AI看股票最有用的不是“分析”：是帮你把每个结论绑回原始文件
AH-0110其实比大量“AI炒股Prompt”谨慎得多。 源文明确说AI无法预测未来，真正适合做的是决策前的功课：五年基本面、同行比较、估值、近期新闻；并提醒数字要验证，分析不等于下单。 这个方向基本正确。 但我会再往前推进一步： AI研究最重要的输出，不应该是一张漂亮表格，而应该是一条条可以回到原始文件的结论。 ## 第一类：基本面分析，先确定“原始文件集合” 源文建议比较最近五年
AI看股票最有用的不是“分析”：是帮你把每个结论绑回原始文件
AH-0110其实比大量“AI炒股Prompt”谨慎得多。
源文明确说AI无法预测未来，真正适合做的是决策前的功课：五年基本面、同行比较、估值、近期新闻；并提醒数字要验证，分析不等于下单。
这个方向基本正确。
但我会再往前推进一步：
> AI研究最重要的输出，不应该是一张漂亮表格，而应该是一条条可以回到原始文件的结论。
第一类：基本面分析，先确定“原始文件集合”
源文建议比较最近五年财报和同行龙头。
问题是，如果只说“请分析五年财报”，模型可能：
- 依赖二手网页；
- 把年度和季度口径混合；
- 忽略重述；
- 用错币种；
- 把GAAP和non-GAAP混在一起；
- 没有给出表格来源。
更成熟的流程是先建立 Filing Set。
美国上市公司可以从SEC EDGAR免费获取10-K、10-Q、8-K、Proxy等公开文件。
对于每个指标，要记录：
Metric Revenue / Gross Margin / FCF / Debt等。
Period FY2025？TTM？2026Q2？
Source Filing 10-K / 10-Q / 8-K。
Page / Section 具体位置。
Reported / Calculated 公司直接披露，还是你自己算。
Normalization 有没有汇率、一次性项目、会计口径调整。
AI可以帮你读。
但它必须告诉你读的是哪一页。
同行比较，最难的是“谁算同行”
源Prompt要求和“同行前5家龙头”比较。
这看似简单，其实最容易被模型偷偷决定。
同行可以按：
- 产品；
- 客户；
- 商业模式；
- 地区；
- 市值；
- 收入规模；
- 毛利结构；
- 资本强度；
如果没有Peer Selection Rule，模型可能为了凑5家公司，把经济模型完全不同的企业放在一起。
所以同行表前面必须先有：
Why these peers?
没有这一列，排名意义很有限。
第二类：估值，PE/PB不是所有公司的万能尺子
源文提出看PE、PB相对同行和近五年区间。
这对部分成熟公司有用。
但不能通用。
例如：
- 亏损公司PE没有意义；
- 银行和保险与软件公司常用指标不同；
- 高资本开支企业要看现金流和资产回报；
- SaaS可能更关注增长、毛利、FCF margin；
- REIT又有自己的指标体系。
因此估值分析应该先问：
这个商业模式最适合哪些估值指标？
再问：
- 当前值；
- 历史区间；
- 同行；
- 增长；
- 资本强度；
- 利润质量；
- 市场预期。
“低于历史均值”也不等于便宜。
公司可能已经发生结构性变化。
第三类：消息汇总，要给新闻分证据层
源文建议汇总本周公司/行业新闻和重要事件。
更好的新闻卡应该区分：
Primary
公司公告、监管文件、交易所公告、政府文件。Direct Secondary
可靠媒体对已发生事件的报道。Commentary
分析师、社交媒体、市场观点。Rumor / Unverified
无法闭环的信息。AI应该先分类，再总结。
不能把“市场传闻”和“8-K”放在同一行。
最重要的一条修正：多问几个AI，不等于交叉验证
源文说同一个问题可以问几个不同AI，答案差异大的地方重点核查。
后半句有用。
前半句如果理解成“多个AI说一样就是更可信”，就错了。
不同模型可能：
- 读到同一二手来源；
- 共享相似训练信息；
- 重复同一个错误；
- 同时缺少最新数据。
所以：
Model Agreement ≠ Source Agreement
多个AI最适合做：
Error Detector
如果答案冲突，提醒你查。
如果答案一致，也仍然要回到原始文件。
真正的交叉验证是：
> 结论与独立一级来源之间的验证。
“专业金融AI”也不能免检
源文推荐专门金融工具作为参照。
专业工具接入结构化行情和财务数据，确实可能比通用模型更适合金融检索。
但任何工具仍然要问：
- 数据源是谁；
- 延迟多久；
- 企业行动是否调整；
- 价格口径；
- 财务重述；
- 覆盖市场；
- 更新时间；
- 输出引用；
- 是否区分事实和模型推断。
“专用”不是“不会错”。
决策层必须和研究层断开
源文最后明确说分析不代表可以直接下单，这一点必须保留。
我会把架构进一步写成：
Evidence → Analysis → Decision Memo → Execution
前三层都可以大量用AI。
最后一层不能因为上一层生成了一份漂亮报告就自动触发。
Decision Memo至少写：
- Thesis；
- Evidence；
- Counter-thesis；
- Key Uncertainty；
- Valuation assumption；
- What changes my mind；
- Position/risk decision由用户自行负责。
alphahole不提供具体证券仓位或买卖建议。
网站资产：Stock Research Evidence Workbench
本批实际生成 stock_research_evidence_workbench.html。
你可以录入一条股票研究结论，例如：
“过去5年毛利率改善。”
然后必须填写：
- Source Type；
- Filing / Source；
- Period；
- Peer Rule；
- Reported vs Calculated；
- Current / Stale；
- Fact vs Inference；
- Counter Evidence；
- Falsifier。
工具最后不是告诉你“买/卖”。
而是告诉你：
这条结论目前有多少证据字段还没闭环。
AI在股票研究里最大的价值，不是替你更快形成观点。
而是让你更快完成一件过去很慢的事：
> 从观点反向追到证据。
如果它只让观点生成得更快，却没有让核证更快，风险反而会被放大。