AI赋能资产配置（二十八）AI、分析师与交易员殊途同归与优势互补

AI、分析师与交易员：殊途同归与优势互补 策略研究·策略快评 证券分析师：王开021-60933132wangkai8@guosen.com.cn执证编码：S0980521030001 证券分析师：陈凯畅021-60375429chenkaichang@guosen.com.cn 执证编码：S0980523090002 事项： 本报告通过复盘2023年10月17日“美国升级芯片出口管制”这一极端情境，呈现了AI、分析师与交易员在信息摄取、逻辑推演与决策执行三大环节上的根本分野：这是三种认知体系在时间尺度、信息维度与风险哲学的根本错位。正是这种错位，让AI在资产定价体系中与投资人形成互补，而非替代关系。 在信息层面，AI以毫秒级速度抓取关键词并匹配历史模式；分析师从监管条款与产业链调研切入，试图理解政策意图与供需格局；交易员则盯着盘口与流动性缺口，判断是否出现非理性踩踏。相同的信息，在三套感知系统中被解读成三种不同信号。 在推演层面，AI依赖相关性，用旧样本预测未来；分析师构建因果链条，通过情景推演寻找新的价值锚；交易员关注预期差，在情绪错杀与反身性中寻找赔率。同一事件在三者眼中生成三种未来：AI看到惯性延续，分析师看到长期逻辑，交易员看到反转契机。 在执行层面，AI遵守纪律，触发风控即自动撤退；分析师强调确信，在基本面不变时敢于左侧逆势加仓；交易员强调机动，用极快止损与反手实现日内波动最大化收割。三者的决策方式共同解释了市场在重大冲击下为何会出现剧烈反转与观点分歧。 案例表明，AI无法替代人类：它难以识别结构性断裂，缺乏二阶思维与博弈直觉，也难以理解政策语境与软信息。AI擅长在既定范式下做最优解，而人类负责判断范式是否正在改变。因此，未来最有竞争力的不是AI×分析师×交易员的合作体系：AI提升信息密度，分析师提供结构洞察，交易员给出实盘反馈。 解读： 1.背景介绍： 在当今全球金融市场，一场关于认知主导权的战争早已打响，且战况惨烈。我们必须承认一个令人不安的事实：市场参与者的结构已经发生了根本性断裂。那些曾经被视为金融精英护城河的领域——信息搜集、初步逻辑推演甚至基础的代码编写，正在被AI以毫秒级的速度和近乎无限的算力无情吞噬。对于从业者而言，焦虑并非来自技术进步，而是来自角色模糊。当大模型能在几秒钟阅读完一万份财报并生成摘要时，人类分析师的价值在哪里？当量化算法不仅能通过价格信号交易，还能理解新闻情绪进行抢跑时，人类交易员的生存空间还剩多少？这并非一场零和博弈的终局。正如我们所见，算力可以暴力破解概率，却无法计算人性与地缘政治的非线性博弈。 为了厘清这场迷局，本报告将目光回溯至2023年10月17日。当日，美国商务部突然升级对外半导体出口管制，直接导致英伟达特供版芯片（A800/H800）遭到禁售。我们复盘这24小时，通过剖析AI、分析师与交易员三类主体在应对外部时刻的认知差异，试图回答在AI时代，投资分析师和交易员在资产配置中的认知Alpha究竟栖身何处？ 2.以“芯片禁令”下的英伟达为例看AI和HI异同 2023年10月17日，美股盘前拜登政府突然更新对外出口管制规则，美国商务部进一步收紧AI芯片出口门槛，将原本作为合规替代品推出的英伟达A800/H800纳入限制清单，市场瞬间将其解读为对全球AI基础设施供给链的一次“硬刹车”。英伟达盘前一度跌近7%，开盘后15分钟级别的K线在恐慌与博弈中剧烈拉扯，成交量成倍放大，海外的新闻标题密集刷屏，算法在头条关键词和历史模式上快速给出“减配中国AI敞口”的机械反应，而此时分析师还在飞速研读监管条款细节，交易员则被迫在真实基本面冲击与短期情绪错杀之间，做出极其艰难的盘中判断。 资料来源:Wind，国信证券经济研究所整理 资料来源:Wind，国信证券经济研究所整理 第一部分：信息摄取与反应维度（速度vs.语境vs.