AI炒股不靠谱？从业者拆解AI在投资研究中的真实能力边界

1. 一条热搜背后的行业真问题

全国政协委员杨成长关于“用AI炒股不靠谱”的观点冲上热搜，说实话，我第一反应不是惊讶，而是“终于有业内人把这话挑明了”。我在量化投研和智能投顾这条线上摸爬滚打快八年，见过太多人把AI当成点石成金的魔法棒，也见过太多团队在“AI选股”的坑里摔得鼻青脸肿。杨成长的核心判断其实就两层意思：第一，AI确实是投资研究里的重要工具，这个不用否认；第二，AI没法形成独特的分析框架和视角，更没法完全替代人做价值判断。这两句话拆开看都不新鲜，但合在一起，恰好戳中了当前AI+投资领域最要命的认知错位。

这篇文章我想聊的不是“AI能不能炒股”这种二元对立的话题，而是从一个实操者的角度，把这件事掰开揉碎：AI在投资研究里到底能干什么、干不了什么、为什么干不了、以及一个理性的从业者应该怎么把AI放在正确的位置上。不管你是刚入行的研究员、自己做投资的老散户，还是正在搭建智能投研系统的工程师，这篇内容都能帮你少走至少两年的弯路。我会把技术原理、实操边界、常见误区和排查技巧都讲透，让你看完之后能清楚地知道：哪些活可以放心交给AI，哪些活必须自己扛。

2. AI在投资研究中的真实能力边界

2.1 为什么“AI选股”这个说法本身就是个伪命题

先把一个概念理清楚。市面上说的“AI炒股”，其实混杂了至少三种完全不同的东西：第一种是用AI做数据清洗和信息提取，比如从财报、公告、新闻里自动抽取关键指标；第二种是用机器学习模型做因子挖掘和信号生成，比如用梯度提升树去预测下期收益率；第三种是让大语言模型直接给出“买什么、卖什么”的建议。前两种是正经的量化投研工具，第三种才是杨成长说的“不靠谱”的重灾区。很多人把这三者混为一谈，一听说AI炒股不靠谱，就连前两种也一并否定了，这是典型的认知偷懒。

那为什么第三种不靠谱？核心原因在于：大语言模型的本质是“基于历史语料的概率生成器”，它的目标是生成“看起来合理”的内容，而不是“正确”的结论。你问它某只股票能不能买，它会根据训练数据里见过的类似问题，生成一段读起来头头是道的分析，但这段分析里没有任何真正的“判断”——它只是在做文本续写。更致命的是，它的训练数据有截止日期，对最新的市场变化一无所知，而市场恰恰是“当下”的游戏。你拿一个只知道过去、只会续写文本的模型去做需要实时判断的决策，这不是工具的问题，是你用错了地方。

2.2 AI真正擅长的三件事：提取、归纳、回测

把边界划清楚之后，我们来看AI在投研里真正能打的三个方向。第一个是非结构化数据的结构化提取。一份几百页的招股书、一份密密麻麻的财报附注、一场两小时的业绩说明会录音，人工读完要几个小时，AI几分钟就能把关键数据、风险提示、管理层措辞变化全部抽出来。我实测过，用大模型处理一份年报，提取营收构成、毛利率变动、关联交易、诉讼风险这四类信息的准确率能到90%以上，剩下10%人工复核一下就行，效率提升是实打实的。

第二个是多源信息的归纳与对比。比如你要跟踪一个行业，每天有几十份研报、上百条新闻、若干份公告，AI可以帮你把这些信息按主题聚类、按时间线梳理、按观点对立面整理。这个活人工也能干，但干得慢、容易漏、还容易带主观偏见。AI在这方面的优势是“不知疲倦”和“一视同仁”，它不会因为某份研报来自大机构就高看一眼，也不会因为某条新闻标题不起眼就忽略掉。

第三个是策略的历史回测与参数扫描。这个属于传统量化的范畴，但AI的加入让因子挖掘和组合优化的效率上了一个台阶。你可以用遗传算法、贝叶斯优化去搜索参数空间，用机器学习模型去组合多个弱因子。但这里有个前提：回测框架必须严谨，数据必须干净，否则就是“垃圾进、垃圾出”。我见过太多人拿一个过拟合的模型回测出漂亮曲线，实盘一跑就原形毕露，问题不在AI，在于回测方法论本身就有漏洞。

2.3 为什么AI形成不了“独特的分析框架”

