2019年我刚开始把ChatGPT引入日常投研流程时周围不少人觉得这又是新一轮概念炒作。但几年实操下来我的结论很清楚AI不会替你点石成金更不可能预测明天哪只股票涨停它的真正价值在于把投研中那些耗时耗力的信息处理工作压缩到一杯咖啡的时间。如果你也受够了每天被财报、公告、研报、新闻淹没想在信息处理层面建立自己的效率优势这篇内容就是给你准备的。这篇文章不是荐股文也不讲玄乎的技术指标。我会用一套我自己打磨过的实操框架从零开始拆解如何用ChatGPT把个股信息处理变成结构化流水线拿到一份财报或电话会议纪要之后怎么喂给AI、问什么问题、怎么校验答案、哪些坑我帮你提前踩掉。配合具体的提示词模板和工作流设计配合具体的提示词模板和工作流设计照着做就能跑起来。1. 先搞清楚AI在投资分析里到底能干什么1.1 不是预测是信息压缩与结构化很多人一上来就问“ChatGPT帮我看看明天买什么股票”这基本等于问菜刀能不能做满汉全席——能用但得先有人把菜切好配好。我理解的AI炒股定位核心是信息压缩。一只股票背后涉及的年报、季报、电话会议纪要、行业政策、上下游数据、管理层变动、机构评级这些散落材料加起来可能有几百万字。一个人的阅读速度再快一天也只能精读十几份。但ChatGPT可以在一小时内把所有材料的关键信息抽取出来按照你设定的维度输出结构化摘要。打个比方以前看财报像在一个装满杂物的房间里找几枚硬币靠肉眼翻现在相当于给房间装了磁铁和筛子让AI先帮你筛一遍你只需要验证筛出来的东西是不是你要的那几枚。1.2 人和AI的分工边界我的经验是把工作分成三层AI擅长层数据抽取、对比归纳、文本概括、格式转换、初步风险点扫描。这些活是纯信息处理AI干得又快又稳。AI辅助层行业逻辑梳理、历史案例类比、财务指标异常提示、关键问题清单生成。AI能干但答案需要人工核验。人必须亲自干最终决策、估值判断、仓位管理、情绪控制、以及所有涉及“未来不确定性”的预测性结论。这三层边界如果不划分清楚用AI很容易踩两种极端要么完全不信AI的观点把它当搜索引擎用要么全盘接受AI的输出连它一本正经编造的财务数字都当了真。1.3 什么场景收益最大根据我自己的使用统计AI在以下场景的效率提升最明显财报电话会议纪要分析原本45分钟听完一遍还得来回拉进度条找关键句现在先用AI提取要点再针对性回看原文效率提升非常可观。多标的横向对比同时分析五六只同类股票AI可以把营收增速、毛利率、负债率、现金流等维度拉成一张对比表。英文材料处理美股公司的财报、纪要、研报翻译加提炼一次完成。公告信息变更追踪定期把新公告叠加上一轮分析让AI输出变化点不用自己重读全文。搞清楚这些边界之后接下来就是搭建具体的操作流程。2. 构建投研提示词从一次提问到一套可复用模板2.1 提示词设计的底层逻辑很多人觉得提示词就是“给我分析一下某某股票”这是最大的误解。同样让AI“看一份财报”不同的问法出来的结果可能是天壤之别。我总结的投研类提示词设计公式是角色限定 任务目标 输入材料 输出格式 分析维度 限制条件举一个我常用的财报分析提示词模板可以直接复制修改你是一位拥有10年经验的股票分析师擅长A股和美股财报分析。 请基于我提供的财报文本完成以下任务 1. 提取本季度核心财务数据营收、净利润、毛利率、经营现金流、资产负债率 2. 与上一季度数据对比标出显著变化项 3. 识别管理层在报告中重点强调的2-3个战略方向 4. 列出报告中可能暗示的风险点经营、财务、行业层面 5. 用表格输出并附上每项结论对应的原文关键句。 注意只基于提供的文本不允许补充外部信息如果数据缺失请注明“未提及”。