投资者如何使用 AI [Business Breakdowns：第 240 集]

摘要

• David Plon——前 Baupost 和 Slate Path 的综合型投资人、现 Portrait Analytics 创始人——认为，AI 应该攻克投资人的信息瓶颈，而不是消除那些帮助投资人建立确信的摩擦。 他列出 3 类目标工作流：想法生成、初步背景搭建和持续监测；对综合型投资人而言，最后一项尤其关键——他曾不止一个财报季因为最后才发现终端市场需求走弱而挨了重击。
• 更广撒网的监测问题，如今是 AI 最具象的一项胜场：它能在持仓生态系统的全部数据之上“加一层聪明的过滤器”。 持有 Expedia 时，你不需要 Marriott 相比 Hilton 的每条新闻，只需要那些能拼出消费者旅行需求、定价、OTA 分销以及市场份额变化图景的数据点；过去这类工作只有专门的行业分析师才有能力完成。
• 买入前的一大优势，是更快杀死投资想法，并把深度分析提前排进研究流程。 5 年代理可比指标的映射，如今在 Portrait 上点击一下按钮即可完成；重建 3-4 年的硬性和软性指引，则能建立管理层可信度画像——一个年年承诺利润率扩张却从未兑现的团队，可以在 12 小时阅读马拉松开始前就终结一项困境反转论点。
• 想法生成既适合捕捉趋势敞口（关税、供应链的二阶影响），也适合编码细腻的心智模型——但难点在于把模型说清楚。 Plon 自己的模型是：此前表现优异的业务在经历一次可能只是暂时的磕绊后被重新估值——“很多时候更像是一种感觉，对吧？你看到它就知道。” 真正命中时，他会说：“清空日程，接下来一周我就专门把这件事搞清楚。”
• Prompt 要像写给海外一名聪明的隔夜分析师的邮件：交代背景、任务及原因、输出形式、准则和领域知识，并要求它对一贯正面的管理层评论“保持怀疑”。 需要按任务校准准确率容忍度：“有些任务即使做到 99% 准确，也等于 0% 有用”（比如建模）；而处于初筛阶段的行业调研则可以容忍偶发错误。
• 把约 15% 的时间花在实验上：保留一套模型尚不能稳定完成的 10 项任务，每次新版本发布都重新跑一遍，因为能力前沿“相当不平滑”。 使用原始模型时，不要把上下文窗口塞得过满；用到约 70% 时，“任何复杂任务都会出现性能下降”（Gemini 约 1M tokens、GPT 约 400K、Claude/Opus 约 200K）。
• 复利式押注在于现在就记录思考、决策和研究，因为模型的价值“会随着上下文数量增加而呈指数上升”；但日常采用必须自下而上，不能只靠强制推行。 Plon 短期内对记忆功能偏悲观，认为相较于直接粘贴上下文，它“有点像走捷径”；但长期看，他设想模型能够“经历一家公司每一笔投资”。代理式研究正沿着 coding 的路径前进——“这个 buzzword 背后的实质，可能比 1 年前多得多。”

精读

1. 从投资人到产品构建者：瞄准信息瓶颈，而非确信

• Plon 的职业路径始于 Barclays 特殊机会投资业务，随后在多空基金 Slate Path Capital 担任综合型投资人，之后进入 Baupost 的公开市场团队，覆盖股票和困境债务。这个念头可以追溯到他 2015-2017 年在斯坦福商学院读书时：深度学习“在当时非常符合时代潮流”，虽然 Transformer 尚未出现，但 AI 用于研究“似乎只是迟早的事”。
• 他坚持区分研究过程与研究产出：研究的产出“希望是一项高质量决策”，而有些摩擦本身会建立确信——“我永远不可能真正把建模外包出去”。因此，AI 应该被用于那些受每日时间限制的环节，而不是替代那些通过艰难过程建立归属感的工作。
• 他将工作分为 3 类：想法生成——任何时候可能都有几十个处于甜蜜点的想法，但很难知道自己到底在研究哪一个；作为综合型投资人搭建初步背景——掌握行业运作方式属于“基本门槛”；以及持续监测客户、供应商和竞争对手组成的周边生态系统。

2. 监测：覆盖整个生态系统的智能过滤器，而不只是盯着股票代码

• 监测单一标的已经有很多成熟方案，真正的突破在于面对更稀疏的信息流“撒更大的网”，寻找相关数据。以 Expedia 为例，投资人并不关心 Marriott 的门店增长相对 Hilton 如何，只关心那些能够拼出消费者旅行需求、定价、OTA 分销策略和市场份额变化图景的数据点。过去“没有一个聪明的过滤器覆盖所有这些数据”，而 AI 让这件事简单得多。
• Matt 以自己做运输分析师时的经历印证了这一点：周四深夜，别人都在曼哈顿享受欢乐时光，他还在 CPG 电话会文字稿里按 Ctrl+F 搜索运费成本相关表述。

3. 买入前工作：更快杀死想法，把深度研究提前

• Plon 对自己投资工作的年终复盘是：真正进入深度研究的想法“少得惊人”，其中很多本来可以更早被淘汰——在投入“12 小时读完所有历史材料”之前，致命风险或可比公司错配就已经能够浮现。
• 被提前拉到买入前的分析主要有两类：可模板化的筛选，包括 5 年代理可比指标映射、激进收入确认风险标记；以及模式搜寻——重建 3-4 年的硬性与软性指引（比如“我们预计收入将在下半年某个时候加速”），以刻画管理层可信度。如果一家困境反转公司的管理层连续 3 年承诺利润率扩张，却一次都没有兑现，“这或许就足以杀死这个想法”。
• 值得保留的细节是：Bloomberg 筛选器可能显示管理层“每个季度都超额完成指引”，但深入查看会发现，Q1 给出的全年指引在之后一整年里不断下调——“你可能应该给管理层说的话打个折”。Matt 提供了另一面：把所有坏消息一次性塞进某个季度，有时“可能更好”，胜过连续不断地下调指引。

