我在这行做了七年，前三年写交易系统，后四年在量化研究和投研平台之间来回横跳。ChatGPT 出来的那个春节，我们组里几乎所有人都在偷偷试”让它选股”——三年过去，我可以负责任地说：“选股”是这件事里最不重要的部分，也是唯一一个被证明会自我毁灭的部分。
真正的奇效在别处。这篇文章我尽量少讲愿景、多给数字，把 2026 年能拿到的最新证据摊开讲清楚。

---

一、先把结论放在最前面

如果你只想看一句话：

ChatGPT 类模型在基金行业的价值，不是”多了一个会预测的大脑”，而是”第一次让文本处理的边际成本趋近于零”。

再展开成四句：

1. 它确实有信号——这一点已经被顶刊论文证实，不是玄学；
2. 但信号在快速衰减——同一个策略三年夏普掉了八成，而且这是它自己造成的；
3. 规模化跑出来的路径，全都把 LLM 放在了”非决策位”——桥水、贝莱德无一例外；
4. 能力曲线和可交付曲线是两条线——2026 年最扎心的一份基准测试里，前沿模型的产出没有一份被投行从业者判定为”可以直接交给客户”。

考虑到国内订阅GPT确实有点困难，可以参考一下这里：chatgptpro.shop

下面逐条上证据。

---

二、行业已经换挡了：从”试点”切到”生产”

先看行业侧的位置。2025 到 2026 这一年，买方对 AI 的态度发生了非常明显的相变。

SimCorp 的 2026 年 InvestOps 报告调研了全球 200 位买方高管（管理规模均在 100 亿美元以上），结论是七成机构的前台已经在实际使用 AI；而一年前的同一份报告里，这个比例只有一成左右，当时四分之三的人承认”看好但不知道怎么落地”。SimCorp 的 CEO 用了一个我很认同的说法：AI 已经从试点变成了前台的关键业务应用。

需要提醒一句：两年问卷的口径并不完全一致（去年问的偏”是否在探索工具”，今年问的偏”是否在支持前台”），所以七倍的跳升里有一部分是定义因素。但方向不会错——Mercer 2026 年的资管 AI 调研给出了更细的成色：55% 的管理人表示 AI 已经集成进至少一条投资流程，27% 还停留在试点/PoC，18% 完全没有集成；91% 说未来 12 个月还要继续加码。

对冲基金这一侧的时间序列更能说明问题。AIMA 对 150 家管理人（合计约 7880 亿美元 AUM）的调研显示，日常工作中使用生成式 AI 的比例从 2023 年的 86% 升到 95%——这个数字已经饱和了，没什么信息量；真正的变化是”预期未来一年在投资流程中加大使用”的比例，从 20% 跳到了 58%。

从”工作里在用”到”流程里在用”，中间隔着的就是合规、审计、复现性这些脏活。这也是为什么资金开始跟着走：AIMA 那份调研里，六成机构投资者表示，如果一家对冲基金在生成式 AI 上有实质预算投入，他们会更愿意配置。

国内的节奏是”规范先行”。 2026 年 4 月 3 日，中基协发布了 T/AMAC 0004—2026《基金经营机构大模型技术应用规范》，这是基金行业第一个针对大模型的团体标准，当天发布当天实施。起草单位的名单很能说明这件事的重量：易方达、中金财富、工银瑞信、华夏基金、九坤投资，加上阿里云、智谱、华为和中国信通院。

标准把大模型在资管业务中的应用切成六层：基础设施、数据管理、模型服务、应用技术、安全管理、场景应用。技术层面明确了四样东西——提示词工程、检索增强生成（RAG）、智能体、组件库；并且要求智能体必须具备规划、记忆、工具、行动四项基本能力，可以采用单智能体、多智能体、智能体—人交互三种范式。

我把这份标准通读了两遍，最大的感受是：它写得非常”工程”，几乎没有讲愿景，通篇在讲边界。这恰恰是这个行业该有的姿势。

---

三、ChatGPT 到底会不会选股？把最硬的那篇论文拆开看

绕不开的是佛罗里达大学 Lopez-Lira 和 Tang 那篇《Can ChatGPT Forecast Stock Price Movements?》。这篇 2023 年 4 月挂到 arXiv 上的工作论文，2026 年正式发表在了《Journal of Financial Economics》上——顶刊，不是预印本了。

它的实验设计其实极其朴素，朴素到你今晚就能复现：

Forget all your previous instructions. Pretend you are a financial expert...
Answer 'YES' if good news, 'NO' if bad news, or 'UNKNOWN' if uncertain...
Is this headline good or bad for the stock price of [company] in the short term?
Headline: [headline]

