最近我把“AI投资实战营”这个项目完整跑了一遍。这不是那种给你推几个代码、丢几只股票的野路子训练营而是从信息获取、研究分析、风险控制到复盘沉淀的一整套AI辅助投资方法论。整套课程做下来我最大的感受是AI在投资领域真正能解决的不是“预测涨跌”这种玄学问题而是把一个人从海量公告、财报、新闻、研报里解放出来让他有精力去做真正需要人判断的事。这篇文章我不聊课程营销只把实战营背后的设计思路、工具选型、实操环节和踩坑记录全部摊开。如果你对AI应用感兴趣或者平时做投资研究总觉得信息太多、时间不够、情绪容易上头这篇文章应该能给你一套可以直接抄作业的框架。1. 实战营的设计思路AI在投资中到底能干什么1.1 破除两个极端误区每次开营前我都会先做一次摸底发现大家的态度永远分成两派。一派觉得AI是神开口就问“能不能帮我写个程序自动交易躺着赚钱”。另一派觉得AI就是个高级聊天机器人除了陪聊和写段子啥也干不了。这两种想法都很危险。先说“AI是神”这派。我做实战营这几个月反复强调一个观点AI是信息杠杆不是预测机器。市面上没有任何一个大模型能稳定预测股价走势如果有人跟你说他能用AI预测明天涨停那基本可以判断他在骗你。AI真正擅长的是处理和归纳已知信息——把几十页财报压缩成三行关键结论把一百条新闻去重并归类把十年的财务数据画成趋势图。至于“这些信息意味着什么”那是人的判断。再说“AI是玩具”这派。前段时间有个学员跟我说他之前试过用ChatGPT分析股票觉得回答太泛泛所以断定AI没用。我问他怎么问的他说“你觉得XX公司怎么样”。这种问法换任何一个分析师来也没法回答因为问题本身没有边界。如果你问“这家公司最近三个季度的应收账款周转率变化意味着什么”AI给出的回答质量会是完全不同的量级。工具本身不弱绝大多数人是不会用。1.2 实战营的能力地图从信息瀑布到决策辅助我在设计课程时把AI在投资中的价值拆成了四个模块正好对应投资研究的信息瀑布信息处理层公告、新闻、研报、论坛舆情的采集、去重、摘要、翻译。公司研究层财报解读、商业模式拆解、行业对比、关键指标异常检测。风险控制层舆情预警、关联关系梳理、负面信息筛查、ESG信息初筛。效率与沉淀层会议纪要、调研问卷整理、复盘日志、投资笔记的自动化。这四个模块不是并列关系而是层层递进的。你先把信息处理好了才有高质量的材料供研究层分析研究分析做扎实了风险控制才有对象前三个环节都跑通了效率工具的沉淀才有价值。实战营的核心教学目标就是让每个学员搭出一条属于他自己的“AI辅助投研流水线”。这条流水线不追求大而全而是先把最高频、最痛苦的那几个环节自动化。注意整条流水线里最终决策必须由人来拍板。AI可以帮你把决策所需的原料准备到极致但这个“拍板”动作谁也替代不了。2. 工具选型从大模型到Agent怎么配一套顺手的工作流2.1 大模型底座怎么选上下文长度比智商更重要现在市面上大模型产品非常多很多人在选型时只看“谁更聪明”其实在投资场景里上下文长度和文件处理能力往往比单次问答的聪明程度更重要。一份完整的上市公司年报动辄一两百页PDF转出来就是几十万字。如果你用的模型上下文窗口只有几十K tokens把整份年报塞进去直接溢出只能切成十几段分别读体验非常割裂。所以实战营里我给出的选型建议是这样的选型维度关注重点为什么重要上下文长度至少128K tokens起步能一次装进整份财报或几十份新闻文件上传能力支持PDF、Excel、图片直接解析财报、公告、截图数据联网检索能力是否支持实时搜索弥补模型知识截止日期的问题中文金融语料质量能否理解专业术语避免把“EPS”“ROE”解释得南辕北辙数据隐私政策是否保留对话数据机构用户必须考虑合规性具体到产品选择我的态度是充分用好你手头已有的。如果你已经有某款主流大模型的会员先别急着换把它在你日常研究中的薄弱点列出来再针对性补齐。