一份研究报告做得更快、更便宜，使用它的人就能赚得更多吗？放在股票市场里，这笔账没有那么好算。你读懂了财报，对手也读懂了；你找到了利好，卖家可能已经据此提高了报价。

AI 能让一个投资者比过去的自己更有准备，却未必让他比市场上的其他人更有优势。工具提高了个人的研究水平，也可能同时提高整个市场的研究水平。两件事一起发生时，省下来的时间很实在，多出来的收益却还没有着落。

在《42章经》与 Vibe-Trading 作者吴浩哲的对谈里，我更关注的就是这个矛盾。吴浩哲把问题概括为“决策便宜，行动很贵”：想法很容易得到，真金白银的交易却要承担后果。研究能力普及之后，哪些东西仍然值得付钱？

好报告和好价格之间，还有距离

吴浩哲介绍，Vibe-Trading 起初更接近给量化研究员使用的工具，后来转向让普通投资者用自然语言提出想法，再由系统组织研究。他发现，因子信号和统计指标即便有用，用户看不懂，也很难据此做出决定。

这个转向很合理。把一套专业工具做成能讨论的研究过程，至少让更多人有机会弄清自己在买什么。项目公开资料也把研究、验证和交易执行放进了同一套工作流程。不过，界面更容易用、分析更容易理解，证明的是产品的使用价值，还不是投资收益。

想象一家公司的利润增长了，AI 找到订单改善、产品涨价和成本下降的证据，写出一份有条理的报告。就算每个数字都对，仍然不能直接推出现在值得买入。假如市场原本期待更高的利润，或者股价早已反映了这些好消息，同一份好财报也可能让买家失望。

这里至少有两个需要分开的问题：公司发生了什么，以及当前价格已经包含了怎样的预期。AI 帮你回答了前一个，后一个不会自动消失。

吴浩哲判断，随着 AI 普及，公开信息被市场消化的速度还会加快。这是值得讨论的方向，但不能据此认定所有信息都会在几秒钟内被正确定价。不同市场的参与者、交易条件和信息质量差异很大。更稳妥的判断是：如果优势只来自比别人早读完一份公开材料，这份优势会面临更多竞争。

这并不意味着普通人用 AI 做研究没有意义。过去没有精力读的公告，如今可以先弄懂；过去难以比较的公司，如今可以放在一起看。

一条规律传开以后

节目谈到用 AI 分析社交平台上的投资者情绪。这个例子比模型能读多少页报告更有意思，因为它把对手放回了讨论之中。

假设一个策略发现，某类情绪变化常常出现在价格上涨之前。起初只有少数人使用，他们可以慢慢验证。后来更多人知道了这条规律，开始提前买入，原来的进场价格就变了。还有人可能专门制造类似的情绪信号，等跟随者入场。

这是假设，不是某个策略的实测结果。它说明市场参与者会对已经公开的交易方法作出反应。一个程序用于整理发票，通常不会因为别人也使用它，就让你的发票更难整理；一种交易方法公开以后，使用者之间却可能彼此影响。

吴浩哲认为，机会会更多地出现在不同数据和研究方法的结合处。这个想法有吸引力：单看一个数字容易，理解几家公司之间的关系、辨别相同新闻对不同业务的影响，就复杂得多。

但“把数据结合起来”仍只是研究方向。组合越复杂，越容易在历史数据里找到一个看起来很漂亮、实际只是碰巧的解释。把十个普通指标放在一起，并不会自然得到一个独特优势；筛选过多少失败组合、保留下来的结果能否经受新数据检验，都影响结论。

AI 投研可以扩大一个人能检查的范围，让原来来不及问的问题得到追问。至于扩大范围之后究竟找到了什么，需要拿结果说话；换一个更聪明的模型，也替代不了结果的检验。

有时缺的只是一个当时拿不到的数字

吴浩哲在访谈里讲到的数据问题，有些听起来甚至不像金融问题：价格是否复权，金额单位是否一致，时间间隔究竟指分钟还是月份。还有一种更隐蔽的错误，是用后来修订的数据，判断过去某一天本该作出的交易。

这类问题会让一份推理通顺的报告从根上失效。

比如，用一家企业后来更正的利润数字，模拟当年选股。站在今天看，数字没有错；站在当时看，投资者根本拿不到。回测相当于提前看了答案。模型把这段历史解释得再漂亮，也无法把它变成当年真正存在的机会。

节目还给出过一个较朴素的研究例子：现金流改善，到底是经营好转，还是应收账款集中收回，或者把付款往后推了？AI 可以替人找出相关材料，再比较几种解释。它让研究者更容易发现，最先想到的解释也许不成立。

这个用途不需要许诺战胜市场。研究工具让用户少误读一份财报，就已经提供了服务。对任何投研产品，收益曲线都应该和数据时间、交易费用的说明放在一起。否则，用户很难判断那条线意味着什么。这里说的是一般的评价要求，并非对 Vibe-Trading 实际表现的评测。

可靠的数据也不能保证获利。它只是让研究结论有了被检验的基础。

AI 投研可以有生意，但要说清卖什么

看这类产品，可以先问它卖的是什么。卖材料整理，卖跨公司比较，卖一套能追溯来源的研究工作台，都有明确的交付对象。把这些工作做得更方便，可以节省用户时间。

如果卖的是持续的超额收益，承诺就重得多。产品需要证明收益来自什么，在哪些条件下成立，以及实际交易是否还能保留这份优势。开源项目即便获得很多关注，也只能说明有人感兴趣，替代不了收益的证明。

工具也可能让部分使用者做出更多交易。每个新问题都能得到一份分析，每种猜测都能配上一张图，很容易让“还有一个值得研究的想法”变成“还有一笔该做的交易”。研究活动看起来更勤奋，账户结果未必因此改善。

人的判断也不见得更可靠：人同样会误读信息，会自信过头，也会替错误决定找理由。吴浩哲对 AI 能力很乐观，甚至认为大量行业经验都可以交给模型处理；我的保留是，这项能力要在具体问题上逐项证明，不能笼统地认定行业经验已经被模型掌握。

回到标题，使用 AI 的人当然可能赚钱，市场上涨时也不只有少数人能够获益。真正难回答的是，谁能因为使用了这项工具，持续获得超过可比基准的回报。这个问题涉及价格、风险和竞争，不是把报告写得更快就能解决的。

一款 AI 投研工具，可以先让用户更清楚地弄懂一家企业。至于这份理解有多少还没被价格吸收，得由结果来回答。

原节目：42章经｜AI Trading——决策便宜，行动很贵 · 项目资料：Vibe-Trading