从需求到结论：金融 AI 的场景与工作

真实场景中的金融需求,往往是从一句话开始的:"看看这家公司,现在这个位置还能不能加仓。"

任何从业者在任何一天的任何时刻都可能说出这样一句话,但距离把它变成一份可用的结论、一份经得起追问、查得到出处、可以拿到会议上讨论的分析，这中间隔着一条完整的链路，弄清需求、收集资料、统一口径、计算指标、识别图表、推理分析、输出结果、复核留痕。而其中任何一件出了差错,后面的努力都会被连带折损，这就是金融分析区别于一般文字工作的地方。

过去，这条链路由一个岗位、几张表和大量时间来填。现在，金融 AI 开始逐段接手其中可以自动化的部分。于是问题变得具体：它究竟能接手到哪一步？剩下的又该由谁负责？

要回答这两个问题，逐项比对功能清单意义不大。清单只说明“有没有”，不说明“交出去之后它到底接到哪”。更贴近业务实际的看法，是沿一条轴来看：把一项工作交出去，AI 能接到什么程度。由浅入深，是三个层级。

一、按“AI 交付到哪一步”来分

看（Level 1）：信息盯守是投资日常中最耗费精力的重复工作。在这一层级，AI 代为盯守行情、公告、新闻与舆情，查到符合预设条件的变化即刻报告——例如自选标的的异动、财报与公告的发布、板块资金与舆情的突发变化。产出以提醒与推送为主，判断由人完成。

做（Level 2）：大量分析工作最终要落成一件可交付的成品。在这一层级，AI 把活做成成品交付——整理资料、计算指标、完成分析、生成报告：例如从多页财报中提取可直接对比的数据，把一段策略思路转化为回测结果，产出结构完整的图文报告初稿。成品由人审核。

判（Level 3）：越靠近决策，越需要把“依据”与“决策”分开。在这一层级，AI 分析并给出判断依据——跟踪持仓风险、给出再平衡与止损的参考意见：例如风险敞口与集中度触及阈值时给出提示，在多种压力情景下给出应对的参考方案。依据由人取舍，决策由人作出。

人力无法同时覆盖所有来源，更难在夜间与盘中一并盯着。“看”承担的正是这一角色——全天候跟踪行情、公告、新闻与舆情。它产出以轻取胜，大多是即时送达的提醒与预警，而非成篇的报告。

“做”是内容最多的一档：资料整理、指标计算与策略回测、研究分析、报告与演示稿生成。工作类型虽有差异，共同点很明确，最终都把一件完成的成品交到手上。至于成品是数据、是模型还是报告，只是细目不同。

“判”交出的则不是成品，而是判断及其依据：持仓的风险敞口、集中度与回撤需要有人持续盯守，触及阈值时给出预警、再平衡与止损的参考意见；面向客户的一侧，还涵盖投顾问答与投教科普。

三个层级的差异，说到底就是人机分工的差异。监测类交付提示信息，判断由人完成；生产类交付工作成果，审核由人完成；研判类交付分析依据，决策由人作出。AI 的参与逐级加深，人的职责也随之从自行判断，过渡到审核把关，再到最终决策。产品评估中值得重点看的，正是 AI 交付之后，剩余工作由谁承担、能否有效衔接。

二、落地场景：关注具体落地的技能

按结果所区分的三个层级是通用框架，回答的是“AI 可以交付到哪一步”；但在实际选型时，产品并不会以“层级”的面目出现，而是落实为一项或多项具体技能。以下整理了金融投研与投资管理场景中最常见的七类技能。

七类技能覆盖了从信息获取、数据整理、分析研究、决策支持到客户服务的完整业务链条；其中，合规与审核不局限于某一环节，而是贯穿全程，也是当前监管关注的重点。使用本表时建议关注两列：“核心任务”用于判断产品功能与实际需求是否匹配；“主要风险与注意事项”列出的均为实践中反复出现的典型问题，可直接作为设置人工复核环节的依据。此外，单一技能的风险相对可控，多项技能组合使用时风险会随之叠加，应作为整体重新评估。

三、工作流：从需求到结论

接下来的问题是:这些技能如何串成一次完整的工作?

以"从提出一个需求,到拿到一份可用的分析结果"为主线,这项工作可以分为八步。每一步包含四层意思:这一步在做什么、AI 能帮着完成什么、容易出现什么问题、怎样把关。

为了让每一步都落到实处,本文用一个案例从头走到尾。

案例背景:研究员小李在一家中小型私募负责消费与制造行业。某个周五下午,基金经理留下一句话:"小李，贵州茅台我们已持仓八个点,你一直说基本面不错,下周三投决会,你看看现在这个位置还能不能加,给我一份两页纸的东西。"——从这句口语化的需求,到一份可以拿到投决会上讨论的备忘录,中间就是八步。

