Fintool 的 Nicolas Bustamante 谈如何用 AI 提升投资能力

摘要

• Bustamante 认为，投资流程中杠杆最高的建议，是把投资过程拆成明确任务，再决定“哪一项可以交给 AI？” 上一季度的备忘录可以成为下一次业绩更新的模板；筛选也可以把常规估值条件与电话会逐字稿层面的条件结合起来，包括创始人主导、CEO 提到未来回购、账上有可用于回购的现金，以及过往曾在内在价值以下回购。

• AI 当前给投资者带来的优势，是以足以把一天工作压缩到几秒或几分钟的规模完成检索与综合。 Walker 的例子包括搜索约50份 Caesars 电话会逐字稿，寻找收购相关评论，以及整理长达10年的餐饮同店销售数据；Bustamante 则把能力阶梯从单家公司 KPI 提取，延伸到同业比较和全市场定性加定量扫描。下一步突破在于“离线运行和并行化”：同时提出数百个问题，让研究在夜间持续推进。

• 可持续的人类价值将从产出分析，转向设计、质疑和判断分析结果。 Bustamante 说，AI 已经从编写其团队5%–10%的代码，发展到实际上承担100%；他预计金融业也会沿着同一路径发展：覆盖50只股票的分析师，未来可能覆盖100只，同时处理更复杂的工作。稀缺能力将变成“品味”、模式识别、工作流设计，以及对最终下注负责，而不是机械式总结。

• 集中投资之所以仍难被 AI 取代，是因为市场呈厚尾分布，而真正的赢家往往看起来与一个理应归零的标的没有区别。 Carvana 同时背负杠杆、基本面恶化、治理问题、关联方交易和做空研究；Tesla 则既可以被描述为一家市值高于全球汽车业的汽车制造商，也可以被描述为 Elon Musk 进军完全不同业务的期权。“所以必须有人类在环路中”：基准率模型可以给一篮子股票排序，但一只持有10只股票的基金必须选出那个异常的幸存者。

• 信任建立在受限信息源、引用和核验上，而不是模型的语言流畅度。 Bustamante 称 SEC 披露文件是“终极真相来源”，并表示 Fintool 在 FinanceBench 上的准确率约为98%，ChatGPT 约40%，Perplexity 为50%多；他还说，更广泛的网页检索必须逐条核验事实后才能纳入答案。一次幻觉或错误的稀释后股数，就可能让 PM“失去信任”。

• 把提取工作交给 AI，并不必然牺牲学习，只要投资者有意识地把手工注意力移到更高层。 Walker 的折中做法是让 AI 总结多年高管薪酬和同业数据，自己再阅读最新的 proxy；在一次 Chipotle 分析中，跨公司比较会揭示一条被埋没的条款：当业绩达到目标的200%时，薪酬以 RSU 而非现金支付。AI 也可以监控不断变化的 14A 指标，并尝试捕捉非周期性的 Form 4 授予；不过 Walker 的实验中，20条 Fintool 结果只有4或5条有效案例。

• Bustamante 认为当前市场的 AI 采用率差距很大，而 Walker 担心 AI 最终会变成标配。 一些大型机构仍禁止使用 ChatGPT，而圣路易斯的 Kennedy Capital 被描述为已经深度启用 AI。Walker 更悲观的结论是，不使用 AI 的人可能会“被市场彻底碾压”，使用者也只是跟上步伐，因为市场会变得更有效率。

精读

1. 把工作流拆解，聊天机器人才能变成分析师

• Bustamante 开场给出的建议是流程化的：把从产生想法到投资或否决的完整路径，拆成大约50项具体任务，然后问自己：“哪一项可以交给 AI？”许多基金其实已经有这张流程图，因为它本来就用于培训初级分析师。

• 对于一份季度 Home Depot 备忘录，系统可以读入 Q3 范例，再读取 Q4 业绩电话会、10-Q、新闻稿和 8-K，复刻既有结构并提取所需数据。在卖方场景中，分析师审核结果、补充摘要或结论、维持或调整目标价，然后快速发布。

• 对冲基金备忘录的标准化程度更低：相关模板可能因公司、行业、PM 和投资逻辑而异。一套押注利润率承压的逻辑，可能要求检索通胀表述和特定经营指标，因此真正有价值的输入不是一份通用备忘录，而是投资者自己过去写过的范例。

• 筛选场景说明了任务定义为何重要。传统筛选条件可以设为市值低于100亿美元、市盈率低于30倍；AI 则可以加入创始人主导、管理层回购表述、资产负债表的回购能力，以及过往回购是否发生在内在价值以下，再对筛选出的机会排序。

2. 个人模式匹配，需要的不只是小规模投资组合

• Walker 一直没能顺利上传一套成功的投资逻辑，让 AI 寻找相似想法，或拿今天的投资组合与自己历史上的赢家和输家比较。Bustamante 认同这“极其复杂”：Fintool 只把这类任务作为大型企业项目处理，需要接入投资组合、覆盖股票池、内部备忘录、股价数据和 SharePoint 信息。

