是复核信号，并不能证明任何一方正确。

一个安全的 60 分钟练习

准备三份带日期的公开文件，不使用实时订单、持仓或任何交易建议。前 15 分钟，人工写出十条论断及其来源，作为基线。接下来 20 分钟，在固定提示词下让人工智能生成同样的论断表。再用 20 分钟逐条检查，记录引用准确度、上下文遗漏、时间戳错误和无依据推断。最后 5 分钟汇总修正次数和每条已验证论断所需时间。

指标包括引用精确率、无依据论断数量、时间戳准确率、人工修正率，以及每条已验证论断的分钟数。观察窗口是一场练习；只有第一轮结果清楚后，才考虑换一组文件复做。如果模型编造来源、混淆文件日期，或无法展示重要论断背后的原文，就停止。这个练习测的是研究质量，不是交易表现。

账本仍然不能解决什么

有出处不等于有因果关系、预测能力或经济价值。原始来源可能有选择性、带有宣传动机，也可能在不同时间改变指标定义。引用干净的句子仍可能支持薄弱推断。公开文件样本还会带来选择偏差和幸存者偏差，模型与供应商的激励也可能更偏向展示覆盖范围，而不是准确表达不确定性。

还要警惕把测量指标变成目标。如果团队只在容易处理的文件上优化引用精确率，系统可能看起来可靠，却在表格、脚注、扫描文件或快速变化的数据上失效。时间序列泄漏、非平稳性、成本、延迟和合规要求也必须分别检验。来源账本能保存过程，却不能把过程自动变成超额收益。

因此，投资研究的判断应保持克制：对于可以回放的证据，自动化搜集、比较和记录；对于论题形成、矛盾处理和重要判断，保留可由人复核的环节。人工智能的前沿不是说话更有权威，而是让研究流程明确展示一条论断究竟为何能够继续向前传递。