AI做投资研究的实战从建模到行业研究、竞争分析、估值论证
- 2026-10-11 20:06:12
AI做投资研究的实战从建模到行业研究、竞争分析、估值论证
🔬 实战案例 · 第07篇
AI做投资研究的实战
从建模到行业研究、竞争分析、估值论证
从建模到行业研究、竞争分析、估值论证
全流程工作流 · 9套Prompt模板 · 真实踩坑经验
60小时 → 23.5小时 的效率跃迁实录
60小时 → 23.5小时 的效率跃迁实录
📊🧠📈⚡💼
先说结论：投资研究的本质不是"找数据"，而是"建立信念"。AI 能帮你把信息吸收效率提升 5-10 倍，但最终那个"我觉得这只股票被低估了"的判断，仍然需要你自己来做。
这篇文章我想分享的是：在过去一年里，我用 AI 辅助完成投资研究项目的完整工作流——从零开始覆盖一家公司，到输出一份有深度的投资论点。
不吹不黑，说说哪些环节 AI 真的能帮你省大把时间，哪些环节它只能打下手，还有哪些地方你必须亲自上阵。
一、投资研究到底在做什么？
Research 不是 Research，是 Re-search。你反复地、从不同角度去验证同一个投资论点，直到你敢用自己的钱去买这只股票。
—— 我的 MD 带我入行时说的第一句话
一个标准的卖方/买方研究项目，大概包含这几个模块：
🏭
行业研究
这个赛道有多大？增长多快？
传统 8-15h⭐⭐⭐⭐⭐
🎯
竞争分析
这家公司跟同行比怎么样？
传统 6-12h⭐⭐⭐⭐
📊
财务建模
未来三年长什么样？
传统 8-15h⭐⭐⭐
💰
估值论证
值多少钱？安全边际够吗？
传统 4-8h⭐⭐⭐
💡
投资论点
为什么现在是好的买入时机？
传统 3-6h⭐⭐
📊实测数据（来源：Marvin Labs 2025）
一个完整的新建覆盖（Initiation）项目：
• 传统流程：60 小时 | AI 增强流程：23.5 小时 | 节省比例：61%
⚠️ 但注意——这 23.5 小时里 AI 替代的主要是"信息收集和初步整理"。真正形成差异化观点的那部分（~8-10h），还是得靠你自己。
一个完整的新建覆盖（Initiation）项目：
• 传统流程：60 小时 | AI 增强流程：23.5 小时 | 节省比例：61%
⚠️ 但注意——这 23.5 小时里 AI 替代的主要是"信息收集和初步整理"。真正形成差异化观点的那部分（~8-10h），还是得靠你自己。
二、行业研究：用 AI 扫描 + 自己判断
第1步：快速建立行业框架
以前做一个新行业的 research，第一步是找最近 3 年的行业报告、券商研报、咨询公司的白皮书……光是收集资料就要耗掉一两天。
现在我习惯的做法是这样的 👇
#1
行业全景扫描
行业研究
我正在研究 [行业名称] 行业，请帮我完成以下框架：
1. **市场规模与增速**：
- 全球/TAM（总可及市场）规模是多少？
- 近 5 年 CAGR 是多少？未来 3-5 年预期增速？
- 细分市场结构是怎样的？
2. **价值链拆解**：
- 上游（供应商）有哪些关键参与者？
- 中游（制造商/平台商）的竞争格局？
- 下游（客户）的需求特征和议价能力？
3. **驱动因素与风险**：
- 核心增长驱动是什么？（技术/政策/需求）
- 主要结构性风险有哪些？
4. **关键指标体系**：
- 这个行业用什么 KPI 来衡量公司表现？
- 好公司 vs 差公司的指标差异在哪？
请基于你能获取的最新公开信息回答，并标注每个结论的信息来源和时间。
如果某些数据你不确定，请明确标注"存疑"。
1. **市场规模与增速**：
- 全球/TAM（总可及市场）规模是多少？
- 近 5 年 CAGR 是多少？未来 3-5 年预期增速？
- 细分市场结构是怎样的？
2. **价值链拆解**：
- 上游（供应商）有哪些关键参与者？
- 中游（制造商/平台商）的竞争格局？
- 下游（客户）的需求特征和议价能力？
3. **驱动因素与风险**：
- 核心增长驱动是什么？（技术/政策/需求）
- 主要结构性风险有哪些？
4. **关键指标体系**：
- 这个行业用什么 KPI 来衡量公司表现？
- 好公司 vs 差公司的指标差异在哪？
请基于你能获取的最新公开信息回答，并标注每个结论的信息来源和时间。
如果某些数据你不确定，请明确标注"存疑"。
实操案例：我用 AI 研究"AI 投研工具"赛道
上个月我想了解 AI 投研工具这个赛道的竞争格局，用了上面这套 prompt 问 Claude。5 分钟内，它给了我一个完整的输出框架：