杨成长说的“无法形成独特的分析框架和视角”，这句话值得展开讲。什么叫独特的分析框架？举个例子，彼得·林奇从生活中发现投资机会，这是他的框架；巴菲特从护城河和现金流折现出发，这是他的框架；索罗斯从反身性理论出发，这是他的框架。这些框架的共同点是：它们都包含了对人性、对市场结构、对商业本质的某种“洞察”，而这种洞察来自长期的实践、反思和试错，不是从数据里“算”出来的。

AI的运作方式是归纳，是从大量样本里找统计规律。但投资里最值钱的东西往往是“反共识的正确”，是那些统计规律还没形成、或者统计规律失效的时刻。AI能告诉你“过去十年这个因子有效”，但它没法告诉你“为什么这个因子现在要失效了”，更没法告诉你“市场参与者的结构变了，这个规律不再适用”。这种对“规律本身变化”的判断，需要的是对市场生态的理解，而不是对历史数据的拟合。说白了，AI是在已知的规则里找最优解，而投资高手往往是在规则变化之前就嗅到了味道。

3. 价值判断为什么必须由人来做

3.1 价值判断的本质是“在信息不完备下做取舍”

投资里的价值判断，从来不是在信息完备的情况下做计算，而是在信息不完备、未来不确定的情况下做取舍。你永远不可能知道一家公司未来五年的现金流到底是多少，你只能基于有限的信息做一个“概率性”的判断，然后根据赔率和胜率决定下多大注。这个过程中，AI能帮你整理信息、计算概率，但“下多大注”这个决定，涉及的是你的风险承受能力、你的资金属性、你对回撤的心理阈值，这些是AI完全无法感知的。

我举个具体的例子。假设AI通过分析告诉你，某只股票未来一年上涨的概率是60%，预期收益20%，下跌概率40%，预期亏损15%。这个信息有用吗？有用。但你要不要买？买多少？这取决于你手里这笔钱是三年不用的闲钱，还是下个月要交首付的刚需。同样一个概率分布，对不同的人意味着完全不同的决策。AI不知道你的资金属性，不知道你的心理承受力，更不知道你晚上亏了钱能不能睡着觉。这些“软信息”才是价值判断的核心，而它们恰恰是AI的盲区。

3.2 市场情绪和博弈维度是AI的天然短板

市场不是一个静态的数据集，而是一个动态的博弈场。你的每一个买入决策，都会成为别人的卖出理由；别人的每一个恐慌抛售，又会成为你的机会。这种“互为因果”的博弈结构，是AI很难建模的。AI可以分析历史情绪指标，比如换手率、融资余额、波动率，但它没法理解“当下这一刻，市场参与者在想什么”。更关键的是，当市场里越来越多的人用AI做决策时，AI本身就成了市场的一部分，它的信号会自我强化、自我消灭，形成反身性循环。

我经历过一次典型的情况。某个量化信号在2021年之前非常有效，很多团队都在用，结果2022年之后这个信号突然失效了。原因很简单：用的人太多了，信号被提前交易掉了。这种“策略容量”和“拥挤度”的问题，AI模型自己是意识不到的，它只会根据历史数据告诉你“这个信号过去很有效”。但人可以看到“大家都在用同一个信号”这个事实，从而判断这个信号可能快要失效了。这种对“市场生态”的感知，是AI目前完全不具备的能力。

3.3 长期价值判断需要的是“商业洞察”而非“数据拟合”

再往深一层说，长期价值投资的核心是判断一家公司的“生意本质”好不好，而不是它的财务数据好不好看。什么叫生意本质？就是这家公司靠什么赚钱、这个赚钱方式能不能持续、竞争对手能不能轻易复制、管理层靠不靠谱、行业格局会怎么演变。这些问题，AI能提供素材，但给不出答案。因为答案往往藏在数据之外——藏在管理层的言行一致性里，藏在产业链上下游的口碑里，藏在消费者行为的变化里。

我认识一位做消费股投资的老前辈，他判断一家消费品公司好不好，会去超市货架前站一个小时，看消费者拿起来又放下的比例，看理货员补货的频率，看竞品的位置和促销力度。这些信息AI拿不到，就算拿到了也很难量化成模型能理解的变量。但恰恰是这些“土办法”，帮他躲过了好几次消费股的暴雷。这不是说数据不重要，而是说数据只是判断的起点，不是终点。从数据到判断之间，隔着的是对商业的理解和对人性的洞察，这段路AI还走不了。

