1. 先想清楚AI投研到底解决的是感觉还是麻烦做AI投资实战这几年我自己最大的转变不是赚了多少钱而是终于敢翻自己过去的交易记录了。翻完之后一统计真的很扎心凡是拍脑袋买的基本都亏凡是花了两天研究、把逻辑白纸黑字写下来的至少拿得住。所以我一直觉得个人投研系统这个事核心价值不在预测涨跌而在把投资这件事从靠感觉逐步搬到有依据的轨道上来。这篇文章我不打算讲什么玄乎的量化策略就讲一个普通个人投资者如何用大模型、知识库、一套顺手的工作流把散落四处的碎片信息整理成一套可查询、可追溯、可验证的投研闭环。你不需要会写代码不需要有金融背景只要你愿意花一个周末把流程搭起来后面每天只需要花十几分钟维护。适合谁看适合那种不想再被消息面牵着走、不想在恐慌和贪婪之间反复横跳、真心想把自己研究过程沉淀下来的投资者。1.1 靠感觉最大的问题不是没依据是没记录我知道很多人一听靠感觉就嗤之以鼻但说实话散户的很多决策本质上都是感觉驱动。今天看到一个利好新闻感觉要涨买明天看到一根大阴线感觉要完卖。问题是这些感觉完全没有被记录、被校验过。我2021年就干过一件特别蠢的事。当时某赛道连续涨停我信誓旦旦跟朋友说这个位置是黄金坑结果一个月后回撤30%。后来我翻聊天记录发现自己当时给的理由其实只有一句走势很强。没有估值数据、没有业绩对照、没有风险预案这就是典型的用感觉替代依据。更隐蔽的问题是人脑会美化记忆。你三个月前觉得要回调如果市场真的回调了你会觉得自己神机妙算如果没回调你转头就忘了自己说过这话。AI帮不了你预测但它能帮你把每个判断、每一条依据、每一次事后检验都存下来。有了记录你才知道自己到底有几斤几两才知道哪类判断是靠谱的、哪类判断纯粹是情绪噪音。1.2 AI不是帮你猜涨跌是帮你把依据摆上桌这里必须先泼一盆冷水任何告诉你AI能精准预测股价的人要么不懂AI要么不懂投资。大模型的本质是语言理解和信息组织它没有水晶球。但我用了大半年之后发现它在个人投研里有一个不可替代的位置——一个不知疲倦、不带情绪、记忆力超强的研究助理。你让它盯500家公司的公告它不会累你让它把某家公司最近五年的分红记录全部拉出来整理成一张表它不会烦你让它根据你定好的规则扫描风险信号它不会因为这只股票自己很喜欢就手下留情。这就是有依据的第一层含义把大量低门槛但耗时的信息整理工作自动化。第二层含义是可证伪。AI给你一个结论时你可以要求它必须附带证据来源你的每个投资假设都可以在系统里设置成待验证状态等下一个季度财报出来再回头检验。这一套机制本质上就是在对抗散户最容易犯的确认偏误——你只会看到支持自己想法的信息而对反面证据视而不见。2. 个人投研系统的四层架构从数据到决策想清楚目标之后再说怎么搭。我比较推荐把整个系统拆成四层信息接入、数据组织、分析引擎、决策支持。每一层解决一类具体问题层与层之间职责清晰后面出问题了也好排查。2.1 信息接入层让公告和新闻主动来找你个人投资者最大的时间黑洞就是信息获取。我见过不少人每天花两三个小时刷各种资讯 App刷完之后脑子里只剩一堆碎片。真正有效的做法是反过来的把信息源固定住让系统每天定时去抓取然后只把和你自选清单相关的消息推给你。具体做法可以分两步。第一步是订阅制信息源管理把核心渠道列成一个白名单交易所官方公告、公司投资者关系页面、行业协会动态、几个口碑比较好的深度研究来源。第二步是定时抓取能用官方 RSS 就用 RSS能导出 CSV 就导出 CSV少依赖那种靠算法推荐的新闻流因为算法推荐会放大情绪而不是帮你接近事实。这一层我不建议大家一开始就追求全。信息不是越多越好是越准越好。我实测下来50家公司以内的自选池每天真正值得看的增量信息通常不超过20条。把这20条处理干净效果远好于被动吸入上千条噪音。2.2 数据组织层让AI记住你关心的每一家公司接入层解决有没有的问题组织层解决找不找得到的问题。很多人的知识管理习惯是下载 PDF 丢文件夹、收藏文章吃灰等真要用的时候根本想不起来自己看过什么。