国产模型里通义千问、文心一言、Kimi、豆包在处理中文金融材料上的表现都可圈可点如果你有API调用能力还可以通过OpenRouter或者各家开放平台同时接多个模型做交叉验证。2.2 数据分析与量化工具AI能做一半代码活除了大模型对话投资研究里还有一大块需求是数据处理。Excel肯定够用但当你面对的是十年财务数据、几百只股票的多因子筛选时脚本语言才是最终解。这里就得说到AI编程。我的实战营有一节课专门讲怎么用AI辅助写Python代码主要覆盖三类任务用akshare、tushare这类开源库拉取行情和财务数据。用pandas做数据清洗、指标计算、透视表输出。用matplotlib/plotly做趋势图和对比图。对完全没写过代码的人我的建议是不要一上来就想让AI生成一个完整策略而是从让AI写一个“读取CSV文件并计算均线”的脚本这种小任务开始。关键在于每次让AI写代码时要把数据格式、字段含义、期望输出说清楚否则它写出来的代码处理不了你手上的真实脏数据。至于量化回测实战营里会教但我的定位是“能看懂、能验证、别迷信”。用backtrader或者vectorbt跑一个简单的双均线策略回测并不难难的是理解回测结果里的坑——这一点后面第4章的案例三会详细说。2.3 Agent与自动化把重复劳动丢给机器最近AI Agent特别火很多学员一进营就问能不能搞个Agent自动盯盘下单。我的回答永远是可以做但先把“信息汇总型Agent”跑通再谈“交易决策型Agent”。信息汇总型Agent每天能帮你做的事包括定时抓取你关注公司的公告、新闻用大模型生成摘要再推送到你的微信/飞书/邮件。这类Agent完全可行而且我已经帮很多学员实现过。技术路线不复杂用n8n、Dify这类可视化编排工具或者干脆写一个Python定时脚本配合大模型API调用。但如果你想让Agent直接分析行情并给出“买入”信号甚至自动下单我强烈建议三思。决策链路上多一个环节就多一层故障风险模型判断错了、行情数据延迟了、接口没响应了任何一个环节出错都可能带来真金白银的损失。自动化要先把“人看得懂、能干预”的环节做完再逐步向决策端延伸。我个人的底线是AI可以帮你研究、帮你汇总、帮你检查逻辑漏洞但它永远不会替你做最终决策。这一点我会反复讲给每个学员听。3. 核心实操环节从零搭建个人AI投资研究台3.1 信息采集与预处理先喂好料才能出好活整个实战营最核心的部分是带着学员实操一套完整的AI投研工作流。我们的第一步永远是解决信息源的问题。我给你一个可以直接套用的做法。先列出一张“信息源清单”不用贪多三类就够公告类巨潮资讯网、交易所官网重点看年报、季报、重大合同、股权变动。新闻类财联社、每经、21经济以及你所在行业的垂直媒体。舆情类股吧、雪球、微博不过这类噪声很大后面会讲怎么降噪。然后用AI做信息预处理。常见的姿势是把当天收集到的10-20条公告标题和链接丢给大模型让它做三件事——去重、事件分类、重要性打分。这里给一个我实战营里反复用的Prompt模板你是我的金融研究助理。下面是一批当天收集的上市公司公告请帮我 1. 删除重复或明显无关的条目 2. 将剩余条目按“财务报告”“重大合同”“人事变动”“股权变更”“监管处罚”“其他”分类 3. 按“对股价可能影响程度”从高到低打分1-10分 4. 对评分大于等于7的条目用一句话解释为什么重要。 公告列表 [粘贴公告标题和链接]这个模板不复杂但效果非常好。它把AI从“被动问答”变为了“主动归纳”而且通过打分机制让重要信息自动浮出水面。学员实测下来每天花在浏览公告上的时间能从一小时压缩到十五分钟。3.2 财报解读与研报提炼让AI做你的第一遍精读拿到公司财报后很多人第一反应是“把整份PDF丢给AI让它总结”。这个做法能用但效果通常一般。