4. 把AI放在正确位置：一套可落地的投研工作流

4.1 第一步：用AI做信息预处理，解放人力

既然AI不能做判断，那就让它做判断之前的所有脏活累活。我目前的工作流是这样的：每天早上开盘前，用脚本自动抓取持仓股和关注池的所有公告、新闻、研报摘要，丢给大模型做三件事——提取关键信息、标注情感倾向、生成一句话摘要。然后我花15分钟扫一遍摘要，把需要深看的挑出来，剩下的直接归档。这个流程把我每天的信息处理时间从两个多小时压缩到了二十分钟，而且漏掉重要信息的概率反而降低了。

具体操作上，我建议用“分步提示”而不是“一步到位”。比如处理一份财报，不要直接问“这份财报好不好”，而是先让它提取营收、利润、现金流、负债率这些硬数据，再让它对比去年同期和上季度的变化，最后让它列出管理层提到的风险因素。每一步的输出都人工过一眼，确认无误再进入下一步。这样虽然多花几分钟，但准确率比一步到位高得多。我实测下来，分步处理的错误率能控制在5%以内，而一步到位经常出现“一本正经胡说八道”的情况。

4.2 第二步：用AI做因子挖掘，但必须人工设约束

因子挖掘是AI在量化投研里最有价值的方向之一，但也是最容易过拟合的方向。我的做法是：让AI去搜索因子组合，但必须满足三个硬约束。第一，因子的经济逻辑必须能说清楚，说不清楚的一律不用，哪怕回测再好。第二，因子的换手率不能太高，我一般控制在月均换手50%以内，否则交易成本会把超额收益吃光。第三，因子在样本外和不同市场环境下的表现必须稳定，不能只在某一段行情里有效。

这三个约束看起来简单，但能过滤掉90%以上的“伪因子”。我见过太多人拿一个回测夏普比率3.0的因子来路演，一问经济逻辑就支支吾吾，再一问样本外表现就顾左右而言他。这种因子实盘一跑就废，不是AI的问题，是使用AI的人没有设好约束。AI是个搜索引擎，你给它什么约束，它就在什么范围里找。你不设约束，它就给你找一堆统计上显著但经济上毫无意义的噪音。

4.3 第三步：用AI做压力测试，但情景假设必须人来定

压力测试是AI另一个被低估的用途。你可以让AI基于历史数据，模拟各种极端情景下你的组合会亏多少钱。比如“如果利率突然上升200个基点”“如果某个行业政策突然转向”“如果市场流动性突然枯竭”，这些情景下你的持仓会怎样。AI可以快速跑出结果，但“要测试哪些情景”这个决定必须人来做。因为真正致命的风险，往往是那些“历史上没发生过但可能发生”的情景，而AI只会基于历史数据做模拟，它想不到历史上没有的东西。

我的做法是每季度做一次“情景头脑风暴”，拉上几个不同背景的同事，每个人提三个“最让我睡不着觉的风险情景”，然后把这些情景交给AI去跑压力测试。这样既利用了AI的计算能力，又补上了AI“想象力不足”的短板。实测下来，这种“人定情景、AI跑数”的模式，比单纯让AI自己生成情景要靠谱得多，因为人提的情景往往更贴近真实的尾部风险。

4.4 第四步：最终决策必须由人拍板，且要留痕

最后一步，也是最重要的一步：所有买卖决策必须由人来做，而且要做决策留痕。什么叫留痕？就是每一笔交易，你都要写清楚“为什么买、为什么卖、当时的判断依据是什么、如果错了可能是因为什么”。这个习惯我坚持了五年，最大的收获不是提高了胜率，而是让我清楚地知道“我到底在赚什么钱”。是赚估值修复的钱，还是赚业绩增长的钱，还是赚情绪波动的钱？不同的钱对应不同的持有周期和止损纪律，搞混了就会出问题。

AI在这个环节的角色是“记录员”和“提醒员”。它可以帮你把决策依据结构化存档，可以在你持仓逻辑发生变化时提醒你，可以在你情绪化交易时给你一个“冷静期”。但它不能替你做决定，因为决定背后的责任必须由人来承担。投资这件事，赚了钱是你自己的，亏了钱也是你自己的，AI不会为你的亏损负责，也不应该为你的决策负责。把责任推给工具，本身就是一种不负责任。

5. 常见误区与排查技巧实录

5.1 误区一：把AI的输出当成“事实”而非“参考”

这是新手最容易犯的错误。AI生成的内容读起来非常流畅、非常有条理，很容易让人产生“它说的应该没错”的错觉。但你要记住：AI的输出本质上是“概率性文本生成”，它没有事实核查能力，也没有逻辑推理能力。它说“某公司毛利率为35%”，这个数字可能是它从某份研报里抄来的，也可能是它根据行业均值“编”出来的。你不去原始财报里核对，就永远不知道真假。