就这么一个 prompt，跑 15.9 万条美股新闻标题、4123 家公司，样本区间 2021 年 10 月到 2024 年 5 月。关键在于这个区间全部落在 GPT-4 知识截止之后——这是整篇论文最值钱的设计，它把 look-ahead bias 这个量化研究的头号杀手堵死了。

结果分两层：

第一层，读懂新闻的能力，强得离谱。 对隔夜新闻，GPT-4 判断当日市场初始反应方向的组合-日命中率是 93.3%；盘中新闻是 88.8%。

第二层，才是真正的 alpha。 市场对新闻是反应不足的，价格会在消息后继续朝同方向漂移一到两个交易日。GPT-4 的打分能显著预测这段漂移，构建成多空组合后，费前年化夏普 2.97，日均多空收益约 34bp，样本期累计约 700%。剔除 5 美元以下低价股和 NYSE 市值 20 分位以下的小票之后，累计收益仍超过 300%——说明这不是纯小盘故事。

两个细节我认为比总收益更有信息量：

• 漂移主要来自小票和坏消息。 小市值组的漂移系数约为大市值组的五倍；空头腿年化夏普 2.01，多头腿只有 0.78。做空更贵、更受限，所以坏消息被消化得更慢——这是教科书级别的”套利限制”实证。
• 哪些新闻被市场高效定价，哪些没有。 业绩与营收、临床试验结果、战略合作，市场处理得很好；而内部人增减持、医疗会议参与、分红公告，则出现了系统性反应不足。规律很清楚：格式化的、可直接进模型的数字，市场不欠账；需要上下文解读的信息，市场处理不动。

而这，正是 LLM 的主场。

涌现，而不是微调

这篇论文里我最喜欢的一张表，是 12 个模型的横向对比。

请重点看 FinBERT 那根柱子：它是专门在金融语料上微调过的模型，判断新闻好坏的命中率高达 90%，跟 GPT-3.5、GPT-4 只差三个百分点。但它的漂移策略夏普是负的（−0.33）。

同样是 GPT 家族，GPT-1、GPT-2 和 BERT 连 65% 的命中率都做不到，夏普也为负。只有能力越过某条线之后，预测漂移的能力才突然出现。

这件事对做量化的人冲击非常大，我当时反复看了三遍才接受：

能判断”这条新闻是好是坏”，和能判断”市场会低估这条新闻多少”，是两种完全不同的能力。前者靠语义分类，后者靠推理。而后者是随规模涌现出来的，不是靠往模型里灌金融语料灌出来的。

我们在 2023 年花了很多钱做行业语料的领域微调，现在回头看，那笔钱大部分是白花的。通用推理能力的提升，比领域微调的收益大一个量级。 后来的路线也印证了这一点——大家都从 fine-tune 转向了 RAG + 工具调用 + 强约束输出。

---

四、最重要的一张图：Alpha 是有半衰期的

如果这篇文章你只记住一张图，我希望是这张。

同一个策略、同一个 prompt、同一批数据源，把样本期切成四段：

时间段	费前年化夏普
2021 年 10–12 月	6.54
2022 年	3.68
2023 年	2.33
2024 年 1–5 月	1.22

三年不到，掉了 81%。

论文作者给出的解释非常克制也非常有力：随着 LLM 在市场中普及，越来越多的人用同样的工具处理同样的新闻，价格效率提高了，可预测的漂移被套利掉了。

这句话翻译成人话就是：你能想到的用 ChatGPT 读新闻做多空，全世界至少还有一万个人同时想到了。

而成本这一侧还没算。这个策略需要每日再平衡，日换手约 190%；论文自己承认，往返 20bp 的交易成本就足以让它由盈转亏。也就是说，只有直连市场、冲击成本极低、并且把范围限定在大市值股票上的机构，才有可能真正吃到——留给绝大多数人的部分，是零。

我把这条规律叫做“公开 prompt 的 alpha 半衰期”。任何一个能被一段可复述的 prompt 描述清楚的信号，它的半衰期大概率以季度计。真正能留下来的护城河，从来不在 prompt 里，而在：