原因在于财报里的信息密度极高如果不对模型做引导它会平均用力把营收增长、净利润这种显性指标放在最前面而真正值得警惕的应收账款异常、现金流与净利润背离反而被埋没了。正确的打开方式是带着框架去读。我上课时会先给学员一张“财报体检清单”再让AI按清单逐项提取盈利能力毛利率、净利率、ROE的三年趋势。成长性营收增速、净利润增速以及与行业增速的对比。现金流质量经营性现金流净额与净利润的比值是否持续大于1。资产质量应收账款周转率、存货周转率、商誉占总资产比。资本结构资产负债率、有息负债率、短期偿债压力。对应的Prompt长这样请根据我提供的财务数据表按下列维度分析XX公司 一、盈利能力列出近三年毛利率、净利率、ROE及变化趋势 二、成长性列出近三年营收和净利润同比增速 三、现金流质量计算经营性现金流净额/净利润的比值并说明趋势 四、资产质量计算应收账款周转率和存货周转率并指出是否出现连续恶化 五、资本结构列出资产负债率和有息负债率评估短期偿债压力。 对每一项请用“数据一句话解读”的格式输出。研报的读法又不一样。市面上券商研报动辄几十页水分不小。我教给学员的方法是让AI区分客观事实和主观观点——把研报里的“公司2023年营收为XX亿元同比增长XX%”归为事实把“我们认为公司有望受益于行业景气度提升给予买入评级”归为观点。这样处理后一份研报真正有用的硬信息会被单独提炼出来观点部分则可以多找几家交叉验证。3.3 风险排查与舆情监控AI最擅长发现你不爱看的东西投资里最难的不是找到机会而是避开雷。实战营里专门有一节课讲风险排查核心是让AI帮你做“负面信息体检”。最常见的场景是“暴雷前夜”。很多公司在财务造假日渐暴露前都有一系列蛛丝马迹高管频繁减持、审计机构变更、应收账款激增、监管问询函增多。这些东西单独看都不起眼但连在一起就是危险信号。人很难持续跟踪所有这些维度AI却可以。我的做法是给学员设计一个“排雷Prompt”你对XX公司做一次背景风险排查。请从以下渠道维度检索信息 1. 近一年该公司的监管问询函、关注函及回复 2. 控股股东及高管的增减持记录 3. 审计机构是否发生变更变更原因 4. 公司及子公司的诉讼、仲裁记录 5. 近期媒体负面报道关键词。 最后输出一份“风险信号清单”按风险等级分成高、中、低三档每个信号列出信息来源和一句话说明。舆情监控方面更简单粗暴的方式是把当天目标公司的新闻标题丢给AI让它做情感倾向分类。但这里有个坑AI做情感分析容易把“公司股价下跌”这种事实判成负面情绪把“公司发布回购计划”判成正面情绪却忽略了回购的原因可能是股价已经崩过了。所以我的建议是AI做筛选和初判人做语义上的最终解读。特别是那种含沙射影的报道AI大概率读不出弦外之音。3.4 投资逻辑检验与复盘让AI当你的魔鬼代言人学员做得最多、也最容易忽略的是投后的逻辑复盘。很多人买入一只股票后就只会天天看股价完全忘了当初自己为什么买。实战营的最后几节课专门训练这件事。我们设计了一套“事前逻辑检验、事后复盘迭代”的SOP。事前当你想买一家公司时先用AI做一次“反方论证”我打算投资XX公司核心逻辑是1. 行业景气度上升2. 公司市场份额持续提升3. 新业务有望放量。 请帮我列出看空这个逻辑的3个最强理由并针对每个理由给出可验证的指标。比如如果“新业务放量”不成立我该看什么数据来证伪这招特别好用。人在买入时天然会寻找支持自己观点的信息而AI没有情绪让它当“魔鬼代言人”能帮你提前想清楚“什么情况下我的逻辑是错的”。事后复盘同样可以自动化。我给了一套复盘模板让学员每次卖出后填写然后用AI做归因分析这是我的一次完整投资记录 买入时间/价格[填写] 卖出时间/价格[填写] 当初买入逻辑[填写] 持有期间发生了什么[填写] 最终结果盈利/亏损 [填写] 请帮我分析这笔交易中逻辑正确但结果错误的部分是什么逻辑本身错误的部分是什么执行环节是否有偏离下次同类交易应该改进什么用这个模板跑完一个季度的实盘记录后学员普遍会发现自己的亏损交易里有一大半来自“买入时就没有清晰逻辑”。