这个模板的厉害之处在于第5条限制条件——只基于提供的文本。它能防止AI把训练时学到的旧数据当成你的分析对象也能逼出标注引用方便你回去核对原意。2.2 任务拆解别指望一次问出深度分析如果让ChatGPT一次输出“全面深度分析”它往往会给你一篇“正确的废话”营收增长、费用控制、行业趋势、估值合理每一条都对但每条都用不上。正确做法是把一次大任务拆成四五个小任务循序渐进第一步数据抽取。先把硬数据干净地抽出来。这一步AI几乎不会出错前提是原文给了数据得到的是可用的原始分析素材。第二步变化识别。把本期数据和上一期数据放在同一个输入里让AI输出差异点和变化幅度。注意这里不要只给AI本期数据上一期的对比材料也要一起喂进去。第三步异常信号扫描。让AI专门从财报里找“反常信号”比如应收账款增速明显高于营收增速、经营性现金流连续低于净利润、存货周转天数快速拉长。这些信号往往比那些好看的指标更有价值。第四步假设生成与验证清单。让AI基于异常信号输出几个可能的解释方向并生成一份你自己可以去验证的清单。比如“应收账款高增是否因为账期政策放宽可查阅附注中的信用政策变更”。走完这四步你对这只股票的了解深度已经超过90%的散户投资者了而用时只有传统做法的一个零头。2.3 对比分析提示词实战横向对比是我日常用得最多的场景比如同一个行业内三家公司只凭印象很难得出可靠结论。提示词模板如下我有三家公司2024年年度财报的关键数据请整理成对比表格 公司A{数据} 公司B{数据} 公司C{数据} 对比维度营收规模及增速、净利润率、ROE、资产负债率、经营性现金流/净利润、研发费用占比。 输出要求表格展示并在表格下方针对“哪家公司经营质量最高”给出基于数据的理由分点说明。这个模板用了对比维度预设定结论要求的方式。AI不会分析但它的检索对比能力极强。把你需要的维度告诉它它能在一分钟内输出你花两小时才能汇总出来的表格。你拿到表格后的工作就是结合行业认知去判断为什么C公司ROE那么高靠的是杠杆还是周转率3. 实操案例用ChatGPT拆解一场财报电话会议3.1 材料准备与预处理光说不练没有意义我拿一个真实场景走一遍完整流程。假设我们要分析一家美股科技公司的最新季报和电话会议纪要原始材料通常是以下形式财报正文10-K/10-Q的新闻稿版财报电话会议纪要英文转写文本可能一万多字历史财报数据用于对比拿到这些材料后先不要直接整篇丢给ChatGPT。虽然大模型上下文窗口越来越长但投喂信息越杂输出质量越不稳定。我的做法是先在本地做一个初步分块把财报新闻稿切成“财务摘要”“分部业绩”“指引与展望”三块。电话会议纪要则拆成“管理层陈述”“分析师问答”两块。问答部分通常最有信息量因为分析师问的都是市场真正关心的问题。3.2 第一问浓缩核心变化先把“管理层陈述”部分发给ChatGPT提示词你是一名美股分析师。以下是某公司最新季度财报电话会议中管理层的陈述文本。 请完成 1. 总结管理层传达的3个核心信息 2. 指出其中与上一季度相比方向发生变化的内容 3. 列出管理层提到的所有具体数字含单位。 输出请用简洁的中文并附上关键英文原句。这一步得到的产出等于给整场45分钟会议做了个三分钟摘要。我通常会看两遍第一遍看AI总结的3个核心信息是否合理第二遍检查它引用关键句有没有断章取义。大方向上没问题后再进入下一步。3.3 第二问问答环节挖信号问答环节的每一段对话背后都藏着一家机构投资者的关注重点。这一节用提示词做信号标注以下是财报电话会议的QA环节记录。