信息处理链与AI技术路径
问题陈述。 “AI改变金融”太宽泛。要真正建立研究体系，必须把金融市场拆解成一条可以观察、测量和验证的信息处理链，并明确AI究竟改变了哪一个变量。
本文建议把完整链条定义为：
现实世界与原始数据（价格/财报/公告/新闻/电话会/另类数据/客户数据）
→ 数据获取与治理（采集·清洗·实体对齐·时间对齐·权限）
→ 信息理解（抽取·分类·摘要·检索·多模态理解）
→ 关系与假设形成（产业链·竞争关系·事件影响·候选机制）
→ 预测与因果验证（收益预测·盈利预测·估值·反事实·压力测试）
→ 投资决策（资产选择·仓位·组合·风险预算）
→ 交易执行（订单类型·路由·时机·流动性·冲击成本）
→ 现实结果（成交·收益·回撤·风险·市场影响）
→ 反馈与学习（归因·漂移检测·模型评估·知识更新）
→ 回到数据获取、假设形成、验证与决策，形成闭环
机器学习 / LLM / RAG / Agent 的介入点：数据获取之后的全链各环节（治理、理解、假设、验证、决策、执行、反馈）。AI真正改变的是六个底层变量
首先是覆盖率。人一天能读多少份财报、电话会、新闻、专利和行业资料有物理极限，而机器的信息吞吐能力可以随计算资源扩展。Morgan Stanley的AskResearchGPT已经把每年超过7万份内部研究报告纳入员工可检索和总结的信息空间，这说明AI的直接价值之一不是创造新信息，而是把原来“存在但没人有能力全部读取”的组织知识变成可调用的信息。citeturn22search6
其次是处理成本。LLM把许多过去需要初级分析师数十分钟甚至数小时完成的分类、摘要、数据提取和文本比对任务，压缩为机器批量处理任务。中国证券行业公开案例中，已有机构把一次会议录音整理摘要从约两小时压缩至约十分钟；这属于媒体采访中的机构案例，不能视为全行业平均效率，但很好地说明了生产函数正在变化。citeturn22search17
第三是时延。在市场微观结构层面，Nasdaq的Dynamic M-ELO已经不再只是给人产生研究建议，而是在交易系统中每30秒分析140多个市场变量并动态调整订单等待时间。citeturn19search0turn19search8
第四是非结构化信息的机器可计算性。传统量化主要处理价格、成交量和财务指标等结构化数据；LLM、Embedding和多模态模型使新闻、电话会、公告文字、研究报告、合同、图片甚至语音可以被统一转换为机器可检索和建模的信息表示。BloombergGPT就是金融领域早期的重要验证：其50B参数模型使用约3630亿金融领域token与3450亿通用token训练，在多项金融NLP任务上优于当时可比通用模型。citeturn18academia48
第五是关系发现能力。传统模型往往要求研究员预先指定变量关系；机器学习则可以在高维空间寻找复杂的非线性交互。Gu、Kelly、Xiu的研究把ML在资产定价上的主要增益之一归因于传统方法遗漏的非线性预测变量交互。citeturn17search0
第六是反馈速度。当AI接入研究、CRM、交易、风险和绩效归因系统后，模型可以形成更快的“输入—决策—结果—评价—修正”循环。Morgan Stanley特别强调其生产级AI部署并不是“模型上线即结束”，而是建立专家评估集、持续测试和回归评估体系；这可能比具体采用哪一家模型更值得金融机构学习。citeturn18search0
传统方法与AI方法的关键区别
| 环节 | 传统方法 | AI方法 | AI真正改变的变量 | 更合理的度量指标 |
|---|---|---|---|---|
| 数据采集 | 人工搜索、终端查询、固定API、规则式ETL | 流式采集、Agent、多模态解析、实体自动匹配 | 覆盖范围、速度、边际成本 | 信息覆盖率、point-in-time完整率、采集延迟、单位文档成本、数据授权可追溯率 |
| 信息理解 | 人工阅读、关键词、词典、规则NLP | LLM、Embedding、RAG、金融专用模型 | 非结构化信息变成机器可计算信号 | Extraction F1、问答正确率、引用准确率、幻觉率、Time-to-insight |
| 因果推断 | 经济理论、事件研究、自然实验、计量模型 | Causal ML + LLM假设生成 + 自动反事实测试 | 假设空间变大、验证自动化；AI不能自动创造因果识别 | 样本外稳定性、安慰剂检验、敏感性、时间泄漏率、机制一致性 |
| 决策执行 | 人工投资委员会、静态规则、传统算法交易 | ML组合模型、Agent、动态执行算法 | 决策速度、状态适应性、规模化 | 净Sharpe、最大回撤、换手率、成交率、滑点、markout、容量 |
| 风险控制 | 限额、人工复核、定期压力测试 | 实时异常检测、模型漂移、AI监控、持续eval | 从定期控制转为连续监测 | 风险违规率、召回率/误报率、MTTD、尾部损失、漂移频率、审计可解释性 |
上述度量思想与当前监管实践正在趋同：英国FCA的AI Live Testing项目把evaluation frameworks、live monitoring、governance和risk management列为生产部署的重要测试对象；FSB在2026年的咨询报告进一步提出覆盖AI生命周期的12项负责任采用实践。citeturn16search7turn16search8
关键结论。
最值得记住的是：
AI不是简单给原有分析师“加一个工具”，而是在降低整条信息处理链的边际成本。
当信息理解成本下降一个数量级后，原来因为“人读不过来”而无法成立的研究方法，就可能突然成立。
这意味着未来一个重要的投资研究变量将不再只是：
“有没有信息？”
而是：
“在这个时间点，谁能够以最低成本、最快速度、最大范围，把这些信息转换成可靠行动？”
可执行建议。 真正研究金融AI时，不应按“ChatGPT、DeepSeek、Claude、BloombergGPT”分类，而应按照上面的链条建立母知识库：数据层—理解层—关系层—验证层—决策层—执行层—反馈层。模型只是某个时间点的工具，信息处理链才是长期稳定的研究对象。