这样AI再强也帮不上忙因为它没有可检索的结构化记忆。我的做法是给每家公司建一份企业档案固定包含几个字段公司名称与代码、所属行业、跟踪起始时间、核心投资逻辑当初为什么关注它、关键财务指标趋势、历史事件时间线、当前关注问题。这套档案就是AI的知识库底座。后续所有新资料进来都会先归档到对应公司的档案下打上标签和时间戳再做摘要。这一步做扎实之后AI才能在你问这家公司为什么值得关注时把三个月前的原始逻辑原封不动调出来而不是靠训练数据里的过期信息瞎编。记住一句话RAG检索增强生成时代AI的输出质量上限取决于你的知识库质量。垃圾进垃圾出这条铁律在投研场景里会体现得格外残酷。2.3 分析引擎层从资料堆到结构化报告资料归档整齐了接下来就是让AI产出结构化内容。我系统里跑的最多的是三类报告财报速览、事件影响评估、估值情景分析。每一类都有固定模板。比如财报速览模板固定为六个模块关键财务数据表营收、净利润、毛利率、经营现金流、资产负债率、同比环比变化、和上一份财报相比的异常点、管理层讨论摘要、风险提示、下季度跟踪指标。模板的意义在于它逼着AI每次都把视角对齐这样你横向对比不同公司、不同季度时才不会漏项。这一步是最能体现有依据的环节。因为我在提示词里强制要求所有数字必须引用原始来源的段落不允许只给结论不给证据如果数据缺失要明确说缺失而不是用估算值糊弄。这么设计之后AI产出的每一份报告本质上都是一份带引用的研究笔记而不是一段漂亮但无法核验的叙述。2.4 决策支持层AI只当裁判不当教练最后一层也是很多人容易走偏的一层。我的原则是AI可以当裁判给你摆事实、列规则、指风险但绝对不让它当教练替你喊买或者卖。决策支持层的核心是一张动态的投资检查清单。清单上的每一条都是你自己事先定义好的规则比如单只股票仓位不超过总资金20%市盈率高于历史80%分位时不追高连续两个季度经营现金流为负时自动标红等等。AI在这个环节做的事是把你当下的某个投资想法拿去和清单逐条比对输出一张规则命中情况表。这个设计有一个心理学上的巧妙作用。当你想追一只股票时让你自己一条条对照规则你很容易给自己找借口但让AI冷冰冰地列出来这条违反了你的第三条规则你就很难装看不见了。它把和自己的内心辩论变成了和系统里的规则辩论情绪浓度大大降低。3. 落地实操按这个顺序搭半天就能跑起来讲完架构很多人会觉得工程量大。其实真落地起来没有想象中复杂。我给自己的学员反复强调一个原则先跑通再优化。不要一开始就追求完美系统先用最简单的工具把闭环跑起来后面再逐步加模块。3.1 工具选型逻辑为什么是这个组合市面上的方案大概有四类我列个表直接对比一下方案成本知识库能力上手难度适合人群纯通用大模型聊天窗口低无每次都要喂上下文极低刚开始尝试的人一体化付费投研平台高有但规则封闭低不想折腾、预算充足大模型API本地知识库中强完全可控中愿意自己搭流程的人本地开源模型本地知识库中高强私密性好高数据敏感度高、有技术基础我个人推荐第三类也就是大模型API加本地知识库。理由很直接通用大模型聊天窗口最大的问题是记忆太差你今天问完明天它什么都不记得每次都要重新交代背景根本形不成积累。一体化平台虽然省事但它的数据规则、提示词策略都是黑盒你只能顺着它的逻辑走很难把自己的投资体系嵌进去。本地知识库的好处是把数据所有权握在自己手里AI只是随时调取和加工的角色。前期如果完全没经验可以先用一个折中方案用一个笔记软件做知识库AI负责在聊天里帮你整理每次整理完手动把结构化结果粘回笔记。流程是笨一点但能让先把报告模板长什么样数据字段需要哪些想清楚后面迁到自动化系统时就顺畅多了。3.2 第一步先圈定你的能力圈清单我见过太多人搭系统时恨不得把全市场几千只股票都纳进来结果就是系统臃肿、信息过载最后弃用。正确做法是反过来先做减法。给自己圈一个30到50家的自选池标准就两条第一你确实能理解这家公司靠什么赚钱第二你愿意未来至少一年持续跟踪它。