我如何用 AI 打造投資研究流程：從財報到結論的自動化管線

一個人做投資研究，時間永遠不夠：財報幾百頁、法說會逐字稿、13F 申報、新聞流。過去兩年我把整個研究流程重構成一條「人管判斷、機器管重複」的管線。這篇公開整套架構，以及比工具更重要的東西：防止 AI 幻覺的驗證守則。

整體架構：五個階段

原則很簡單：AI 負責量，人負責質。任何直接影響結論的數字，最後一關一定是人對原始來源。

階段一：數據層自動化

基礎是兩條 Python 管線。第一條抓市場與財務數據（yfinance 可以覆蓋大部分需求），第二條抓 SEC EDGAR 的原始申報（13F 追蹤的做法我寫在這篇）。兩條管線都掛在排程器上定期自動跑，輸出統一格式，後面所有分析引用同一份數據源，避免同一個數字在不同文件裡出現不同版本。

階段二：AI 深讀，但要「來源綁定」

讀 10-K 我用來源綁定式的 AI 問答工具：把財報 PDF 餵進去，AI 只能根據上傳的文件回答，每個回答附引用位置。這與開放式聊天機器人的差別是本質性的：後者會用訓練記憶補洞，補出來的數字看起來煞有其事，實際上可能是三年前的、甚至是編的。

提問設計也有方法：與其問「這家公司財務狀況如何」，不如拆成有明確答案的問題鏈：「本年度有效稅率多少、與去年差異的主因是什麼、管理層對明年稅率的指引是什麼」。問題越可驗證，AI 產出的可靠度越高。

階段三：防幻覺守則（整套流程的靈魂）

我在實務中吃過的虧、看過的坑，濃縮成四條鐵則：

1. 價格與市值永遠即時多來源驗證。AI 記憶中的股價一律視為過期。任何進報告的價格，至少兩個獨立即時來源交叉核對。
2. 任何 YoY、成長率，分子分母都要對原始來源。AI 最容易在「變化率」上出錯：期間對不齊、口徑混用。驗證時要求列出計算式與兩端數字的出處。
3. 引用頁碼必須回原文核對。AI 給的「第 24 頁」可能整份文件只有 5 頁。引用驗證不過，整段結論重做。
4. 發現一個錯，全面掃描同類錯。幻覺不是單點事件。一個數字錯了，代表同一批產出裡可能還有同源的錯，要整批重驗，不能改完一處就當沒事。

階段四與五：人做判斷，機器做維護

驗證過的數據與深讀筆記進到綜合分析階段，AI 幫我草擬結構、列反方論點，但買賣判斷、部位權重、風險容忍這些決策不外包。產出後的追蹤靠排程自動化：財報季自動抓新 10-Q 觸發更新、13F 申報季自動比對持股變動、價格異動超過門檻自動提醒。

想自己搭一套的人，從哪裡開始

1. 先自動化最痛的一件事（多數人是「定期抓數據貼表格」），一條 yfinance 腳本就有感。
2. 第二步加 AI 深讀，但同一天就把驗證守則立起來，不要等吃虧才補。
3. 工具會一直換，架構不太會：數據層、深讀層、驗證層、判斷層、維護層。照這個順序疊，每一層都能獨立替換升級。