AI不会替你赚钱但能逼你把每一笔钱为什么投出去想清楚。4. 实战营里的真实案例复盘4.1 案例一用AI梳理基本面发现应收账款异常第一期实战营有个学员对某制造业公司很感兴趣理由是“行业前景好、估值低”。他把这家公司近三年年报PDF发给我问我能不能用AI快速验证一下。我没有直接给结论而是带着他跑了一遍3.2里的财报体检流程。AI提取数据后在“资产质量”一栏亮起了红灯这家公司的营收连续增长净利润也在增长但应收账款周转率从一年前的5.2次下降到了3.1次且经营性现金流净额与净利润的比值连续两年只有0.4左右。换句话说账面利润大部分停留在“应收账款”这个科目上并没有变成真金白银回到公司。这种公司一旦下游客户资金链紧张坏账风险会集中暴露。学员看完这个分析后主动放弃了这笔投资。三个月后这家公司果然发布了应收账款减值的预告。这个案例我每次上课都会讲因为它完美说明了AI在投研里的核心价值它不会告诉你买什么但它能让你在买之前看到那些你容易忽略的坏消息。4.2 案例二用Agent把每日信息汇总时间从2小时压缩到20分钟第二期有个做个股研究的学员每天最痛苦的事是监控十几只股票的动态。早上看公告、刷新闻、翻雪球两小时就没了而且经常漏掉重要信息。我帮他用n8n搭了一条自动化流水线每天早盘前定时抓取指定股票的公告和新闻调用大模型API生成摘要和重要度评分推送到他的企业微信。整个链路跑通只花了半天时间Prompt用的就是3.1节那个信息处理模板。跑了一个月后他说每天只需要花20分钟看推送内容再花10分钟把真正重要的几条手动点开看原文。关键是心态变了以前是“怕漏掉消息而焦虑”现在是“系统全天候帮我盯着我只处理最终过滤出来的重点”。这个案例教给学员的是Agent不是越智能越好能稳定解决一个具体痛点的最小自动化方案才是最好的。4.3 案例三用AI辅助回测差点被过拟合带沟里第三期有个学员学了几天Python基础后就兴奋地跑来找我说用AI写了个双均线策略回测年化收益百分之四十多。他问我能不能实盘。我看了一下他让AI生成的回测代码然后问了他三个问题手续费和滑点考虑了吗你的参数是固定还是优化出来的回测周期里有没有包含完整的牛熊周期他一个都答不上来。后来我们一起补上了这些环节在回测里加上双边万分之三的交易成本把均线参数改成滚动优化测试周期拉长到包含2018年和2022年的下跌段。改造完以后那个年化四十多的策略变成了年化不到十个点最大回撤超过百分之三十。学员感慨说“AI帮我省下的时间最后差点让我亏掉真金白银”。这里有一个我觉得特别重要的提醒AI生成的代码如果不理解背后的逻辑就是一个黑箱。你连它计算收益时扣没扣手续费都不知道就敢拿真金白银跟单所以实战营里凡涉及回测我强制要求学员手动验证至少三个数据点而不是只看最终曲线。5. 高频问题与避坑实录5.1 AI幻觉这是最危险的坑没有之一做AI投资应用必须时刻对AI幻觉保持警惕。我见过最离谱的一次是让AI搜索某家公司的董监高变动记录它一本正经地编出了一个“新任CFO上任”的信息连名字都编得有模有样。好在学员做的是模拟盘这要是实盘跟单后果不敢想。对抗AI幻觉的方法就三条限定数据源在Prompt里明确写“只能基于我提供的文本回答不要补充外部信息”。交叉验证AI给出的关键事实性结论必须和原始来源核对。要求引用让AI在输出每条结论时标注出处无处引用的内容单独标注为“AI推测”。尤其是第三条实测效果立竿见影。要求标注出处之后AI编造信息的概率会大幅下降因为它被逼着把“事实”和“推理”分开。5.2 数据时效性模型不是实时资讯终端大模型训练数据和实时事件之间存在滞后这是个常识但很多学员在实操中还是会忘。