4. 想法生成：把“一种感觉”变成查询

• 第一种模式是捕捉趋势敞口：关税首次宣布时——“我想应该是去年 4 月”——投资人会问，哪些公司的供应链主要位于美国，而竞争对手的供应链则分布在国际市场。AI 擅长这种二阶映射，现代模型还拥有大量关于哪些公司可能受到影响的世界知识。
• 第二种模式更难：把细腻的心智模型编码进去。Plon 自己关注的是，曾经表现优异的业务遭遇某种磕绊，例如宏观问题、糟糕的产品周期或执行混乱，市场随之重新定价这项业务。逆风可能只是暂时的，但“无论是不是暂时的， headline numbers 看起来都会很糟”。
• 真正的障碍在于表达：有些投资人可以列出 A、B、C 等属性，但“很多时候更像是一种感觉”。Portrait 会从交易历史和机构语境倒推，定义“对你而言，10 分想法是什么样”。一旦奏效，“这个行业里很少有比这更令人兴奋的感受……我会清空日程”。

5. Prompt：像写邮件给海外的聪明分析师

• 即便有效的 prompting 每 3 个月都在变化，最持久的心智模型仍然是：把邮件写给一个聪明、正在海外熬夜工作、但不了解你背景的人。邮件应包括背景、任务及其原因（“因为我认为成本曲线可能正在变化，所以请把它建出来”）、可选的输出格式、任务准则和领域知识。
• 有时应该不提供输出规格：限制格式可能损害结果，就像给人类分析师布置任务时，也要“把绳子放松一点”，给他留出创造性综合的空间。
• 他最喜欢的一句领域经验是：管理层评论“总是带有正面偏见……保持怀疑非常重要”。这是必要的，因为有用性训练会把模型推向乐观，就像“一个热切的大学生，既兴奋又相信一切都会向好”。
• 需要根据任务 stakes 和结构校准标准：“如果你做到 99% 准确，也等于 0% 有用”，这适用于建模等高精度任务；早期初筛式调研则可以容忍偶发的事实错误。结构化任务应上传文件，因为现成的网络抓取并不完美，可能产生幻觉；探索型任务则要指示模型“沿着线索继续挖，追踪潜在线索”。此外还要持续迭代：Matt 指出回复即时、查询成本近乎为零，Plon 则把这个过程称为“一场双向舞蹈”。

6. 把能力视为一条崎岖且不断移动的前沿

• 把约 15% 的时间用于实验，因为能力前沿上存在“你可以远早于他人发现并拿到手的未发掘能力”。Plon 每次新版本发布，都会重新运行一套模型尚不能稳定完成的 10 项任务，以衡量这次跃迁并重新标定能力边界；一旦某项任务——比如成本曲线——变得可行，就保存模板并复用于研究流程。
• Matt 自己做过一项 prompt 实验：逐步提高同一 prompt 的具体程度，观察输出如何随问题顺序和上下文加载而变化。这项技术“没有多少按钮会告诉你：哦，现在这是四轮驱动模式”。
• 过去大约 1 年，Gemini、GPT 和 Opus/Claude 的上下文窗口大小基本没有变化，分别约为 1M、400K 和 200K tokens，但使用效果有所改善。模型过去能够在海量材料中找到“藏在干草堆里的针”，却难以跨 5 份 10-K 建立“三表模型”。在 Portrait 或 NotebookLM 这类托管工具里，Plon“基本不会刻意控制输入量”；但对原始模型而言，使用约 70% 的上下文窗口就可能导致复杂任务性能下降。

7. 复利式押注：现在记录，让代理慢慢到位

• “你必须使用某某工具”之类的自上而下指令可能适得其反。有效的做法是推出不要求强行改变流程的全公司项目：定制化想法生成筛选器像“外包分析师”一样运行，投资论点则可以从股票代码出发进行监测；至于日常使用，应当逐个人、由下而上地建立信任。
• 体育分析带来的启示是，模型的价值“会随着上下文数量增加而呈指数上升”。因此，记录交易为何发生的备忘录和短段落会成为有价值的知识产权——“很难想象 2-3 年后，仍有任何一条数据没有被纳入一个处于基金语境中的模型”。Matt 分享了自己的入职经历：追踪正在浮现的 Amazon 威胁的快速财报后短评，比经过精心打磨的买入和卖出备忘录教会他的东西更多。
• 关于记忆功能，他给出了坦诚的保留意见：短期看，它只是重复输入上下文时“有点像走捷径”，相较于直接粘贴内容，他“有点悲观”；但长期看，他设想模型能够“经历一家公司每一笔投资”，吸收优秀投资人直觉判断背后的经验和“伤疤”，最终可能比任何单个人类都更强大。他提出的 AGI 测试是：“它能预测未来吗？”
• 代理式 AI——围绕一个目标进行推理、反思、采取行动，再反思这些行动——已经从 buzzword 变成了可运行的系统。Portrait 最初的 GPT-4 agent 需要约 30,000 token 的系统提示词，因为它无法可靠地自我纠错；如今 Claude Code 和 Codex 已经可以被放置数小时而不受干预。代码是最理想的试验场：上下文局部明确，而且“代码要么能运行，要么不能运行”。底层的迭代式推理能力如今已经可用，把它迁移到投资研究仍是工程问题——“归根结底就是工程工作”。