| 维度 | AI 给出的关键信息 | 我的验证动作 |
|---|---|---|
| 市场规模 | 2025年全球 FinTech AI 市场约 $420亿，CAGR ~28% | 去查 IDC 和 Gartner 交叉验证 |
| 主要玩家 | AlphaSense（$40亿估值）、Bloomberg AI、Daloopa、Marvin Labs | 逐个去看官网产品页和最新融资 |
| 价值链 | 上游LLM提供商 → 中游垂直应用 → 下游买方/卖方 | 合理，跟我观察的一致 |
| 关键指标 | 用户留存率、查询响应时间、数据覆盖率 | 去看各家的定价页面对比 |
⚠️经验法则：AI 给的行业概览方向通常是对的，但具体数字一定要追溯原始来源。$420亿 这个数字后来我去查了原始报告，发现是一个估算区间的中位数，不同机构统计口径差很多。
第2步：深度挖掘行业趋势
#2
趋势深度挖掘
行业研究
基于刚才的行业框架，我需要更深入地理解 [行业名称] 的趋势变化。
请帮我分析：
1. **过去 3 年的关键转折点**：
- 发生了什么改变游戏规则的事？
- 哪些公司在这些转折中受益了/受损了？
2. **当前争论的核心问题**：
- 多头和空头各自的核心论据是什么？
- 有哪些"公认的事实"可能是错的？
3. **未来 2-3 年的可能情景**（乐观 / 基准 / 风险）
4. **对 [目标公司] 的影响**：
- 这些趋势是利好还是利暗？
- 它在这个趋势中的位置：引领者 / 跟随者 / 落后者？
请给出推理过程，不要只给结论。
请帮我分析：
1. **过去 3 年的关键转折点**：
- 发生了什么改变游戏规则的事？
- 哪些公司在这些转折中受益了/受损了？
2. **当前争论的核心问题**：
- 多头和空头各自的核心论据是什么？
- 有哪些"公认的事实"可能是错的？
3. **未来 2-3 年的可能情景**（乐观 / 基准 / 风险）
4. **对 [目标公司] 的影响**：
- 这些趋势是利好还是利暗？
- 它在这个趋势中的位置：引领者 / 跟随者 / 落后者？
请给出推理过程，不要只给结论。
🚨踩坑提醒：有一次让 ChatGPT 分析某个赛道的趋势，它洋洋洒洒写了2000字看起来头头是道。但后来发现其中一段关于"监管趋严"的分析引用的政策文件根本不存在。
ChatGPT 在投资场景下有个毛病：它喜欢顺着你说。你问"监管是不是影响很大"，它会先说"是的"再展开。但你换个角度问"监管其实没那么重要吧"，它也能给你找出理由来。
✅ 所以现在我的做法是：同一个问题同时问 Claude 和 GPT，对比答案。不一致的地方 = 重点查证对象。
ChatGPT 在投资场景下有个毛病：它喜欢顺着你说。你问"监管是不是影响很大"，它会先说"是的"再展开。但你换个角度问"监管其实没那么重要吧"，它也能给你找出理由来。
✅ 所以现在我的做法是：同一个问题同时问 Claude 和 GPT，对比答案。不一致的地方 = 重点查证对象。
三、竞争分析：从"我知道它们存在"到"我知道它们凭什么赢"
竞争分析是投资研究里ROI 最高的模块之一。做得好，你能找到市场定价错误；做得不好，你就是拿着一份"大家都差不多"的同质化报告。
3.1 可比公司选择与基础对比
#3
可比公司矩阵生成
竞争分析
我需要为 [目标公司] 做竞争分析：
1. **筛选可比公司**：同行业 + 相似业务模式 + 体量 ±3x
2. **构建对比矩阵**（收入、增速、毛利率、利润率、ROIC、PE、EV/EBITDA 等）
3. **标注异常值**：哪家哪个指标明显偏离同行？原因？
4. **初步结论**：目标公司在矩阵中位置 + 最值得深挖的差异点
注：所有数据标注来源和财报期。不确定的数据标为"—"。
1. **筛选可比公司**：同行业 + 相似业务模式 + 体量 ±3x
2. **构建对比矩阵**（收入、增速、毛利率、利润率、ROIC、PE、EV/EBITDA 等）
3. **标注异常值**：哪家哪个指标明显偏离同行？原因？
4. **初步结论**：目标公司在矩阵中位置 + 最值得深挖的差异点
注：所有数据标注来源和财报期。不确定的数据标为"—"。
✅实战效果：用这个 prompt 让 Claude 分析一家 SaaS 公司的可比矩阵，10分钟内输出 7 家公司完整对比表。
• 抽查 20 个数据点：18/20 正确（2个季度折算误差）
• 可比公司选择：符合行业标准，还多了1家欧洲竞品是我没注意到的
• 手动做这张表 ≈2-3 小时 → AI辅助下缩短到 30 分钟（含核查）
