這真的非常有趣 我一直在嘗試使用 AI 驅動的數據儀表板來更系統地追蹤公司的 KPI。 公共股權研究過程中有很多是關於開發更好的收入預測（這些預測會流向各個增量層級的 EPS）。 因此，投資研究的運作大多是關於追蹤能夠提供更準確收入預測的數據。這是替代數據行業的基礎。 但有許多有用的數據集是公開的。隨著聊天機器人（Claude）的發展，我對這些工具能夠抓取這些數據的能力印象深刻。 對我來說，這是與 Excel 流利度並行的另一個缺失部分。能夠攝取一個 Excel 模型（最終建立它，但今天不談），識別關鍵驅動因素（來自公開和專有數據），將這些數據提煉回預測中，並標記自定義警報（業務動能變化、可能的收入預測修訂、論點驗證/無效化等）。現在我們開始談論了！！這比金融聊天機器人包裝要有幫助得多。 我確實在想這些工具是否以如此快的速度進步，以至於大多數金融專業人士甚至不需要學習編碼代理。 例如，Perplexity Computer 一次性完成了一些，雖然肯定不完美，但顯示了在構建簡單而強大的用戶界面方面的基礎設施能力的實質性進步。 機構級的準確性仍然是一個關鍵且尚未完全解決的問題（隨著像 CarbonArc 這樣的公司推出 MCP，這會改善嗎？？），但看到工程能力在如此短的時間內如此實質性地改善，令人興奮。

我會提供更多具體的內容，以及一些示例片段。 幾個月來，人們一直在談論金融領域的「游標時刻」，即工作流程發生如此劇變，以至於你達到了採用曲線的陡峭部分。對此我一直持懷疑態度，原因有幾個。 但最根本的原因是 LLM 技術根本還不成熟。基礎模型根本沒有足夠的能力以任何可用的方式與 Excel 試算表互動（儘管有些華麗的演示……）。即使你解決了（非常棘手的）數據挑戰，2025 年的 LLM 也沒有能力與試算表互動。 所以我們可以坐下來討論許多關於 AI 如何增強機構投資研究的想法和概念。但這只是概念而已。 我有一系列測試用於新的 AI 模型，這些測試是對對沖基金風格研究工作流程的能力測試。而最簡單的就是上傳一個現有的 Excel 文件，看看 LLM 是否能理解發生了什麼。如果 LLM 不能充分閱讀和理解 Excel 模型，那麼我認為完整的 AI Excel 工作流程根本不可能。這樣的探索也只是浪費時間。 這在任何程度上都沒有取得令人印象深刻的效果（Opus 4.6 可以做到，但做得不好）。直到昨天，使用 GPT-5.4 Thinking。 突然之間，我現在可以得到一些不僅僅是適度有用的東西，我認為這將立即成為我投資流程工作流的一部分。 我稱之為「PM 評審」，或對模型的結構化評估和反駁。我作為分析師和 PM 參與過數百次這樣的會議。有效的分析師建立一個模型，將其發送給 PM，然後他們一起逐步檢查。明智且經驗豐富的 PM 會撕毀模型，提出反駁，並幫助將模型引導到可用的結果。 一位優秀的 PM 能夠聚焦於兩到三個關鍵變數，並識別出激進或保守的假設。一位分析師可能會推銷一隻股票，而其核心定量輸入卻是基於有缺陷的邏輯。而 PM 的工作就是試圖識別這種有缺陷的邏輯。對我來說，這種工作流程是優秀 PM 和不優秀 PM 之間的關鍵區別。 然而，這種工作流程不僅僅是為 PM 而設；它也適用於試圖評估自己工作的分析師、希望對團隊可能參與的想法進行深思熟慮反駁的同儕分析師、以及希望有效評估想法承保過程的研究團隊主管。或者 PM 在考慮大量想法時的初步篩選。 用 AI 增強這一過程的有趣之處在於它的可擴展性極高。它可以自動運行。在 300 個模型中，我可以讓一群代理人自動進行關鍵驅動因素的盡職調查，更新這些模型，將結果反饋給我，並標記出我所覆蓋的想法中哪些有盈利修正的潛力。在我看來，這種工作流程是公共股權研究的「游標時刻」。我並不是說我們已經達到那個地步，因為數據準確性和整合內部數據所需的結構仍在進行中。但我們剛剛在技術能力上邁出了一步。 我在 GPT-5.4 中測試了這一點。雖然它並不完美，但這是我第一次在這個測試中收到任何有用的回饋。 我將帶你走過幾個步驟，讓你自己也能做到這一點。 步驟 1：將想法倒出到 Claude。我不知道這是否有任何邏輯，還是只是我自己的習慣，但如果我在 Chat GPT 中執行，我會進行元提示，反之亦然。我不確定元提示對於我所做的工作流程類型是否有那麼重要，但如果你進行元提示與原始提示之間的區別是非常重要的，所以不要跳過這一步。 步驟 2：將該提示輸出轉換為 Markdown，並將其作為自定義指令放入 GPT 項目中。這只是工作流程效率的提升，因為這樣我現在有一個可以上傳任何模型的 GPT 項目。 步驟 3：運行提示。我故意稍微調整了我的 DraftKings 模型（而且它本來就是一個進行中的工作，所以不要將這些估算視為我相信的任何東西）。 但它產生了非常有幫助的： 1) 執行摘要 2) 業務理解（解釋一美元如何流經損益表） 3) 模型評估，提供所有關鍵輸入的評估和合理性檢查 4) 模型審計，檢查輸入一致性、公式完整性和破損引用 5) 增量盡職調查的路線圖 6) 最高價值的 IR 問題 我鼓勵你自己去看看。 將在回覆中鏈接到六頁的輸出。

我無法不同意這種觀點，即建模已經變得更加商品化。 建模永遠不會完全商品化。為什麼？金融模型只是一種思考工具，一個量化假設的途徑。正如 @pmje73 所說；模型就像一輛自行車，你仍然需要騎上去。 建模過程中的某些元素將會商品化（就像 Visible Alpha 商品化了手動擴散共識一樣）。這是個好消息，可以釋放出更多可用的時間來進行更具價值的研究。 「一切都是 DCF」，投資依賴於預測。你如何建模 2027 年的關鍵驅動因素是一個多維的盡職調查過程的提煉，其中許多關鍵變數（永遠）超出了 LLM 的範疇（公司是由人運營的生物體，而不是數學問題，因此分析它們無法簡化為計算機代碼）。 因此，建模不會因為極其根本的原因而被商品化（主要是，估值只是對未來自由現金流的觀點，而世界上所有的建模都無法得出客觀真實的估值答案）。 然而，似乎正在發生的事情是，建模中一些繁瑣的元素正在跨越可接受的增強閾值，而共同駕駛的方式可以在更短的時間內推動更具思考性和壓力測試的假設。 這令人興奮。