• 数据稀疏的问题尤其尖锐。一位持有8只股票、平均持有2年的集中型管理人，平均每季度大约只有一笔新投资，这与 Renaissance 海量交易流完全不同；样本可能少到不足以让 AI 区分真正的能力和一个偶然的赢家。

• Bustamante 的反驳是明确的：只要拥有足够多的 SEC 披露文件、电话会、业绩演示、专家网络逐字稿、内部标准和背景数据，语言模型最终就能像机器征服定量投资那样，搜索定性机会。“我100%确信这一定会发生”，但市场也会因此变得更有效率，alpha 更难获取。

• Fintool 的起点来自 Bustamante 听到 Buffett 描述自己的方法：扫描小盘股，阅读一册日本公司资料，寻找哪些企业和管理层真正具备投资价值。他的前提是，这种过去依赖人类、且带有部分定性判断的评估，如今已经可以被机器读取。

3. 分析师的工作从产出转向统筹

• Bustamante 用软件开发作类比，而且刻意把话说得很激进：AI 最初只能写出团队5%–10%的代码，而且代码漏洞百出；随后提升到30%、50%，现在实际上已经达到100%。他的结论是，“AI 是全球最好的软件工程师”（“AI is the best software engineer on the planet”），这意味着金融行业的角色将更接近架构师或“元思考者”。

• 在大型银行，负责用标准化语言总结10-K的初级员工会直接暴露在冲击之下。更积极的版本是，一名覆盖50只股票的分析师可以覆盖100只，或者围绕 Chipotle 加入5家相关同业，做出更丰富的研究，而不是再写一份关于通胀的基础报告。

• Walker 思考，具身化的“侦探式”工作是否会成为新的优势：参加一次加盟商会议，感受到现场士气只有3/10，再把这一观察与股价中隐含的7/10预期进行比较。Bustamante 承认，专有数据永远有帮助，同时预计未来系统也能分析管理层视频，识别兴奋或担忧等情绪模式。

• 公开定性数据仍未被充分利用。Bustamante 说，在 FinChat 时，他们曾下载长篇播客，让 AI 从中提取与投资者相关的资本开支、产品发布、竞争对手，以及 LLM 是否正在商品化等讨论；一名科技 PM 不可能手工听完每一场4小时或6小时的访谈并完成同样的提取。

4. 并行化与离线代理可能颠倒研究流程

• 今天的能力阶梯，起点是一张带来源的数据表——例如过去8个季度每季度新开的门店数量——随后扩展到5家公司 KPI 比较、管理层评论，以及融合调整后财务指标和定性标准的全市场扫描。Bustamante 说，规模最大的查询可能需要运行20–50分钟。

• Walker 把自己的使用方式称为“超级 Google”（“super Google”）：Fintool 在30秒内搜完 Caesars 多年的收购相关评论，而不是让他花一天时间；AI 也能快速整理 Wendy’s、McDonald’s 和 Burger King 的同店销售历史。这些功能很有用，但他追问：它究竟如何让自己变得更聪明，而不只是更快？

• Bustamante 给出的第一个答案是并行化。投资者不必依次提出5个入门问题，而可以一次要求 AI 完成100或200份分析：商业模式、公司如何赚钱、财务状况、估值、CEO 薪酬和同业基准比较。

• 更大的变化来自离线工作。一旦代理理解投资者偏好现金充裕的公司、已证明的资本配置者、潜在分拆，或从竞争对手公司空降而来的 CEO，它就可以从19:00工作到次日9:00，评估护城河和管理层，主动推送候选标的，并从投资者反馈中学习。

5. 长期 AI 回测会被事后信息污染

• Walker 问，20年的成功投资经验，是否会为一名刚满21岁的初学者构筑护城河。Bustamante 指出，任何人都可以研究 Apple 或 Coca-Cola 这样的历史赢家，但 Walker 对 Philip Morris 的挑战暴露了问题：品牌、成瘾性、分销网络和低市盈率看起来都很有吸引力，可政府行动完全可能摧毁其股权价值。

• Walker 认为，一套有用的定性系统需要当时的背景，而不只是最终结果：当时的新闻、主流叙事、政策表态、专家观点，以及投资者在那个时点本来能够知道什么。只有拥有这套周边信息，它才可能判断关税恐慌究竟意味着企业确实受损，还是“Mr. Market”陷入非理性。

• 回测在结构上仍然薄弱。一套持有8个仓位、每个仓位持有3年的投资组合，20年里只有约51个观察样本；而现代 LLM 早已知道任意历史截点之后发生了什么。即使提示它忽略 Apple 的未来，也无法抹去这部分知识。Bustamante 认为，短周期新闻交易比证明一套持有10年的集中投资策略更可行。

6. 把委托提取工作转化为更高层次的学习

• Walker 最强的反对意见是，手工搭建模型本身会带来理解：输入5%的收入增速，再看它如何传导至各张财务报表，能学到现成 spreadsheet 无法提供的东西。Bustamante 接受这一风险——“手工工作做得越多，学到的东西就越多”——但他认为，提取数据已经不是正确的学习前沿。