请逐条分析每个问题问的是什么、管理层的回答本质是什么正面回答/回避/含混、回答中是否提供了任何超出此前已知信息的新内容。 输出格式表格列分别为“问题主题”“管理层态度”“关键新信息”“你的佐证原文”。这个提示词的设计意图在于把“问题”和“回答”拆开看。市场上有经验的投资者都懂有些问题本身比回答更重要——当三家大行分析师连续追问毛利率下季度指引时说明市场对这块存在明显的分歧思路比单项内容更值得深入探究。3.4 第三问异常追踪清单把AI从文本里挖到的异常信号做成一张追踪清单模板如下信号编号异常现象可能解释下一步验证动作S1经营性现金流-1.2亿净利润8000万存货囤积/回款放缓查资产负债表存货项与应收账龄S2毛利率提升3pt但营收增速放缓产品结构性调整查分部收入构成S3管理层两次回避资本开支问题指引或存不确定性对比去年同季提问记录让ChatGPT生成这个表格的提示词关键在最后一行“如果某项信号在文本中无直接解释请明确写‘无法判断’不要猜测。”这一句能挡住AI一半的胡编乱造。整个流程走完你会得到一份带原文引用、带数据、带待验证事项的分析底稿。这时候你已经可以基于行业经验判断要不要进一步深挖而不是在信息迷雾里原地打转。4. 建立你个人的AI投研知识库4.1 为什么需要知识库而不是零散对话如果每次都重新开一个对话框、重新喂一遍材料、重新调一遍提示词你会很快发现AI投研变成了新一轮的重复劳动。真正的效率提升来自沉淀把分析过的每只股票、每个行业的资料、每次结论存档后续再分析时直接在已有知识库基础上做增量更新。具体做法是给每只重点跟踪的股票建一个专属文件夹每次新财报出来后只喂新材料让AI基于原有结论输出“变化点分析”。这样做有三个好处不用每次从头开始时间大幅节省所有历史结论都在便于回溯当初的判断逻辑形成了一种“知识累积效应”你越用越了解这家公司。4.2 结构化存储方案我自己用的是OneNote加Excel的组合核心逻辑不复杂OneNote按公司建页面存放每期AI分析输出、原文引用、备注信息。Excel维护一张“跟踪总表”字段包括公司代码、分析日期、核心结论、风险点、待办验证项、置信度评分。一个实用的习惯AI输出的每一条重要信息都标注来源并注明“已验证/待验证/无法验证”。这比直接存档AI原话可靠得多也方便后续回溯。4.3 从知识库到决策支持知识库积累到一定量之后你会发现原本分散的信息开始相互连接某家公司的“待验证项”恰好能从另一家的分析中找到答案某行业三家公司同步出现了同类财务信号这本身就是一条值得关注的行业级线索。这时候再把综合查询提示词派上用场基于知识库中{A公司}{B公司}{C公司}最近两期的分析记录对比三家公司共同的财务变化趋势。 输出共同趋势列表、各公司间差异点、综合风险提示。 基于知识库中{A公司}{B公司}{C公司}最近两期的分析记录对比三家公司共同的财务变化趋势。输出共同趋势列表、各公司间差异点、综合风险提示。这类跨标的查询如果手动翻资料一小时可能都搞不定但在结构化的知识库加持下AI一分钟就能输出草稿剩下的是你基于行业认知去判断该不该采信。5. 避坑手册AI炒股最容易翻车的6个瞬间5.1 编造数据这是使用AI做投研最大的坑没有之一。AI在文本里看到“营收同比增长20%”之后有可能顺着这个趋势编一个“预计下季度增长25%”出来而且语气像真的一样。应对方法有两个提示词里明确加一条只允许引用输入文本的数据禁止推测具体数值。对AI输出的所有关键数字回到原文复核查一遍。这一步不能省。5.2 时效性错位ChatGPT的预训练知识截止日期是固定的你问它“当前市盈率是多少”它可能给出一个半年前的数字。