第一步 · 理解需求并拆解任务

这一步在做的,是把一句口语化的需求转化为明确任务：标的、时间范围、分析维度、输出形式,以及其中的约束条件与合规要求。基金经理的这句话里,真正有用的信息并不在字面上——"还能不能加"隐含着"已持仓 8%"的现状、"单一标的上限 10%"的组合约束、"下周三"的时间边界,以及"加仓建议涉及投资决策"这一敏感属性。AI 在这一步把任务拆解为若干有先后顺序的步骤:先核对持仓与约束,再收集资料,再完成估值与风险测算,最后按两页纸的规格输出,并列出每一步需要的资料清单。易出问题:误解需求、遗漏约束条件、直接给出买卖结论而越界——本案例中最可能的失误,是忽略仓位上限,就"能不能加"本身大谈估值。把关方式:需求不明确时先反问澄清;关键任务先形成任务清单,交由人确认后再执行;对涉及买卖结论的问题,预先设定"只提供依据、不作决策"的回答边界。落到案例上,AI 交回的第一份产出就是一张供确认的清单:

① 核对现有持仓与组合约束(单一标的上限 10%,当前持仓 8%);② 收集近三年财报与公告、近九十个交易日行情、同业可比清单、近一年卖方观点;③ 统一财年与复权口径,生成口径对照表;④ 计算估值(双口径)与成长盈利指标,注明基准;⑤ 拆解增长来源(量价),并列出反方证据;⑥ 按"两页纸"模板输出备忘录,结论分档标注可信度;⑦ 全程保留引用与版本,交由签核。

待研究员逐条看过,保留第②条并补上"行业协会年鉴的份额数据",删去了 AI 主动添加的第⑧条"给出加仓比例建议"——那不是研究该回答的问题。清单确认之后,流程才真正开始。

第二步 · 多来源资料收集

这一步同时获取行情、财报、公告、新闻、研究报告等多路资料。AI 的价值在于并行:五个来源的分头汇总,过去需要一个下午,现在可以同时进行;某一来源不可用时自动切换备用来源——案例进行中,一家数据接口两次超时,AI 均改从备用源取数并在结果中注明。落到案例上,AI 拉取了该公司近三年的财报与公告、近九十天的行情数据、同行业可比公司清单,以及四份卖方研报的要点摘录,并按来源分列。问题在这一步可能就已经出现。比如说，在以往的某家公司调研出现的两份数据摘要中,公司最新年度营收一个写成 100.4 亿元、一个写成100.5 亿元,差了一千万元。追查后确认,口径不同——其中一家把"其他业务收入"计入了主营。因此把关还需我们进行多来源交叉核对,每条数据标注来源与时间点,发现分歧立即回溯原始财报;同时为关键数据设置备用来源。

第三步 · 数据整理与口径统一

资料到手只是开始,这一步要做的是让不同来源的数据可以直接对比:统一货币、单位与财年口径,处理除权复权,去除重复,填补缺失值。

第一，不同地方找来的数据，标准经常对不上。比如有的数据只有一个来源，真假不好判断。有的数据前后矛盾，直接拿来用就会出错。第二，如果关键数据没交叉核对过，算出来的涨跌幅就会错。AI 按预先定好的规则把这些数据统一处理，并生成了一张对照表：每一列数据后面都跟着小字，写明取的是什么时间段的数据、来自哪里、什么时候取的。随便点开哪一格，都能查到数据的出处。

把关方式是：这张对照表跟着最终结果一起交上来；对关键数据设好检查规则；遇到“只有一个来源”或者“数值有矛盾”这种问题，设置硬性检查，必须交给原专家专门核对。比如这次专家核对完，发现 D1 的营收降幅其实不是初稿写的 -3.05%，而是 -1.20%，当场改了过来；D9 的五粮液降幅也从“只有一个来源”变成了“三个来源一致”；D10 的茅台数值原本看着矛盾，核对后也确认没问题了。只有人工复核通过，才能进入下一步汇总。

第四步 · 指标计算

在统一后的数据上计算估值指标(市盈率、市净率)、成长与盈利指标、技术指标,以及回测绩效指标。

AI 自动完成了计算，公式和过程都能查，减少了人工算错的可能。这次的实际情况是这样的：算这家公司的市盈率时，按“静态”（去年一整年的利润）算出来是 20.06 倍；按“滚动”（最近四个季度的利润）算出来是 20.28 倍。

这两个数字虽然差不多，但一定要把两种都列出来。因为如果只看其中一种，或者用错了利润数据，就可能对公司的估值高低得出完全相反的结论。所以最终的报告里，我们把两种算法都保留了下来，并写清楚了它们分别是怎么算的。把关方式是：只要同一个指标有不同算法，就强制写明用的是什么标准；同时用两套独立的方法重新算一遍，要是结果对不上，就回头去查原始数据。

第五步 · 图表识别

读取 K 线、估值图表与研究图表,把"图"转化为可用于分析的信号。此时，研究员手头正有一张同行公司的产能布局图,来自其招股书,图上标注了各基地的设计产能。AI 识别出图中信息后,与结构化数据交叉验证,发现其中一处标注与年报披露的产能数据不一致——那是一张示意图,反映的是规划产能而非在建产能。易出问题正在于此:误读图形、忽略坐标轴、把示意图当作真实数据。

