这非常有趣。 我一直在尝试使用 AI 驱动的数据仪表板，更系统地跟踪公司的 KPI。 公共股权研究过程中的很大一部分是关于开发更好的收入预测（这些预测随后会流向各个增量水平的每股收益）。 因此，投资研究的许多工作都是关于跟踪能够提供更准确收入预测的数据。这是替代数据行业的基础。 但是，有许多有用的数据集是公开的。随着聊天机器人（Claude）的发展，我对这些工具获取数据的能力印象深刻。 对我来说，这就是与 Excel 熟练度并行的另一个缺失部分。能够摄取一个 Excel 模型（最终构建它，但今天不行），识别关键驱动因素（来自公开和专有数据），将这些数据提炼回预测，并标记自定义警报（业务动量变化、可能的收入预测修正、论点验证/无效化等）。现在我们在谈论真正有意义的事情！这比一个金融聊天机器人包装要有帮助得多。 我确实在想，这些工具的发展速度是否如此之快，以至于大多数金融专业人士甚至不需要学习编码代理。 例如，Perplexity Computer 一次性完成了一些事情，虽然肯定不是完美的，但展示了构建简单、强大用户界面的基础设施能力的实质性进展。 机构级准确性仍然是一个关键且尚未完全解决的问题（随着像 CarbonArc 这样的公司推出 MCP，这会有所改善吗？？），但看到工程能力在如此短的时间内如此显著地提高，令人兴奋。

我会对此提供更多具体信息，并附上一个示例片段。 几个月来，人们一直在谈论金融领域的“光标时刻”，即工作流程发生如此剧烈的变化，以至于你达到了采用曲线的陡峭部分。我对此持高度怀疑态度，原因有几个。 但最根本的原因是 LLM 技术根本还不成熟。基础模型根本没有足够的能力以任何可用的方式与 Excel 电子表格进行交互（尽管有一些华丽的演示……）。即使你解决了（非常棘手的）数据挑战，2025 年的 LLM 也没有能力与电子表格进行交互。 所以我们可以坐下来讨论很多关于 AI 如何增强机构投资研究的想法和概念。但这只是一个概念。 我有一系列我在新的 AI 模型上进行的测试，这些测试是针对对冲基金风格研究工作流程的能力测试。最简单的就是上传一个现有的 Excel 文件，看看 LLM 是否能理解发生了什么。如果 LLM 不能充分读取和理解 Excel 模型，那么我认为完整的 AI Excel 工作流程根本不可能。尝试探索也是浪费时间。 这在任何令人印象深刻的程度上都没有成功（Opus 4.6 可以做到，但做得不好）。直到昨天，GPT-5.4 思维出现了。 突然间，我现在可以得到一些不仅仅是适度有用的东西，我认为这将立即成为我投资流程工作流的一部分。 我称之为“PM 评审”，或对模型的结构化评估和反驳。我作为分析师和 PM 参与过数百次这样的评审。有效地说，分析师构建一个模型，发送给 PM，他们一起走过这个模型。聪明且经验丰富的 PM 会撕扯模型，反驳，并帮助将模型引导到可用的结果。 一个优秀的 PM 能够聚焦于两个或三个关键变量，并识别出激进或保守的假设。分析师可能会推销一只股票，而核心定量输入却受到有缺陷逻辑的支持。PM 的工作是试图识别这种有缺陷的逻辑。在我看来，这种工作流程是优秀 PM 和不优秀 PM 之间的关键区别。 然而，这种工作流程不仅仅适用于 PM；它也适用于那些试图评估自己工作的分析师，想要对团队可能参与的想法进行深思熟虑反驳的同事分析师，以及希望高效评估想法承保过程的研究团队主任。或者 PM 在他们查看大量想法时的初步筛选。 用 AI 增强这个过程的一个有趣方面是它的可扩展性极强。它可以自主运行。在 300 个模型中，我可以让一群代理人对关键驱动因素进行自动尽职调查，更新这些模型，将结果反馈给我，并标记出我所覆盖的想法中哪些具有盈利修正潜力。在我看来，这个工作流程是公共股权研究的“光标时刻”。我并不是说我们已经达到了这个阶段，因为数据准确性和整合内部数据所需的结构仍在进展中。但我们在技术能力上迈出了前进的一步。 我在 GPT-5.4 中测试了这个。虽然它并不完美，但这是我第一次在这个测试中收到任何有用的反馈。 我将带你走过几个步骤，让你自己进行这个测试。 步骤 1：将想法倾倒到 Claude 中。我不知道这是否有任何逻辑，还是我自己的习惯，但如果我在 Chat GPT 中执行，我会进行元提示，然后在 Claude 中反之亦然。我不确定元提示在我所做的工作流程类型中是否有那么重要，但如果你进行元提示与原始提示之间的区别是非常重要的，所以不要跳过这一步。 步骤 2：将提示输出转换为 Markdown，并将其作为自定义说明放入 GPT 项目中。这只是一个工作流程效率，因为这样我现在有一个可以上传任何模型的 GPT 项目。 步骤 3：运行提示。我故意稍微调整了我的 DraftKings 模型（而且它本身也是一个正在进行中的工作，所以不要将这些估计视为我相信的任何东西）。 但它产生了一个非常有帮助的： 1）执行摘要 2）商业理解（解释一美元如何流动通过损益表） 3）模型评估，提供对所有关键输入的评估和合理性检查 4）模型审计，检查输入一致性、公式完整性和损坏的引用 5）增量尽职调查的路线图 6）最高价值的 IR 问题 我鼓励你自己去看看。 将在回复中链接到六页的输出。

我无法不同意这种观点，即建模已经变得更加商品化。 建模永远不会完全商品化。为什么？金融模型只是一个思考工具。量化你假设的一个场所。正如@pmje73所说；模型就像一辆自行车，你仍然需要骑上去。 建模过程中的某些元素将会商品化（就像Visible Alpha商品化了手动传播共识一样）。这真是个好消息，可以释放出更多可用的时间用于更有价值的研究。 “所有的一切都是折现现金流（DCF）”，投资依赖于预测。你如何建模2027年的关键驱动因素是尽职调查过程的多维提炼，其中许多关键变量（永远）超出了大型语言模型（LLMs）的范围（公司是由人管理的活生生的有机体，而不是数学问题，因此分析它们不能简化为计算机代码）。 因此，建模不会因为极其根本的原因而被商品化（主要是，估值只是对未来自由现金流（FCF）的一个观点，世界上所有的建模都无法得出一个客观真实的估值答案）。 然而，似乎正在发生的事情是，建模中一些繁琐的元素正在跨越一个可接受的增强阈值，而一种副驾驶的方式可以在更短的时间内推动更深思熟虑、经过压力测试的假设。 这真令人兴奋。