AI 股票研究流水线：把 8 小时分析压缩进一条命令

你好，数字世界的旅者 #

当人们还在争论哪个聊天机器人更胜一筹时，真正拉开差距的，已经不只是模型本身，而是它背后的流程化体系。

过去：机械性重复 #

每家公司需要 6–8 小时 的手工分析。
在 Bloomberg、Excel、EDGAR 和新闻之间疲于切换。
终端、数据、模型和报告分散在不同工具里。
假设条件固定，最后只得到一个单点的“目标价”。

现在：算法级杠杆 #

输入一条指令，几分钟内生成完整研究包。
数据来自公开 API，并实现全自动化实时更新。
每次运行的边际成本趋近于零。
输出包含三情景估值、压力测试和深度风险检查。

🤖

核心导读

这篇文章不是投资建议，而是一篇 AI 工作流拆解。它关注的是：如何把市场扫描、单股研究、DCF 建模、另类数据、机器学习诊断和多智能体验证，组织成一条可以反复运行的研究流水线。

我是在看到一位朋友花了一整天，只为更新一个 DCF 模型之后，才真正意识到这一点的。原本需要判断力和分析能力的工作，被大量机械性的重复劳动淹没了。

于是我做了一套系统，把这些重复劳动尽量剥离出去。它运行在我的笔记本本地，原本需要分析师花上几个小时完成的工作，它大约 2 分半钟 就能跑完。

🐱

猫猫提醒

文中涉及的股票、估值、回测和信号，只适合作为研究流程示例。真实投资决策仍需要核实数据来源、模型假设、交易成本、流动性和个人风险承受能力。

1. 为发现真实错配而生的市场扫描器 #

我打开 Antigravity 环境，启动 Claude Code，然后输入一条命令。

python3 models/market_scanner.py --scan-all

90 秒后，我看到的是这个：

系统扫描了六个行业，标记出估值错位的机会，浮现出特殊情境投资线索，并识别出内部人集中买入的信号。每一个机会都会经过三道质量筛选：多来源交叉验证、可识别的催化因素，以及可量化的优势。

这是我用 Google Antigravity 和 Claude Code 搭建的一个市场扫描器。它会搜索被低估和被高估的股票，识别特殊情境机会，包括并购、分拆、激进投资者行动、指数再平衡等，也会捕捉行业轮动信号。

而且，当某个标的引起我的注意时，比如一只半导体股票被标记为低估 15%，同时还出现了内部人集中买入，我不会再打开电子表格，而是直接输入第二条命令：

python3 models/research.py NVDA

几分钟后，我就能得到一个包含实时财务数据、三情景 DCF、另类数据信号、机器学习诊断、蒙特卡洛压力测试等在内的结构化研究目录。

2. 我为什么要做这套系统 #

"问题不在于分析，而在于重复劳动。"

很多投资研究的时间，并没有花在真正判断公司价值上，而是花在拉数据、改表格、复制报告、复核文件这些机械环节里。自动化系统首先要解决的，就是把这些环节从人的注意力里拿走。

💡

自动化 vs 手动

手动分析：约 8 小时，且容易遗漏蒙特卡洛模拟或因子回归。
自动化系统：约 150 秒，端到端自动跑完，流程标准化，不漏掉任何步骤。

3. 这背后的经济账 #

股票研究分析师的收入中位数大约是 10.8 万美元。一个优秀分析师的实际成本，通常会达到 20 万到 25 万美元。

这套系统只需要一台笔记本电脑就能运行，使用的是免费的公开数据源。它真正带来的杠杆，不在于某一次判断有多神，而在于 稳定性和规模化。

4. 五阶段研究流水线 #

🤖

架构思维

一个研究系统是否可靠，不只看它能不能生成结论，更要看每一步是否可追踪、可复核、可降级。下面这条五阶段流水线，本质上是在把“分析师脑中的流程”拆成可执行模块。

阶段一：数据采集 #

系统会并行拉取过去五年的财务报表、内部人交易记录、空头持仓指标以及原始的 10-K/10-Q 文件。

阶段二：动态 DCF 模型 #

大多数散户做的 DCF 只有一种“理想情景”，而这套建模器采用：

实时利率：自动从 CBOE 拉取 10 年期美债收益率。
行业衰减：根据收入增速自动匹配衰减逻辑（高速/中速/低速）。
敏感性矩阵：完整的 WACC × 永续增长率分析。

# 自动获取无风险利率示例
tnx = yf.Ticker('^TNX')
rf = tnx.history(period='1d')['Close'].iloc[-1] / 100

阶段三：另类数据信号融合 #

信号融合引擎会把五类另类数据源整合为一个综合 Alpha 分数（-1.0 到 +1.0）：

期权流向 (20%)：分析异常成交量与 Put/Call 比率。
内部人情报 (20%)：交叉核对 Form 4 交易金额与频率。
NLP 情绪分析 (15%)：对新闻标题进行置信度加权打分。
专利速度 (30%)：调用 EPO API 统计专利申请增长。
能源暴露 (15%)：查询 EIA 数据评估成本压力。

阶段四：机器学习混合引擎 #

随机森林：捕捉影响回报的关键财务特征。
异常检测：标记财务拐点（Z 分数）。
蒙特卡洛模拟：对公允价值进行 1000 次压力测试，输出概率分布。

系统为 NVDA 生成的 Excel 文件截图

阶段五：多智能体验证 #

通过三个专门的智能体（风险经理、基准分析师、优势分析师）进行内部辩论。

风险智能体：计算凯利公式最优仓位与 Fama-French 三因子暴露。
基准智能体：执行 3 年样本外回测。
优势智能体：计算信号半衰期与市场状态切换韧性。

5. 巴菲特 / 芒格定性叠加层 #

没有定性判断的量化分析是危险的。moat_lane.py 模块会运行四个支柱分析：

系统会应用 芒格式反向思考：什么情况会毁掉这笔投资？如果三个“杀手因素”之一发生概率超过 30%，分数将被强制封顶。

6. 最终产出 #

运行 python3 models/research.py NVDA 后，你将获得一整套研究材料。

自己试试看：30 分钟提示词版本 #

你不需要写一行代码，也可以开始获得类似的研究辅助能力。

🐱

猫说

不要让 AI 直接替你下判断。更好的做法是让它帮你列数据、列假设、列风险、列反例。真正的结论，仍然需要人来承担。

财务数据：要求 AI 拉取特定指标及 5 家可比公司估值。
三情景 DCF：要求 AI 基于实时无风险利率进行蒙特卡洛式估值。
信号检查：要求 AI 检索期权流向、内部人交易与近期情绪。
决策汇总：汇总基本面与另类信号，要求 AI 给出置信度等级。

接下来我该做什么？#

我手头还有几个自动化工具正在开发。我会优先做你们真正想要的那个。

💡

你最想自动化哪个任务？

财报电话会议整理：自动提取 KPI 与管理层情绪。
投资组合监控：实时触发再平衡建议。
交易机会挖掘：基于特定技术形态的实时扫描。

在评论区告诉我你的想法。

🐱

🐱 猫说：AI 真正改变投资研究的地方，不是让人少思考，而是让人把注意力从“整理信息”挪回“判断信息”。工具可以跑得很快，但最后那一步的审美与决策，仍然属于人类。

原文链接：AI 如何把 8 小时的股票研究，压缩成 2 分半钟

开启你的探索

🔧 CI 效率工具站 - 让 AI 成为你的外挂大脑
🐙 GitHub - 获取更多自动化脚本