• 抽查 20 个数据点：18/20 正确（2个季度折算误差）
• 可比公司选择：符合行业标准，还多了1家欧洲竞品是我没注意到的
• 手动做这张表 ≈2-3 小时 → AI辅助下缩短到 30 分钟（含核查）
3.2 护城河评估 — 这才是灵魂
#4
护城河深度评估
竞争分析
请用巴菲特的"护城河"框架，深度分析 [目标公司]：
**四大护城河类型逐一评估（各评 1-5 分）**：
1. **无形资产**：品牌溢价？专利保护期？牌照壁垒？
2. **转换成本**：金钱/时间/风险成本？数据锁定效应？
3. **网络效应**：用户越多产品越好？（双边/数据/平台网络）
4. **成本优势**：规模效应？独特工艺？独占资源？
对每种类型给出评分 + 具体证据支持 + 判断护城河在变宽还是变窄
最后总结：真正的护城河是什么？能维持多久？
**四大护城河类型逐一评估（各评 1-5 分）**：
1. **无形资产**：品牌溢价？专利保护期？牌照壁垒？
2. **转换成本**：金钱/时间/风险成本？数据锁定效应？
3. **网络效应**：用户越多产品越好？（双边/数据/平台网络）
4. **成本优势**：规模效应？独特工艺？独占资源？
对每种类型给出评分 + 具体证据支持 + 判断护城河在变宽还是变窄
最后总结：真正的护城河是什么？能维持多久？
这家公司的转换成本不仅来自技术层面（数据迁移成本），更来自组织层面——客户内部使用这款软件已经形成了固定的工作流和培训体系。这意味着即使竞争对手产品更好，客户也要权衡"重新培训全员"的隐性成本。
—— Claude 对某 SaaS 公司的分析，一个我从数字上看不到的洞察
3.3 市场份额测算
#5
市场份额与渗透空间
竞争分析
请帮我测算 [目标公司] 在 [细分市场] 中的竞争地位：
1. **TAM/SAM/SOM 漏斗**：总可及市场 / 可服务市场 / 可获得市场
2. **当前市场份额** & 排名
3. **份额变化趋势**（过去 3 年涨还是跌？抢了谁/被谁抢？）
4. **渗透天花板**：理论最大份额 vs 当前距离
5. **情景测算**：保守/基准/乐观三种情景下未来 3 年份额走势
尽量用数字说话，不要定性描述。
1. **TAM/SAM/SOM 漏斗**：总可及市场 / 可服务市场 / 可获得市场
2. **当前市场份额** & 排名
3. **份额变化趋势**（过去 3 年涨还是跌？抢了谁/被谁抢？）
4. **渗透天花板**：理论最大份额 vs 当前距离
5. **情景测算**：保守/基准/乐观三种情景下未来 3 年份额走势
尽量用数字说话，不要定性描述。
四、财务建模：AI 当副驾驶，你当机长
实话实说：AI 目前还无法独立建出一个可以直接用的 DCF 模型。它可以帮你提取数据、检查公式错误、跑情景分析，但模型架构的设计、核心假设的设定——这是分析师的核心竞争力，AI 替代不了。
4.1 数据提取 — AI 最强的环节
传统方式：打开 10-K / 10-Q PDF，一行一行找数字，然后敲进 Excel。
AI 方式：把文件丢进去，让它提取。专业工具如 Daloopa 可以将每季度建模更新时间从 100 分钟压缩到 45 分钟，准确率从 97%（人工 2-3% 错误率）提升到 99.9%+。
#6
财报数据结构化提取
财务建模
请从这份财报/10-K/10-Q 文件中提取并整理成结构化表格：
**利润表**（最近4财年+TTM）：总收入（分部拆分）、毛利、三项费用（研发/销售/管理分开）、营业利润、净利润、EPS
**资产负债表**（最新财年末）：现金、应收账款、存货、总资产、总负债、股东权益
**现金流量表**（最近4财年）、OCF、Capex、FCF
要求：百万美元单位；非 GAAP 指标一并提取；标注页码/章节；未披露标"N/A"
**利润表**（最近4财年+TTM）：总收入（分部拆分）、毛利、三项费用（研发/销售/管理分开）、营业利润、净利润、EPS
**资产负债表**（最新财年末）：现金、应收账款、存货、总资产、总负债、股东权益
**现金流量表**（最近4财年）、OCF、Capex、FCF
要求：百万美元单位；非 GAAP 指标一并提取；标注页码/章节；未披露标"N/A"
4.2 公式校验与逻辑审查
#7
模型逻辑审查
财务建模
请帮我审查 [公司名] 的 3-statement 财务模型：
1. **会计恒等式检查**：A=L+E? CF变动=BS现金变动? 净收入→留存收益链接?