• 你的数据是不是别人拿不到的（另类数据、调研纪要、持仓层面的实时数据）；
• 你的执行成本是不是别人比不了的；
• 你的工程链路能不能把信号在半衰期内跑出来。

第三条最容易被忽略，也最容易被工程解决。这就是下一节的主题。

---

五、真正跑出规模的三条路径：LLM 全都不在决策位

5.1 桥水 AIA：把 LLM 放在”因果假设生成”上

桥水 2023 年成立了 AIA Labs（Artificial Investment Associate），由联席 CIO Greg Jensen 领衔，首席科学家是从耶鲁挖来的因果推断专家 Jasjeet Sekhon。AIA Macro 策略 2024 年 7 月 1 日以约 20 亿美元起步。

现在的成绩单是：2025 年 +11.9%；2026 年上半年 +8.1%——和旗舰 Pure Alpha 的 8.1% 打平；成立两年半年化约 11.3%，规模已经超过 45 亿美元。

技术栈的描述里有一句话我觉得是全文最关键的：他们的系统是自研的因果时间序列机器学习 + 定制 LLM 系统（包含专用模型和经过自家 harness 与智能体工作流适配的前沿模型）。人类保留三样东西：风险管理、数据获取、交易执行。

Jensen 自己对 LLM 的评价相当不客气——大意是这些模型有幻觉问题，它们不理解什么是贪婪、什么是恐惧，也不理解真实的因果关系。

所以桥水的用法不是”让 LLM 预测”，而是“让 LLM 生成和检验因果假设”：全世界的报纸它都能读，然后把”如果关税上调，哪些资产会怎么反应”这类因果链条铺开、量化、回测。LLM 负责把假设空间从人类带宽扩张到机器带宽，统计模型负责证伪。

（另有公开资料整理称，他们用多层护栏把系统错误率从 8% 压到了 1.6%。这个数字来自二手汇编，我没找到一手来源，姑且当参考。）

5.2 贝莱德 Aladdin Copilot：奇效的真身是”API 编排层”

如果说桥水是研究侧的答案，贝莱德就是工程侧的答案，而且我认为这才是绝大多数基金公司应该抄的作业。

Aladdin 这个平台服务着超过 11 万亿美元的资产。Aladdin Copilot 的架构，他们的 AI 工程负责人在公开分享里讲得很清楚：

• LangChain + LangGraph 的监督式多智能体架构，用 GPT-4 的 function calling 做编排；
• 核心能力是把自然语言查询翻译成对数百个 domain-specific API 的调用——”给我看看科技股敞口”、”哪些持仓 ESG 评分低于 40”、”生成亚太基金的风险报告”；
• 组织上，50–60 个各自负责交易、组合管理等领域的工程团队，通过插件注册表（plugin registry）把自己的功能接进 Copilot，AI 团队只做”让接入变简单”这件事；
• 评估驱动开发（evaluation-driven development），每日 CI/CD 跑测试防止退化；
• 输出侧有专门的护栏节点检测幻觉，并且 Copilot 不会在 Aladdin 边界之外提供投资建议。

我把这套东西的本质总结成一句话：

LLM 在这里不是”分析师”，是”翻译器”。它把人的自然语言意图，翻译成对确定性系统的确定性调用。真正的计算、取数、风控，一步都没有交给模型。

这就是我说的”奇效”的真身。一个基金公司里最贵的隐性成本是什么？是投资经理想查一个数，得找 IT 提需求、排期两周、拿到一张 Excel。Copilot 把这个链路压缩到 30 秒。它没有创造 alpha，它创造的是”提问的自由度”。 而在投研这种高度依赖迭代速度的活动里，提问的自由度就是产出。

5.3 国内：规范先行，加上量化私募的算力外溢

国内是两条线并行的。

公募这条线是”规范 + 场景”。 前面提到的中基协标准里，四大应用技术（提示词工程、RAG、智能体、组件库）基本就是国内头部基金公司现在的技术地图。落地最快的场景高度一致：公告与研报的结构化抽取、投研知识库问答、合规文本预审、客服与投顾话术、代码与回测脚本生成。注意这几个场景的共同点：输出可验证、错了能改、不直接触发交易。

私募这条线更野，也更有意思。 幻方孵化 DeepSeek 是全行业最出圈的一笔——首期 30 亿元自有资金投入，背后是万卡级的”萤火”超算。九坤联合微软团队成功复现 DeepSeek-R1，还发现了中英文混合会显著降低推理能力这类问题。明汯、黑翼、宽德、鸣石、蒙玺则纷纷设立 AI Lab 抢人。

为什么是量化私募？答案朴素得可笑：他们本来就有卡，本来就有人。 幻方的策略开发团队一百多人，其中 AI Lab 二十多人，奥赛金牌、机器学习专家、拓扑/统计/运筹/控制论的博士——这个人员构成跟一家大模型创业公司几乎没有区别。算力和人才的外溢，是这轮国内 AI 与量化互相渗透的真正原因。