所以严格来说所有实时数据类问题都不要指望AI直接回答而是让它基于你提供的最新数据进行分析。这个原则必须记牢AI是分析工具不是行情终端。5.3 幻觉式逻辑闭环有时候AI的分析过程看上去很完美一步一步环环相扣结论却建立在某个不存在的前提上。这是我的亲身经历让AI分析一家公司的应收账款风险它引用了“行业平均账期74天”作为对比基准但这个74天并不存在于我提供的材料里是它自己训练的隐性知识。从那以后我在所有分析提示词里都会加一句只能在提供的材料范围内作答超出材料的信息一律标注“外部知识仅供参考”。5.4 忽略上下文窗口限制一次投喂太多内容AI可能会截断或遗忘前面的信息。解决方法是把长文档按章节分批处理。比如一份200页的年报按业务、财务、风险、治理分块分析最后再做一次汇总。5.5 把情绪当信号AI输出的措辞会受提问方式影响。同样一份财报你问“这公司有没有问题”和“这公司有哪些优势”得到的答案风格可能截然不同。所以提问时尽量用中性表述不要把你的预设倾向带进去。5.6 盲目相信“智能体”现在有很多号称“全自动分析并给出买卖建议”的AI工具或插件。我的态度是可以用但它给你的建议每一步都要可溯源。分析可以自动化决策必须自己来。把投资决策权外包给任何程序本质都是另一种形式的盲从。6. 自动化的下一步从提问到半自动流水线6.1 搭建自己的处理流水线如果你不满足于在对话框里手动操作可以再进一步用Python脚本把“抓取财报→调用大模型API→按模板输出分析报告”串成一条流水线。拆成三步来实现事实上没有想象中复杂第一步数据接入。用API或爬虫从公开数据源获取财报文本保存为txt或pdf。第二步调用大模型API。将提前写好的提示词和财报文本拼接后发给API拿到结构化返回。第三步结果落盘。把输出结果按日期和公司名保存再写入跟踪总表。更稳妥的方案是使用现成的自动化工具如各类RPA把“打开网页→下载财报→上传到ChatGPT→复制结果到表格”这些重复动作用脚本固定下来。我自己早期就用过这种方式处理每周的例行公告跟踪节省的时间非常可观。6.2 从单次分析到持续迭代真正的投研不是一次性的而是持续迭代的过程。流水线跑通之后每周花十分钟就能把持仓或自选池里的公司全部刷新一遍分析结果。每次更新流程拉取本周新公告、新闻稿在知识库基础上执行增量分析输出“变化点摘要”和“新增风险信号”更新跟踪总表标注置信状态。这个周循环跑起来之后你做投研的频率和密度会明显上几个台阶而花的时间反而远少于传统方式。6.3 给进阶用户的提示词优化技巧用过一段时间之后可以尝试逐步优化你的提示词库。我自己常用的优化方向有几个给AI设定严格的分析框架减少它的自由发挥空间定期复盘AI之前的输出把表现不好的环节记录成案例修改对应提示词同一份材料用不同提示词跑两遍交叉验证结论稳定性。这样迭代三个月之后你手里会有一套非常贴合自己分析风格和持仓结构的专属提示词库。它比网上流传的“万能炒股提示词”靠谱得多因为你清楚每条指令背后的假设、边界和坑。我个人的操作习惯是AI的分析结果从来不是终点它更像是帮我快速生成几十个“值得深挖的问题”。带着这些问题和它准备的底稿再去读原文、访谈纪要、行业数据做出来的判断才真正是属于自己的。这也是我理解中AI驱动投资的最好状态——不是让AI替代你思考而是让AI帮你把思考前的苦力活全部干完。第一期就先讲到这。后面我打算分几篇专门讲讲怎么把上面提到的“知识库建设”和“半自动流水线”一步步落地到时候配合具体操作截图应该能直接照抄。如果你在自己搭建的过程中遇到什么问题评论区留言我看到了会挑典型问题专门写一篇回答。