第六步 · 分析推理

对数据进行对比、归因与假设检验，从数据推导结论。这一步决定结论的质量。AI综合多方信息形成判断，并标注推理依据；它做的第一件事，是把“营收微降1.20%”这个笼统数字拆开：营收不仅没增反而降了，这直接指向了存量竞争下的另一种解释。与此同时，它按预设把反方观点单独列出：同行五粮液（D9）的降幅已被三个来源确认，说明整个白酒行业可能面临需求疲软或降价压力，那么所选案例公司（600519）的利润能否一直稳住，存疑；更不利的一种解释是，如果行业性产能出清推迟——若如此，当前这看似稳定在20倍左右的低估值，就不是安全边际，而是合理定价甚至偏高了。

看多与看空的依据同表并列，各自标注数据出处。推理中还有一个被剔除的“发现”：底稿曾给出营收降幅为-3.05%，经回读核对后，发现该数据在时间上只是恰好与某个悲观预判重叠，并无实际的传导逻辑，真正的数据应是-1.20%。易出问题：把巧合当作因果，只看到成功样本而忽略其余，先入为主，过度外推。把关方式：把假设明确写出；对每一条关键结论做反向验证（比如用滚动和静态两套利润数据交叉比对）；从量价、竞争、宏观三个角度交叉印证，单角度成立的结论降级处理。

第七步 · 结果输出

生成图文结合的分析初稿,给出结论并标注不确定性。按"两页纸"的约束,AI 输出的备忘录包含五个部分:结论摘要(加仓依据与主要顾虑各三条)、关键数据表(口径与来源随表注明)、正反观点对照、风险提示、附录(来源清单)。结论按可信程度分为三档:数据可查证、推理可复现、尚存假设。易出问题:结论过于自信、缺少来源、结构松散。把关方式:对结论区分可信程度;强制标注来源;套用统一模板——模板的价值不在格式,而在于缺任何一节都无法交付。这份两页纸的骨架,最终是这样的:

一、结论摘要:加仓依据三条 / 主要顾虑两条; 二、关键数据表:数据的口径和来源随表注明——"滚动十二个月,前复权,取数于某月某日"; 三、正反观点对照:看多与看空同表并列,各自标注出处页码; 四、风险提示:含反方情景——"若竞争加剧持续,当前估值或为合理定价而非安全边际"; 五、附录:资料来源清单、版本号、签核人。

第八步 · 人工复核与留痕

最后一步,核对来源引用与可信度标注,由人审核签核后归档。案例的收尾发生在周一上午:研究员逐条核对了备忘录的三处关键引用,发现一处市占率数据在 AI 标注的出处中查不到原文——退回,改为引用行业协会年鉴并更新数字;随后基金经理签核,两个版本连同修改记录一并归档。周三投决会上,基金经理基于这份备忘录作出决策。决策由人作出,AI 全程提供的,是从一句话到这份备忘录之间的完整链路。易出问题:没有留痕、无法追溯、责任不清。把关方式:全过程记录,保留版本,人工签核,支持回退。

四、结语

评估金融 AI 时最值得看的一个断面:它的产出是否把"依据"与"决策"分开了。把两者混在一起的输出,无论看起来多么专业,都不应直接进入决策环节。

这套案例还可以当作一把标尺,用来度量任何金融 AI 产品的成熟度:拿第二至五步去问它,数据从哪里来、口径如何对齐、指标以哪个为准、图表能否交叉验证;拿第六、七步去问它,正反观点是否并列、结论是否分档标注可信度;拿第八步去问它,过程是否留痕、版本是否可回退。八个问题问下来,产品在三个层级上各自走到哪一步,答案自然浮出。

从一句话到一份结论,中间是一条八步的链路。这条链路要跑通,任何一环缺失都会影响结果;这条链路要可追溯,每一处数据都能查到出处,每一次操作都有记录;这条链路的末端站着人,越靠近决策,人工介入越应加强。

差异背后的分量,可以从三个视角掂量。其一,价值在于把整项工作跑通,而不只是回答一个问题——单点问答通用工具也能完成,把获取信息、统一口径、计算分析、留痕归档整条链路衔接起来,才是金融场景的特殊要求。其二,真正的难点是数据口径与可追溯,而不是模型够不够聪明——同一个"净利润",报告期、口径、复权方式不同,结论可能相差很大。其三,关键环节保留人工确认,不是缺陷,而是受监管行业的运行方式:可解释、可审核、可追责,是系统设计的必要组成部分。

务实的上手方式,是从一件成果明确的小活开始:选一项边界清楚、交付物明确的工作——比如本文案例中的那份两页纸备忘录——先完整跑一遍从需求到结论的流程,在过程中看清能力与边界,再逐步扩展。理解了它能代劳到哪一步,也就知道该在哪些地方守住判断。再往前一步,当第一份结论进入值守,你会发现,下一句「还能不能」已经在前来的路上——那条从需求到结论的路,本就是走不完的环。

现在就打开 AutoClaw 桌面端，点亮「金融分析」，完成你的第一个任务吧。

风险提示

本文仅供产品使用参考,不构成任何投资建议,据此操作风险自负;历史回测结果不代表未来表现。