排查技巧很简单：凡是AI给出的具体数字、日期、人名、事件，一律回原始信源核对。我一般会要求AI在输出时标注信息来源，比如“根据2023年年报第45页”，然后我抽查几条去核对。如果它标不出来源，或者来源对不上，那这条信息就默认不可信。这个习惯帮我避免了好几次“基于错误数据做决策”的尴尬。

5.2 误区二：用AI回测时忽略交易成本和滑点

这个坑我踩过。早年我用AI挖了一个高频因子，回测年化收益40%，夏普比率2.5，兴奋得不行。结果实盘一跑，年化收益直接掉到8%，原因就是交易成本和滑点把超额收益吃掉了大半。AI在回测时默认你可以按收盘价成交，但现实中你的买单会推高价格，你的卖单会压低价格，尤其是小盘股和流动性差的标的，滑点可能高达1%以上。

排查技巧：回测时必须加入保守的交易成本假设。我的经验值是，主板股票单边成本按0.15%算，创业板和科创板按0.25%算，小盘股按0.5%算。滑点方面，大盘股按0.1%算，小盘股按0.3%算。如果加入这些成本后策略还有超额收益，那才值得进一步研究。如果加完成本收益就没了，那这个策略从一开始就不成立，不用浪费时间。

5.3 误区三：让AI处理它不擅长的任务

AI不是万能的，有些任务它天生就不擅长。比如预测短期股价走势，这个任务的信息复杂度太高、噪音太大、博弈维度太多，AI的预测准确率跟抛硬币差不多。再比如判断管理层的诚信度，这个需要结合言行一致性、行业口碑、历史记录做综合判断，AI只能提供素材，给不出结论。还有判断政策走向对行业的影响，这个涉及太多非公开信息和博弈过程，AI更是无能为力。

排查技巧：在让AI做一件事之前，先问自己“这件事的答案是否存在于历史数据中”。如果答案是“存在，只是需要计算”，那AI大概率能帮上忙。如果答案是“不存在，需要判断和洞察”，那AI大概率帮不上忙，或者只能帮倒忙。这个简单的判断标准，能帮你省下大量试错时间。

5.4 常见问题速查表

5.5 一个我踩过的真实坑：AI研报摘要的“情感偏差”

有一次我用AI批量处理一批研报，让它标注每份研报的情感倾向是“看多”“看空”还是“中性”。结果发现AI把很多“谨慎乐观”的研报标成了“看多”，把“短期承压但长期看好”标成了“中性”。这个偏差看起来很微小，但积累起来会严重影响你对市场情绪的判断。后来我调整了提示词，让它把情感倾向拆成“短期”和“长期”两个维度分别标注，并且要求它引用原文中的具体表述作为依据，准确率才提上来。

这个坑给我的教训是：AI的“理解”和人的“理解”不是一回事。人看到“谨慎乐观”，能体会到那种“看好但不敢下重手”的微妙心态；AI看到“乐观”两个字，就倾向于标成正面。你要做的不是抱怨AI笨，而是把任务拆得足够细，细到AI不需要“理解”就能完成。比如不要问“这份研报是看多还是看空”，而是问“这份研报里，作者对下季度业绩的预期是上调、下调还是不变？请引用原文”。问题越具体，AI的回答越可靠。

6. 一个从业者的实操心得

说到底，AI在投资研究里的定位，就是一个“超级实习生”。它干活快、不知疲倦、不会闹情绪，但它没有判断力、没有责任心、没有对市场的敬畏。你可以让它帮你查资料、整理数据、跑回测、做初筛，但最后的决策必须你自己来。这不是因为AI不够聪明，而是因为投资这件事的本质，就是在不确定中做取舍，而取舍的标准因人而异、因时而异、因资金属性而异。这些标准，AI给不了你，也不应该由AI来给。

我现在的习惯是，每天收盘后花半小时复盘，不看AI的总结，就自己对着交易记录想三个问题：今天做的决策，哪些是基于事实，哪些是基于情绪？如果重来一次，我会不会做同样的决定？我的持仓逻辑有没有发生变化？这三个问题AI一个都答不了，但它们才是我持续进步的关键。AI可以帮你跑得更快，但往哪个方向跑，得你自己定。这个方向感，来自你对市场的理解、对自我的认知、对风险的敬畏，这些东西，没有任何模型能替你生成。