• 他们的折中方案是分层工作：让 AI 总结5年的薪酬数据并对同业进行基准比较，再手工阅读目标公司的最新 proxy；投资者带着历史背景进入分析，同时仍然直接处理决定当前投资逻辑的那份文件。

• 在 Chipotle 的例子中，一名客户手工拆解了一笔约200万美元的现金激励，其中75%与公司业绩指标挂钩，而这部分的40%与同店销售额、现金流利润率等指标相关。Bustamante 说，若比较5位 CEO，系统就会标出一条被遗漏的脚注：如果业绩达到目标的200%，剩余薪酬将以 RSU 而非现金支付。

• Bustamante 描述过一项分析：扫描连续多份 14A 文件，寻找激励指标的变化——例如净利润在公式中的权重从50%降至10%——再测试这种变化是否与业绩恶化同步出现。Walker 补充说，非周期性的 Form 4 授予也可能成为利好消息即将出现的信号，但他承认当前提取结果噪声很大。

7. 厚尾分布让人类判断仍不可或缺

• 一份 Fintool 关于 Carvana 的演示很容易就找出了看空证据：杠杆、业绩恶化、由创始人父亲经营的关联公司向 Carvana 放贷，以及 Hindenburg 报告和其他做空研究。Walker 说，按照这组事实，基准判断会是股权归零。

• Bustamante 的回答不是事后确定性，而是不确定性：Carvana “可能本来就是一个归零标的”，也可能最终仍会归零，但股价上涨却可能让空头遭受毁灭性打击。金融市场是“厚尾分布”，当判断错误需要付出代价时，“你可能在1秒内犯错，然后游戏结束”。

• 量化投资者可以做空一只由 AI 识别出的风险标的一篮子股票 ETF；但一名持有10个仓位的集中型多头投资者，无法依赖篮子组合的最终结果。因此，Bustamante 仍坚持由一名高薪聘用的人类投资者对洞见和下注负责，即便 AI 几乎完成全部前期分析。

• Tesla 让这种叙事冲突变得直观。Walker 将约3000亿美元的全球汽车产业与约1万亿美元的 Tesla 对比，而多头叙事则是“Elon Musk 正带我们登月”；Bustamante 说，估值还需要判断 Musk、监管积分、Optimus 机器人，以及拟议中的 NVIDIA 竞争产品。仅靠算术无法调和这些故事。

8. 控制信息源，是建立投资者信任的前提

• Bustamante 说，一名大客户最初放弃 Fintool，转而使用 ChatGPT；约3个月后，该客户意识到 ChatGPT 会持续产生幻觉。在 FinanceBench 上，他给出的准确率大致为：Fintool 98%、带搜索的 ChatGPT 40%、Perplexity 50%多；这些是他在对话中陈述的数字，并未在节目中独立核验。

• Fintool 的路径是先把披露文件做到极致，作为“终极真相来源”，然后再加入投资者演示、业绩电话会和 YouTube 逐字稿。网页搜索原计划在2周内上线，但每一条检索到的事实都必须先经过核验，才能进入答案。

• 商业标准没有容错空间：返回一条幻觉信息或错误的稀释后股数，就是“让客户失去信任的最佳方式”。这也解释了为什么金融检索产品可能显得缓慢——答案要先经过多轮来源追踪和验证，才能交到 PM 手中。

• 上传文件在数据确实私有时价值最大：内部备忘录、Excel 文件、卖方研究、专家电话，或录制的管理层谈话。公开资料同样可以帮助聚焦模型；Bustamante 提到 SemiAnalysis 关于液冷数据中心的研究，以及 Abilene 站点将 GPU 数量从10万张扩大到接近20万张的背景，这些都能用于判断未来 GPU 需求。

9. 更好的输入与持续好奇，仍是人类优势

• 私有数据的加入不会自动消除偏见。Walker 发现，ChatGPT 更偏向由6份上传文件代表的法律一方，而不是由5份文件代表的另一方；管理层逐字稿同样往往偏多头，因为 CEO 会强调转型和降本。Bustamante 的办法是优先看数字、比较多场电话会，并以同业为基准，而不是简单给高管措辞打分。

• 对于录音电话会，Bustamante 认为 Granola 是目前领先的选项之一，可以保留原始逐字稿并生成笔记。他说，最终能否提取更多信息，取决于是否持续提出小问题。

• 最好的提问案例来自 Datadog 的一名投资者关系高管：向一家公司询问它的竞争对手——向 Dollar Tree 问 Dollar General，或向 McDonald’s 问 Burger King——再从回答中推断通胀、库存和管理层自身最关注的问题。Bustamante 的结论是，提出好问题仍然是一门艺术。

• 最后的分歧在于，这项优势还能持续多久。Bustamante 说，工具可能在3个月内彻底改变，并敦促投资者“保持好奇”；一些大型机构仍禁止 ChatGPT，而圣路易斯的 Kennedy Capital 已经高度启用 AI。Walker 担心 AI 会成为“标配”（“table stakes”）：落后者会输得很惨，使用者也只能跟上，因为市场效率提高，回报率持续压缩。