2. **逻辑合理性**：收入驱动因素? 毛利率趋势? 费用率假设? 运营资本匹配?
3. **常见错误排查**：硬编码? 引用错误? 场景残留值? 循环引用?
4. **敏感性建议**：哪3个变量对估值影响最大?
逐条回复，指出具体问题和修改建议。
1. **会计恒等式检查**：A=L+E? CF变动=BS现金变动? 净收入→留存收益链接?
2. **逻辑合理性**：收入驱动因素? 毛利率趋势? 费用率假设? 运营资本匹配?
3. **常见错误排查**：硬编码? 引用错误? 场景残留值? 循环引用?
4. **敏感性建议**：哪3个变量对估值影响最大?
逐条回复，指出具体问题和修改建议。
五、估值论证：多方法交叉验证
估值是投资研究的"最后一公里"——前面所有的分析和建模，最终都要汇聚到一个问题上：这只股票值多少钱？
| 估值方法 | AI 能做什么 | 你必须做什么 |
|---|---|---|
| 可比公司法 Comps | 自动抓取交易倍数、统计均值/中位数 | 判断可比性、选择倍数类型、解释溢价/折价 |
| DCF | 协助搭建模型结构、检查折现率合理性 | 预测自由现金流、确定 WACC、设定终值 |
| SOTP 分部加总 | 分别对各板块估值、处理协同效应 | 判断分部合理性、确定各板块合适方法 |
#8
可比公司估值分析
估值论证
完成 [目标公司] 的 Comps 估值分析：
1. 确认可比公司集合
2. 倍数计算（EV/EBITDA、EV/Revenue、PE NTM 等）
3. 统计分析（Mean/Median/25th/75th/Trimmed Mean）
4. 溢价/折价分析：为什么有溢价或折价？合理吗？
5. 隐含估值：按中位数/75th/25th 给出三种 Target Price
一步步展示计算过程，不要跳步。
1. 确认可比公司集合
2. 倍数计算（EV/EBITDA、EV/Revenue、PE NTM 等）
3. 统计分析（Mean/Median/25th/75th/Trimmed Mean）
4. 溢价/折价分析：为什么有溢价或折价？合理吗？
5. 隐含估值：按中位数/75th/25th 给出三种 Target Price
一步步展示计算过程，不要跳步。
#9
DCF 假设压力测试
估值论证
我对 [公司名] 做 DCF 估值，以下是我的核心假设，请做压力测试：
当前假设：收入CAGR X%、长期增长率 X%、WACC X%、EBITDA Margin X%、Capex/Rev X%
请完成：
1. **假设合理性检查**（vs历史/管理层指引/共识预期）
2. **单因子敏感性**（±100bp/±200bp 对股价影响 + 敏感性矩阵）
3. **情景分析**（牛市/基准/熊市 三种隐含股价）
4. **反向推导**（当前股价隐含的增长率和 Margin 是否合理？）
5. **红旗检查**（不现实假设？终值占比过高 >70%？）
最后回答：安全边际有多大？
当前假设：收入CAGR X%、长期增长率 X%、WACC X%、EBITDA Margin X%、Capex/Rev X%
请完成：
1. **假设合理性检查**（vs历史/管理层指引/共识预期）
2. **单因子敏感性**（±100bp/±200bp 对股价影响 + 敏感性矩阵）
3. **情景分析**（牛市/基准/熊市 三种隐含股价）
4. **反向推导**（当前股价隐含的增长率和 Margin 是否合理？）
5. **红旗检查**（不现实假设？终值占比过高 >70%？）
最后回答：安全边际有多大？
六、完整工作流 SOP：从零到 Initiation Report
好了，前面说了这么多散落的方法和模板，现在把它们串成一条线。这是我目前实际使用的AI 辅助投资研究 SOP：
Day 1-2行业研究 + 信息收集🤖 AI 主力
- Prompt #1 行业全景扫描 → 得到框架
- Prompt #2 趋势深度挖掘 → 找到关键变化
- 人工补充：读 2-3 份深度行业报告 + 专家电话笔记