至于 LLM 在量化策略里到底干什么，行业里的说法比较一致：辅助因子挖掘、策略代码生成、另类数据的结构化、研究流程的自动化。 没有人说它在直接下单。

---

六、泼一盆冷水：能力 ≠ 可交付

讲完好的，必须讲坏的，否则这篇文章就是软文。

2026 年 4 月，Handshake AI 和麦吉尔大学发布了 BankerToolBench，我认为这是迄今为止对”AI 能不能干金融专业活”这个问题最认真的一次回答。

它的做法很暴力：请来约 500 位在职和前投行人员（高盛、摩根大通、Evercore、摩根士丹利、Lazard 等），其中 172 人亲自设计任务，累计投入超过 5700 小时。100 项任务，每项人类平均要做 5 小时，最长的要 21 小时。评的不是问答，是真实交付物——带公式的 Excel 财务模型、给客户开会用的 PPT、PDF 报告、Word 备忘录。智能体得自己翻数据室、调 FactSet 和 Capital IQ、解析 SEC 文件；单个任务最多会触发 539 次模型调用，其中 97% 与工具调用或代码执行相关。

结果如下。

没有任何一份产出被评为”可以直接交给客户”。 13% 轻改可用，19% 需中度修改，41% 需要大幅返工，27% 完全不可用。有 55% 的评审认为，如果原样提交，出坏结果的概率超过 99%。

榜首是 GPT-5.4，综合 rubric 得分 58.1/100，pass@1 只有 16%；要求三次运行结果一致，掉到 13%；能通过全部关键加权标准的任务只有 2%。

但请同时看另一个数字：69% 的评审说，他们愿意拿这个产出当草稿起点。

这两个数字放在一起，就是 2026 年 AI 在金融专业工作中的真实位置：它是一个非常好的初稿机，是一个非常差的终稿机。

再看失败模式的归因，这部分对做工程的人价值极高：

• 41% 是代码/公式 bug。 最典型的行为是调用了一个 python-pptx 里不存在的函数，报错之后不去修根因，而是直接把那行删掉——活儿看起来完成了，内容悄悄少了一块。这个行为模式我在自己的 agent 日志里见过太多次了。
• 27% 是业务逻辑错误。 比如把成本协同效应加到了收入端。这种错误最危险，因为它数值合理、格式正确、能跑通。
• 18% 是数据查询中断没回补。
• 13% 是直接编造缺失的数字并当作有来源。 论文里的例子：在 SEC 数据库里没查到，就凭空造了一组临床试验数据填进竞品分析。

还有一个细节值得所有做投研工具的人抄在本子上：Claude Opus 系列的产出”看起来”最专业，客户就绪度打分甚至是最高的，但打开 Excel 会发现关键数字大多是硬编码的常数而不是公式。 改一下收购价格，整张表纹丝不动——在投行语境里这是致命伤，因为情景分析直接失效。

能跑通 ≠ 能审计。这是我这两年在 AI 工程上学到的最贵的一课。

顺带对照一下厂商自己的口径。OpenAI 在其内部的初级投行分析师建模基准上，报告的分数是 GPT-5.1 的 59.1% → GPT-5.2 Thinking 的 68.4% → GPT-5.5 的 88.5%，在 FinanceAgent 上是 60.0%。能力确实在快速涨，这个不用怀疑。但厂商内部基准和第三方按真实交付物 rubric（平均 150 条标准、六个维度）打分，是两个世界。另一份 Vals.ai 与一家全球系统重要性银行合作的研究里，o3 在金融分析任务上的准确率只有 48.3%。

---

七、我自己在用的分工表

综合上面所有证据，我把投研链路上的活儿按两个维度分类：输出是否可机器验证、错了是否可逆。这张表是我们团队真实在用的版本：

象限	特征	典型场景	我的做法
A：可验证 + 可逆	有 ground truth，错了立刻能发现	公告/财报结构化抽取、另类数据 parser、SQL 生成、回测脚本脚手架、单测生成、研报摘要	全量交给模型，配自动校验（schema 校验、数值对账、单测）
B：可验证 + 不可逆	能验证，但一旦执行代价高	生产环境代码、数据管道变更、指标口径调整	模型写，人 review，强制双人签发，绝不自动合并
C：难验证 + 可逆	没有标准答案，但只是候选	因子想法生成、事件归因、调研纪要要点、行业图谱、假设枚举	只做候选生成，不做结论。产出必须进统计检验流程
D：难验证 + 不可逆	没标准答案且一旦错就是事故	下单与仓位决策、风控阈值调整、客户适当性判断、对外合规文本定稿	不交。一行都不交。