每一家公司在系统里只保留一段当初为什么关注的逻辑陈述。这段陈述非常重要它是以后所有判断的锚点。我自己的系统里每家公司的档案第一行都是关注理由后面所有事件、财报分析都要定期回来对照这个理由是否仍然成立。这一步看似简单实际是整套系统里最难的一步。因为你能理解它的商业模式这个门槛会自动帮你过滤掉90%的噪音票。能力圈小不可怕可怕的是在一堆看不懂的公司里用AI强行研究那是自欺欺人。3.3 第二步把研究资料按规则喂进去自选池定好之后就可以开始给系统投喂资料了。我一般按日频率维护每天早上用抓取工具把前一天的公告、新闻汇总过滤出和自选池相关的条目让AI生成一句话摘要每周做一次深度回顾把当周重要资料归档进对应公司的知识库档案。这里有一个很重要的细节投喂资料之前要做清洗。AI最怕的不是资料少而是资料乱。同一份公告如果被转述成三个版本的新闻AI提取出来的数据就会有冲突后面你根本不知道信谁。所以我的规则是原始公告优先于媒体报道一手数据优先于二手解读。凡是进入知识库的内容都要打上来源类型标签区分是公告原文、正规媒体报道还是个人分析。资料投喂量也不用贪多。一家公司一个月能有两三份真正值得归档的资料已经够了。你是在做投研沉淀不是在攒硬盘容量。3.4 第三步把报告模板和提示词一起定死这一步是整个系统能否长期用下去的关键。报告模板前面说过了三类模板必须提前定好。提示词这块我分享一个我用了很久的财报速览提示词骨架你可以直接抄作业你是一名严谨的投研分析助手。请基于知识库中【公司名】的最新财报资料按如下框架输出报告 1. 关键财务数据表列出营收、净利润、毛利率、经营现金流、资产负债率并注明同比变化。 2. 异常点识别对比上一报告期指出变化幅度超过20%的科目并引用原文作为证据。 3. 管理层观点摘要归纳管理层对业绩变化的解释注明哪些是事实、哪些是观点。 4. 风险提示基于规则清单列出本报告中命中风险信号的条目。 5. 跟踪指标给出下一报告期需要重点验证的三项指标。 要求所有结论必须附来源引用数据缺失时明确标注缺失不得推测。这套提示词的要点在于约束。如果你不给AI立规则它会写出一篇处处顺畅但处处没证据的漂亮文章。把引用、缺失标注、反方观点这些要求写死AI的输出质量才会稳定到可以依赖的程度。3.5 第四步用一次完整复盘检验系统闭环系统搭建完成之后不要急着拿去分析新标的先拿一家你已经跟踪很久的公司做一次完整复盘。把历史资料导进去让AI生成过去四个季度的财报速览再和你当时自己的判断做对比。这一步极其有价值你会发现两件事。一是系统帮你回忆起了大量你已经遗忘的细节原来这家公司上季度就预警过毛利率压力二是你会看到自己之前的判断哪些有依据、哪些也是拍脑袋这种对比是建立有依据投资习惯最好的训练。4. 核心模块拆解财报、舆情、估值、风险整个系统跑通之后接下来就是把四个核心模块逐个做深。这四个模块对应了投研链条里最耗时的四块财报解读、事件跟踪、估值判断、风险排雷。4.1 财报拆解模块让AI先读一遍你再做判断财报拆解我坚持一个原则AI先做粗读和结构化我做精读和判断。原因很简单一份年报动辄上百页里面最关键的信号往往藏在少数几个科目里。AI擅长的是快速梳理结构、找出异常科目、做同比环比对照但这个异常意味着什么需要结合你对行业和公司的理解来判断。具体节奏是财报发布后先让AI出一份速览报告把五项核心财务数据列成表格然后我重点关注AI标注的变化幅度超过20%的科目之后带着疑问去原文里核对关键段落。比如某家公司营收增长了30%但经营现金流反而下滑了这就值得警觉——说明利润可能停留在应收账款里这属于典型的盈利质量信号。这个模块用熟了以后一家公司的财报初筛基本十分钟能完成。省下来的时间我建议全部投到对关键异常的深挖上而不是浪费在把数字抄来抄去上。4.2 舆情事件模块给新闻打上影响路径标签舆情这块很多人的误区是看多空的结论比如利好利空。但实际上一条消息对一个公司的真实影响取决于它作用的路径。