LLM 在投研中的应用边界：一年的内部实践复盘
信息压缩价值巨大，信息创造价值有限：人机分工的纪律
作者 林晓彤 · 发布于 2026-10-14 · 标签：AI 安全、量化策略
一年的内部实践表明：LLM 在信息压缩类任务上价值巨大，在信息创造类任务上价值有限。应将其定位为研究助理，关键数据强制人工复核。
LLM 正在进入投研工作流的每一个环节，但「能做什么」和「该让它做什么」是两回事。本文基于我们团队一年的内部实践，讨论应用的真实边界。
场景评估矩阵
| 场景 | 可用性 | 替代人力的程度 | 主要风险 |
|---|---|---|---|
| 纪要整理与摘要 | 高 | 80% | 幻觉细节 |
| 研报初稿（数据型） | 中高 | 40% | 数据错引 |
| 财务模型搭建 | 中 | 25% | 公式级错误 |
| 投资观点生成 | 低 | <10% | 同质化、无超额信息 |
| 合规与事实核查 | 中高 | 50% | 漏检责任归属 |
规律是：LLM 在「信息压缩」类任务上价值巨大，在「信息创造」类任务上价值有限。而投研的超额收益恰恰来自后者。
一个反直觉的发现
当所有人都用同一个模型写研报时，不用模型的那部分思考才是阿尔法。
我们做过对照实验：LLM 辅助组的生产效率提升 60%，但其观点与卖方共识的相似度也显著上升。工具拉平了「勤奋」的差距，反而放大了「独立判断」的稀缺性。未来的分析师分化，不取决于谁更会prompt，而取决于谁保留了更多无法被模板化的认知环节。
落地建议
把 LLM 定位为「研究助理」而非「研究员」：负责信息吞吐，不负责结论产出。流程上强制「人机分离」节点——所有关键数据人工复核，所有观点必须能回答「模型给不出这个结论的理由」。