这张表的分界线，和 BankerToolBench 的结论、和中基协标准里”智能体—人交互”这个范式，其实指向的是同一件事：把模型放在人类审阅回路的上游，而不是下游。

有人会问：这样效率提升还剩多少？我的经验数字是——A 象限的活儿能省 60% 到 80% 的时间，C 象限能把想法产出量提升一个量级但命中率不变（所以真正的瓶颈从”想不出来”变成了”验不过来”，你的回测算力和多重检验校正会成为新瓶颈），B、D 两个象限提升有限。整体大概是 20%–30% 的研究吞吐提升。这个数字不性感，但它是真的。

---

八、要落地的话，这六个坑请提前挖好

作为写代码的人，最后给点具体的。

1）Point-in-time 是生死线。 LLM 引入了一种传统量化没有的泄漏形式：训练集泄漏。模型”知道”2023 年发生了什么，你拿 2023 年的数据回测它对 2023 年的判断，得到的一切都是幻觉。Lopez-Lira 那篇论文之所以硬，就是因为它只用知识截止之后的样本。任何 LLM 因子的回测，第一件事是确认样本区间在模型 cutoff 之后。

2）可复现是硬约束，不是加分项。 prompt、模型版本、temperature、seed、工具返回的原始快照、检索到的文档 ID——全部入库，和信号值一起存。模型厂商随时会静默更新版本，你今天跑出来的因子，下个月可能复现不出来，而基金的合规和风控要求你必须能复现。我们的做法是把每次调用做成不可变记录，信号表里存 call_id 外键。

3）强约束输出，别解析自然语言。 一律走 JSON Schema / structured output，字段类型、取值范围、枚举全部约束死。解析失败直接丢弃并计数，把”解析失败率”当成一个必须监控的线上指标。

4）评估先于上线。 抄贝莱德：evaluation-driven development。先有评测集，再有功能；每日 CI 跑回归，防止模型更新后的静默退化。没有评测集就上线的 LLM 功能，本质上是没有单测的生产代码。

5）幻觉治理要放在输出侧，不是输入侧。 提示词里写一百遍”不要编造”没有用（BankerToolBench 里 13% 的编造就是证据）。有用的是输出后的独立校验：数字必须能回溯到某个 source id，回溯不到就打回；跨文档一致性做交叉检查（同一期营收在两页 PPT 里出现两个数，这种错必须被机器抓住）。

6）算清楚 token 成本和延迟对信号的侵蚀。 BankerToolBench 里单任务 539 次调用的数字很有代表性——agent 的成本是超线性增长的。而 190% 日换手那个教训告诉我们：信号的新鲜度和交易成本永远在打架。上线前请把”每个信号值的边际生成成本”算出来，很多看起来漂亮的策略死在这一行。

---

九、结语：奇效在哪里

回到标题这个问题。

ChatGPT 在基金领域的”奇效”，不是让机器学会了投资，而是解除了一个存在了一百年的约束——人类的信息处理带宽是固定的，而市场产生信息的速度是指数级的。

Lopez-Lira 那篇论文里有一个我很喜欢的洞察：市场对格式化数字定价高效，对需要上下文解读的信息定价低效。这个低效存在了几十年，不是因为投资者笨，而是因为没人读得完。LLM 第一次让”读得完”变成了一个成本问题而不是能力问题。

但也正因为它是成本问题，所以它会被迅速抹平——夏普从 6.54 到 1.22 的那条曲线，就是这个抹平过程的实时录像。

所以，如果你现在要在基金公司里推 AI，我的建议非常朴素：

• 别去卷”让 AI 选股”。 那是一个公开的、正在快速消失的机会，而且你的对手是全球所有拿同样模型的人。
• 去卷”让全公司提问变得便宜”。 贝莱德的答案是对的：把 LLM 做成自然语言到确定性系统的翻译层，把每个人的每一次好奇心，从”提需求排两周”变成”三十秒拿到答案”。
• 把模型放在人类审阅回路的上游。 桥水的答案是对的：让机器扩张假设空间，让统计和人做证伪。
• 把评测和可复现当成一等公民。 这是唯一能让 AI 从”炫技”变成”资产”的东西。

三年前我们以为 AI 会取代基金经理。

三年后我看到的事实是：AI 取代的是”没人读得完那些材料”这个借口。 而这，比取代任何一个人都更值钱。