盘口） 当“黑天鹅”新闻弹窗的那一刻，三类视角的处理机制截然不同：AI看关键词和历史统计，在毫秒级内给出机制化反应；分析师去翻监管全文和产业链笔记，试图弄明白这一次到底改变了什么；交易员几乎不看文件，而是盯着盘口和委托簿，判断当下是恐慌踩踏还是错杀出清。 资料来源:FederalRegister，国信证券经济研究所整理 资料来源:彭博，国信证券经济研究所整理 当同一条外部消息落在不同主体手里，走的却是完全不同的处理链路。AI像一套高速但刻板的条件触发系统，只要关键词和历史样本匹配，就会在毫秒级给出统一方向的机械反应；分析师则站在供需与监管语境的层面，试图回答“这件事实质上改变了什么”，因此可能得出与盘中价格截然不同的判断；交易员则几乎完全活在盘口和情绪里，关注谁在被迫砍仓、谁在悄悄接盘。正是这三条路径的错位，让同一事件在价格、观点和仓位层面产生丰富的博弈空间，也构成了优势互补的基础。 第二部分：核心逻辑与推演框架（相关性vs.因果性vs.预期差） 当最初冲击波过后，市场参与者必须从瞬时反应阶段进入更深层次逻辑推演，以预测股价后续走势。在这个阶段，AI、人类分析师和专业交易员的认知框架差异被进一步放大：AI偏好统计学上的相关性与模式延续；人类分析师致力于构建复杂的因果链与情景预判；而交易员则在市场预期与资金行为中寻找博弈机会。这种深层逻辑的差异，最终决定了在所谓的“10.17禁令”事件后对英伟达走势的不同判断与操作策略。 资料来源:Manus，国信证券经济研究所绘制 可以看出，AI更擅长给出统计上悲观的答案：只要历史样本里，类似事件之后大多是先跌一段，它就会倾向于延长这段跌势；分析师则试图回答为什么——监管究竟会怎样改变产品与盈利路径，并通过最坏情景测算来给资产定一个新的底；而交易员关心的是别人怎么想、筹码怎么动，利用预期差和反身性，在恐慌与抄底之间寻找短期赔率。三者并非谁对谁错，而是在不同时间尺度、不同维度上各自抓住了一部分真相，也为资产配置提供了三层互补的决策信号。 第三部分：决策输出与风险偏好（执行黑箱vs.观点确信vs.动态仓位） 在完成对信息摄取和逻辑推演后，真正拉开结果差距的，是“怎么下单、下多大、扛多久”。同一则芯片禁令落地之后，AI像一台按照预设风控框架自动收缩战线的执行黑箱；而分析师调研后，如果确信长期逻辑不变，会选择在全场恐慌时捕捉价格洼地；交易员则完全活在盘中，用不断调仓、反手、减仓的方式，把当日波动压榨到极致。三者的决策输出和风险偏好截然不同。 资料来源:Manus，国信证券经济研究所绘制 可以看到，在决策输出这一环节，AI的关键词是“纪律”：一旦风控模型发出信号，它就会冷静统一地撤退，哪怕事后证明撤得太早；分析师的关键词是“确信”：只有在对长期逻辑足够有把握时，才敢在左侧接飞刀，把短期价格当成噪音；而交易员的关键词是“机动”：不执着于多空方向，只在意当前赔率是否值得出手，通过快速止损把错误的代价压到最小。三种决策与风险偏好叠加在一起，既解释了同一事件下截然不同的仓位变化，也提示我们可以从黑箱风控、基本面信仰、动态仓位的视角来进行资产配置。 3.核心洞察：为什么AI无法完全取代分析师和交易员？ 通过对芯片禁令的案例复盘，我们可以清楚看到：AI的认知方式与人类有本质差异。在资产配置和个股决策层面，纯AI投研至少在三个维度上存在结构性短板： 首先，AI无法处理结构性断裂。AI的能力建立在历史数据上，它天然假设未来会在过去的统计分布内波动。一旦遇到从未在训练集里出现过的新范式，模型就会倾向于用旧世界的经验去解释新世界的变化。历史上制裁、丢大客户的情形往往对应股价杀估值，所以在芯片禁令案例中AI看到的是“出口受限+失去重要市场=需求受损=利空股价”。但分析师看到的却是芯片是稀缺生产资料，全球算力是硬通货；当下的矛盾是供给受限，而不是需求。在全新供需格局下，失去单一市场不等于失去订单，而是订单转移。这就是典型的结构性断裂——历史经验不再可靠。因此，AI擅长在旧框架下做最优解，但当框架发生剧变，只有人类能识别出规则的变化，重新撰写故事背景。 