AI在这个模块里做得最好的事就是把新闻事件拆成事件本身和影响路径两步。举个例子某公司公告称拟投资建设新产线。粗暴的解读是利好要扩产了。但让它走影响路径分析AI会提示你考虑几个问题投资资金来源是自有资金还是新增借款建设周期多久产能释放时行业供需格局预计如何对短期现金流是压力还是改善同样的公告路径不同性质完全不同。我在系统里让AI把每条重要事件都输出成事件定性影响路径关注时点三段式笔记。事件定性用于归档分类影响路径用于深度思考关注时点则对应到下一个验证节点。这样一来舆情从今天的情绪刺激变成了持续的跟踪线索。4.3 估值区间模块用情景表替代算命式目标价估值模块是我踩过坑最多的地方。早期我也试图让AI算一个精确目标价后来发现完全行不通——预测参数稍微变一下结果能差出一倍。后来我换了一个思路不让AI给一个点而是让它给一个情景区间。具体做法是设定三组参数乐观情景、中性情景、保守情景每组参数对应一组增长率和利润率假设AI基于你的模型框架输出三组估值区间。然后再结合当前市场价格判断当前股价已经反映了哪种情景。用情景表替代目标价最大的价值是让你清楚地知道你买入一只股票实际是在为哪种情景买单。如果你在保守情景下计算出来的估值都还低于现价那就说明安全边际不足如果你愿意为乐观情景付费至少你是清醒地在为乐观付费而不是稀里糊涂地以为自己是理性价值投资。4.4 风险信号模块把排雷规则交给系统盯风险模块是最能体现机器比人强的地方。人盯风险最大的问题是注意力有限——你今天可能只盯着股价波动完全没注意到这家公司的高管刚出现了密集减持、审计机构临时更换、大股东质押比例攀升这些关键信号。我把风险规则预先定义成一棵信号树分成几大类财务风险现金流连续恶化、应收账款异常增长、存货周转下降、治理风险审计意见变化、高管异常变动、关联交易激增、市场风险估值分位过高、股东减持、质押比例过高。系统每天扫描知识库更新任何一条规则被命中就自动生成一条风险预警记录。这套机制跑起来以后最大的感受是安心。以前持仓里某家公司突然暴跌我要花一个晚上查各种资料才知道发生了什么现在系统会在事件链形成的第一时间把相关信号推给我而我往往已经在几周前就看到了预警记录。这就是从事后惊慌到事中有数的本质区别。5. 从信号到动作让检查清单当最后一道闸门分析做了一大堆最终还是要落到动作上。这一章我想聊聊从分析到决策之间最容易翻车的那一段路。5.1 把规则写进系统把情绪关在门外我常跟人说一句话不要在情绪上头的时候做决策因为你肯定会后悔但更有效的做法是从一开始就让你根本没办法在情绪上头时轻松操作。我的做法是把所有交易规则都写进系统作为决策支持层的强制校验项。规则不用多五六条就够了但每一条都必须具体、可校验。比如单日跌幅超过5%时禁止当天做出加仓决定必须等到次日重新评估再比如市盈率进入历史最低20%分位之前买入仓位不得超过总仓位的10%。规则越具体执行越没有模糊空间。当系统把你准备的操作和你定下的规则同时摆在一张表上时你会发现一个很残酷的事实很多你兴致勃勃想做的操作其实一上来就违规了。这个信号比任何行情分析都更能拦住你。5.2 一次完整的决策模拟证据如何推翻直觉我讲一个真实发生在我系统里的例子公司信息和细节我做了脱敏处理。某家公司那天公告了年度业绩净利润同比下滑15%但股价当日只跌了3%。我的第一反应是跌得不多是不是利空出尽可以抄底。我没有直接操作而是打开了系统里的检查清单。AI基于知识库给我输出了一份评估第一这家公司净利润下滑的主要原因是海外业务一次性减值主营核心业务其实是增长的这条算中性偏正面第二检查清单里的经营现金流规则被命中因为该公司虽然账面盈利但经营性现金流已经连续两个季度为负第三机构持仓数据显示两家长期持仓基金在上个季度已经减仓。看到这份评估之后我彻底冷静了。账面盈利但现金流持续恶化加上聪明钱在减仓这些信号叠加起来利空出尽这个感觉就站不住脚了。我保持观察没有买入。