常见的错误是拿一个知识截止日期在几个月前的模型问“今天有什么重大新闻”得到的当然是编造或者过期信息。解决方案也很简单要么用支持联网检索的模型要么把最新的新闻、公告主动喂给模型。在信息获取这件事上AI永远只能做“加工者”不能当“第一信息来源”。我把这个原则写在了实战营的每一份课件里。5.3 本地部署什么时候值得自己折腾一套不少学员问我要不要自己部署一个开源大模型理由是“数据更私密、不用联网”。我理解这个需求但本地部署不是免费的午餐。先从硬件门槛说起。要跑一个勉强能用的开源模型比如7B-14B参数级别至少需要24GB显存的显卡量化后勉强能用想跑更理想的70B模型双卡甚至四卡都很正常。硬件成本对大多数个人用户是笔不小的开销。但如果你有机构级的数据安全需求或者就是要研究模型本身那本地部署完全值得。我推荐从Qwen2.5或ChatGLM这类中文能力强、社区活跃的开源模型开始配合vLLM做推理加速。下载模型认准开源社区和国内镜像别去碰来路不明的第三方打包版本一方面有安全风险另一方面很可能藏了私货。5.4 常见问题速查表现象原因解决方案AI把公告里的人物姓名搞错幻觉/训练数据过时开启联网检索要求标注出处并人工复核同一份财报两次提问结论不同大模型概率采样造成的不稳定设置temperature0或明确要求“基于同一数据应采用相同结论”让AI分析股价走势回答很空泛问题边界不清晰给出具体公司、时间区间、分析维度而不是笼统问“怎么看”AI生成的Python代码跑出明显离谱结果数据预处理错误先打印前几行数据确认字段类型再做计算Agent每天推送内容大量重复去重逻辑做得不够在Prompt里增加“与昨日已推送内容比对去重”的要求回测收益高得离谱回测参数过拟合或未计成本加交易成本、滚动参数、跨周期验证6. 从实战营到个人投研流水线后续还可以这么扩展6.1 把实战营沉淀成一套Prompt库课程结束后我给每个学员发了一张“Prompt库”清单把实战营里用过的所有模板汇总起来。这东西价值其实比课程本身还高。我建议每个认真做投资研究的人都建一个自己的Prompt库分类大概是信息处理、财报分析、舆情监控、逻辑检验、复盘归因。每次用完觉得效果好的Prompt就存进去效果不好的稍微改改再试。三个月后你会发现这套库就是你个人的“AI投研方法论”。6.2 进阶方向AI编程、本地知识库、更深度的工作流如果你在实战营这套流程跑通之后还想继续深入我建议按这三个方向选一个钻研AI编程方向把pandas和数据分析练熟让AI帮你写更多定制化分析脚本甚至接入证券公司的量化接口。知识库方向用RAG把你自己积累的研报、纪要、笔记变成一个私有知识库问问题时AI能结合你收藏的资料回答而不是只凭通用知识。工作流方向把Agent从“信息推送”升级到“自动生成研报初稿”让它每周帮你产出一份持仓跟踪周报。这三条路我都带学员试过个人体感是知识库方向最被低估。因为通用大模型回答投资问题最大的问题是“不了解你的持仓背景和你的分析框架”。一旦你把自己的历史报告和笔记灌进知识库回答质量会上一个台阶。6.3 一点个人经验AI是放大器不是发电机最后说点私货。做AI投资实战营这么久我最大的体会是AI会把你的能力放大也会把你的缺陷放大。如果你本身对公司基本面理解得很深AI能帮你把研究效率提升好几倍但如果你只是听说“AI炒股很厉害”想来碰碰运气那大概率会失望甚至会因为盲目信任AI输出而亏钱。我见过太多人让AI生成策略、回测赚钱、实盘翻车根子不在AI在于他们自己把决策权外包给了工具。所以我会对每个想入营的人说先把基础的投资框架搭好再让AI当你的副驾驶。驾驶技术不行的坐再好的副驾驶也开不到目的地。实操层面的一个具体建议是每一次让AI分析前先自己花两分钟想清楚“我想从这次分析中得到什么结论”再动手写Prompt。就这两分钟能让AI输出的质量翻一倍不止。这就是我带这期实战营最大的心得。