其次，AI缺乏二阶思维和博弈直觉。真正决定收益的往往不是价格的一阶变化，而是其他人如何看待这条信息、以及在什么价位被迫行动——也就是经典的二阶思维。在这个案例中，AI通过新闻和情绪指标，得出“利空→抛压增加→短期偏空”的结论。而在交易员看到这么大的利空砸下来，盘中都没跌破某个关键价位，从而推演认为下面的买盘一定非常强，于是反而选择在恐慌最低点附近反向做多。AI可以度量涨跌幅和情绪指数，但不知道市场在这样的新闻下应该跌多少，当前跌幅是不及预期还是超预期。这种基于预期之上的预期的博弈，来自多年与真实对手盘交手的经验压缩，本质上是一种市场心理学与微观结构的直觉。因此，AI可以看懂消息，但难以理解其他人看完消息之后会怎么想、怎么做，而资产定价的很多拐点，恰恰发生在这种预期差和反身性被触发时。 最后，AI难以理解软信息和模糊边界。对于海外各类政策文件、上市公司管理层访谈等信息，真正有信息含量的往往不在字面，而在语气、留白和不说的话里。这些都是高度依赖语境的软信息，也是AI的弱势。芯片禁令文本中充满法律术语和技术参数，看上去极其强硬，AI容易被字面语气放大恐慌。但也存在各种豁免条款、过渡期安排以及执行弹性空间，如人类分析师会看到，美国政府既要在对外表态上强硬，又要给本国企业留下业务空间，通过技术降配、地区转移、产品重新定义，总会出现一条合规又能赚钱的折中路径。此外，还有管理层在电话会上的闪躲或主动澄清、产业链上下游在私下沟通中透露的打算、政策发布前后相关利益方在媒体上的试探性放风……这些都是无法被结构化记录在数据库中，却累加起来可能产生重要影响的软信息。因此，AI可以逐句读完所有文件，却很难琢磨出监管想卡住什么、又刻意放过什，对这类言外之意的理解，仍是人类分析师的护城河。 综上所述，纯AI投研更像一台高速、稳定但缺乏常识与想象力的计算引擎：它可以大幅提升信息处理效率，却无法在新范式下重新讲清楚故事。真正有竞争力的资产配置体系，一定建立在AI算力和搜索能力之上，叠加人类对结构性断裂、博弈心理和政策语境的判断，也也是AI+分析师+交易员这一高效组合优势所在。 4.行动指南：AI时代人类投研人员如何发挥比较优势？ 在未来，能够存活下来的不是远离AI的分析师，而是把AI驯化成超级助理的超级分析师。最直接的做法，就是把所有知其然的机械性工作外包出去：让模型去秒级抓新闻、梳理公告和财报、对比多期数据、清洗和对齐卫星图、交易流水、信用卡账单这类另类数据，把本来要花大量时间的粗加工工作，几分钟之内做完。而人类分析师要把自己的时间脑力集中在难被替代的部分：为什么这家公司的商业模式在新监管下能站得住脚，为什么同样的增速它值得更高的估值倍数，为什么这位上市公司管理层公开发言市场愿意信。 与此同时，投研角色也需要从信息传递者，升级为观点变现者。过去很多报告用大量篇幅复述发生了什么，这部分工作在AI普及后几乎可以完全自动化；真正有价值的，是在所有人都知道了表面事实和情绪标签后，你能否给出一个结构清晰、逻辑闭环、敢于下注的结论：这是阶段性噪音，还是趋势性拐点，是减配的开始，还是难得的加仓窗口。AI帮助所有人更快看到同一片信息地平线，人的价值在于在这一堆已知事实之上，能否给出定价趋势判断，并愿意用自己的评级甚至业绩去承担结果。 最后，在AI时代仍具备比较优势的分析师，往往具备很强的跨学科整合能力。大模型的知识结构是垂直的，它可以告诉你某个技术怎么实现，某项政策条文如何解读，某组宏观数据的历史统计特征，但把这些碎片串成一个自洽的故事、形成一条从地缘格局到产业演进再到资产定价的因果链，需要人来完成。分析师需要在宏观经济、科技演进、监管逻辑、社会情绪之间来回切换视角，既能理解芯片制程、云厂商资本开支，也能读懂选举周期、产业安全叙事对资本流向的影响。在这样的框架下，AI负责把信息铺满桌面，人类负责做整合与取舍，这一步才是决定长期职业护城河厚度的关键。 风险提示：需警惕AI模