三个月之后该公司因应收账款问题被交易所问询股价又跌了20%。这次经历让我彻底相信感觉给你的只是它可能行的直觉系统给你的才是一份经得起追问的证据链。5.3 最终裁决权永远留在人手里说了这么多系统的强大但我必须强调一句AI永远是辅助最终决策必须是人来做而且要是一个人。原因有两个。一是AI会犯错幻觉问题后面我会详细讲它输出的任何结论都可能存在事实性错误这个风险只能靠人来兜底。二是投资决策本质上是对未来的判断而未来判断里有大量无法参数化的因素比如公司的企业文化、管理层执行力、行业竞争格局的变化这些很难完全量化需要人来综合权衡。所以我在系统里刻意做了一件事AI给出的任何建议都必须是以证据规则命中情况的形式呈现永远不允许它直接输出建议买入这类指令性内容。这套约束是这个系统最大的安全阀。6. 跑了五个月这些坑我替你们踩过了最后一部分聊聊实操中的真实教训。网上讲AI投研的文章很多但真正把自己踩过的坑写出来的不多。我挑几个最有代表性的希望你能绕开。6.1 幻觉问题AI说财报显示的时候先问来源大模型幻觉在投研场景里是致命的。它可能在引用一串数字时把不同年度的数据拼接到一起也可能在回答你某个问题时脑补出一个根本不存在的公告。我早期就被坑过一次让AI总结某家公司三年的营收趋势它把营收和净利润混在一起生成了一张完全错误的对比表我当时差点在这张表的基础上做决策。解决方案其实不复杂在提示词层面强制要求引用来源并且重要数字必须二次核验。我现在给自己的硬规矩是AI报告里的任何关键数字如果我要基于它做决策必须回原始财报里找到出处。这个习惯会让效率稍微降低一些但正确率提升的幅度绝对值回票价。工具永远是概率性的你的校验流程才是确定性的保障。6.2 数据源污染错误数据比没有数据更可怕有一段时间我的系统频繁报警说某公司经营性现金流大幅恶化。我反复核对了好几次最后发现是知识库里混入了一条来源标注错误的旧新闻——那是一个自媒体号转述的历史回顾把两年前的数据当成当期数据发了出来。系统忠诚地吃进了脏数据然后忠诚地生成了错误警报。这次经历让我对数据源做了彻底整改。现在的投喂规则有三条第一原始公告是第一优先级自媒体解读必须降级第二任何二手数据都要标注原始来源链接无出处的数据不允许进入知识库第三每周做一次知识库巡检对数值类信息做交叉验证。这套流程防的不是AI防的是自己偷懒——因为偷懒把脏数据喂进去的那一刻系统就已经开始在做负功了。6.3 别把系统做成自动炒股机这个话题我必须多说几句。有些人把AI投研系统的目标理解成让AI替我炒股这个方向非常危险。抛开合规问题不谈从技术上说大模型根本不具备连续交易决策的可靠性它的输出有随机性对实时价格的理解也远不如普通交易软件精确。真让AI直接触发交易大概率会把你的本金变成学费。我一直坚持的定位是系统做研究人做决策。AI负责把信息整理好、把风险标出来、把规则执行到位但下单按钮永远在我的手里。这不仅仅是因为谨慎更因为投资决策本身就是一个需要不断学习和进化的过程——如果完全交给系统你就失去了对市场的体感也就失去了成长的空间。研究可以外包给工具成长没法外包。6.4 最后留下的五个使用习惯五个月实践下来我给自己沉淀了五条使用习惯也一并分享给你第一每天固定时间看系统产出而不是随时刷新。我固定在收盘后和睡前各看一次避免盘中情绪干扰。第二每份AI报告都要能回答它依据的是什么回答不了的报告宁可不用。第三每次决策后写一句决策复盘归档一个月后回头看自己的判断准确率。第四知识库里只留能进能力圈清单的公司资料其他一律不碰保持系统纯粹。第五每月回顾一次规则清单发现问题就修改但修改必须记录理由不让自己在情绪之下频繁改规则。这五条习惯本身很简单真正难的是持续执行。但只要你坚持下来半年之后再回头看你会发现自己的投资方式已经悄悄完成了从靠感觉到有依据的迁移。这套系统不会让你一夜暴富它只会让你在每个决策时刻面前都摆着一份清清楚楚的证据链然后由你自己冷静地按下那个按钮。