Day 3-4竞争分析 + 护城河评估🤝 AI + 人 各半
- Prompt #3 可比公司矩阵 → 基础数据表
- Prompt #4 护城河评估 → 定性分析初稿
- Prompt #5 市场份額测算 → 量化竞争地位
- 人工：管理层 IR 会议纪要 + 渠道反馈
Day 5-7财务建模👨💻 人为主力 + AI 校验
- 手动搭建 3-statement 模型骨架
- Prompt #6 财报数据提取 → 填充历史数据
- Prompt #7 模型逻辑审查 → 查错补漏
- 人工：设定核心预测假设
Day 8-10估值论证 + 投资论点👨💻 人为主力 + AI 辅助
- 手动完成 DCF + Comps + SOTP
- Prompt #8 可比公司估值 → 交叉验证
- Prompt #9 DCF 压力测试 → 安全边际测算
- 人工：撰写 Investment Thesis + 风险 + 评级
Day 11-12报告撰写 + 内审✍️ AI 辅助写作 + 人终审
- 起草完整报告 + Partner/MD review
时间分配对比
信息收集-75%
12h
3h
竞争分析-50%
8h
4h
财务建模-33%
12h
8h
估值论证-33%
6h
4h
论点撰写-25%
6h
4.5h
💡规律：越往后面的环节，AI 的辅助效果递减。前端的信息处理是规则明确的（提取数据、生成表格），后端的判断和论证需要经验和直觉。
总计：44h → 23.5h，整体节省 47%
总计：44h → 23.5h，整体节省 47%
七、几个真心话
1. AI 最大的价值不是"替你想"，而是"帮你排除错误选项"
做过投资的人都知道，亏钱往往不是因为想错了，而是因为没看到某个风险。AI 在帮你扫描大量信息时最大的贡献是让你少犯"信息遗漏"的错误。比如我在一次竞争分析中，AI 提醒我注意一家之前没纳入视野的欧洲竞品——后来去查，发现那家公司刚刚拿到一个大客户合同。
2. 三个 AI 的分工
| 任务 | 首选 | 理由 |
|---|---|---|
| 读长文档 / 交叉引用 | Claude | 不容易"串"，会说"我不确定" |
| 读图 / 截图识别 | Gemini | 原生多模态，图表理解最好 |
| 快速搜索 / 生态整合 | ChatGPT | 插件最多，联网最快 |
| 写代码 / 回测 | Claude | 会主动提醒逻辑漏洞 |
| 行业框架搭建 | Claude > GPT | GPT 容易"顺着说" |
3. 什么时候不该用 AI
- 当你已经有强烈观点的时候 —— 让 AI 验证偏见是最危险的事
- 处理内幕信息 / 未公开材料 —— 别把非公开数据喂给 AI
- 需要"手感"的判断 —— 读管理层语气判断诚信度，AI 做不到
- 最终买入/卖出决策 —— 这个责任只能在你自己手上
4. 效率提升之后的真正问题
当你把研究时间从 60 小时压缩到 23.5 小时之后，你会发现一个新的问题：省下来的 36.5 小时拿来干什么？
我的答案是：花更多时间在想"为什么"上。以前 60 小时里有 40 小时在"搬数据"，只有 20 小时在真正思考。现在反过来——用 10 小时高效搞定数据处理，剩下全部用来思考投资逻辑、做情景推演、跟管理层和专家深入聊。
这才是研究员该有的时间分配。
📌 总结：即拿即用的 Prompt 清单
#1
行业全景扫描
5分钟得框架
#2
趋势深度挖掘
理解变化方向
#3
可比公司矩阵
竞对数据对比
#4
护城河评估
巴菲特框架
#5
市场份额测算
TAM/SAM/SOM
#6
财报数据提取
PDF→Excel
#7
模型逻辑审查
三表勾稽检查
#8
Comps 估值分析
隐含TP测算
#9
DCF 压力测试
安全边际评估
如果你也在用 AI 做投资研究，欢迎交流踩坑经验 🙌
算力炼金术 · AI × 金融实战 · 未经许可禁止转载
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
