投资的门槛换了 — 一份 AI 原生投资者课程

AI 原生投资者课程 · 第 1 章 / 共 10 章

一句话, 十秒, 几毛钱 API 成本 — 一个 agent 现在能做完以前需要写 300 行 Python、花一整天的投资数据分析. 输出通常比手写的更干净, 还带解释.

这意味着"会写代码"不再是做投资分析的门槛. 门槛搬到了判断: 拿到分析之后, 你能不能看出它是对的、是错的、还是缺了关键的东西.

产出分析和判断分析是两种不同的技能. 大多数投资教育 — 包括本系列最初的版本 — 教的是前者. 这个系列教后者. 十章, 零代码.

这个课程建立在三个论点上

1. 瓶颈换了位置. 写 Python 以前是没有 Bloomberg 的情况下做投资分析的前置条件. 这个前置条件在 agent 学会写 Python 之后消失了 — 不是免费了(token 和 API 调用有成本), 但足够快、足够可靠, 以至于"会写代码"不再是门槛. 新的瓶颈是判断 agent 的输出是不是正确、相关、完整. 这是一种不同于写代码的技能, 大多数人还没有建立过.

2. 新瓶颈需要四个传统投资教育不教的技能. 验证 agent 输出而不是接受它. 追踪自己的信念怎么随时间变化, 防止它们偷偷 drift. 设计把判断密集型任务拆成 agent 可执行的子任务的研究 workflow. 理解金融模型到能判断 agent 的模型是不是在回答错误的问题. 这些不是天赋. 全部可以学. 这个课程教它们.

3. 两件事需要同时学: 投资基本功和 agent fleet 指挥. 如果你不理解 DCF 是什么, 你就没法判断 agent 算出来的 DCF 对不对 — 你会接受它给的任何数字, 而那些数字通常是包装成分析的 consensus 估计. 如果你不知道怎么 delegate、verify、和一支 agent fleet 迭代, 你就没法以有用的速度应用你的理解. 两个技能单独都不够. 这个课程把它们交织在十章里同时教.

1. 瓶颈换了位置, 没有消失

投资教育七十年以来遵循同一个 pattern. 一个人 — 机构分析师也好, 自学的散户也罢, 结构一样 — 读财报, 拉历史数据, 搭模型, 构建 thesis, 决定买什么, 承担后果. 投资者的水平和他在前三步能投入多少精力大致成正比. 每本投资书的架构都建立在这个 correlation 上.

这个 correlation 曾经成立. 然后在大约十八个月里断了.

2023 年, 一篇叫《像程序员一样读 10-K》的文章是有真实价值的. 读者花八小时按步骤走一遍, 能得到一套针对一家公司的评估框架. 2026 年, 同一个读者写一句话给 Claude Code — "读这家公司最近四份 10-K, 标出毛利结构、债务状况和现金流质量上的实质性变化" — 不到一分钟就拿到相当的输出. 输出不总是对的, 但错的时候错得可诊断 — 缺少上下文、数据滞后、假设了 consensus. 这些是可修复的. 八小时的手工流程有自己的错误模式 — 疲劳、确认偏差、跳过脚注 — 更难诊断.

这看起来像效率提升. 不是. 是瓶颈换了位置, 这个区分很重要.

效率提升意味着现有技能变快了. 谁厉害的排序不变. 瓶颈转移意味着旧技能不再是约束, 一种不同的技能取代了它. 排序围绕新技能重新组织.

2026 年, 会写代码或者有 Bloomberg 终端不再是约束. 有 agent 和 API key 的人就能产出基本面分析. 约束现在是: 你能不能看出输出是对的? 你知不知道 agent 的哪些假设该被 challenge? 你有没有一套框架, 能判断 agent 帮你 articulate 的那个 thesis 到底是你自己的, 还是包装过的 consensus?

这些技能和 coding speed 正交. 它们不会因为 agent 变快, 也不会变慢. 它们是一个不同的品类, 而业余投资的所有价值现在集中在这里.

那个具体的对比长什么样

我删掉的三篇课走读者搭了一套管道: 拉价格数据, 取基本面, 把结果 normalize 成 DataFrame, 算一打标准比率, 处理 edge case, 产出 summary. 大约 300 行 Python. 一个认真的读者跟完要花一整个工作日.

同一个读者今天写: "拉 NVDA 最近五年的财务数据, 算标准效率比率, 标出和半导体行业中位数比异常的地方." Agent 不到一分钟给 output — 包括每个异常项的解读 — 花费几毛钱 API 调用. 不涉及 Python.

两个 exercise 背后的投资概念一样: 哪些比率重要, "异常"在 context 里什么意思, 该问什么 follow-up. 交付机制完全变了. 把交付机制当成技能来教的那个课程, 教的是错的东西.

在这个转变里你失去什么

把分析委托给 agent 有真实的成本. 无视这一点是不诚实的.

你自己搭分析管道的时候, 你会对数据产生一种 tactile 的熟悉度. 你会偶然发现东西 — 脚注里一个不寻常的行项, 季度数据的一个 pattern, 两个数据源之间的一个差异, agent 会默默 reconcile 掉的那种. 那种偶然发现是一种真实的 edge 来源, 当 agent 做了这个工作之后它更难复现.

还有一个 echo chamber 风险. Agent 默认走 consensus: 拉 consensus 估计, 用 consensus 折现率, 用 consensus 叙事框定分析. 如果你 delegate 了不 push back, 你拿到的是穿了"原创研究"外衣的 consensus. 你会觉得自己 informed 且自信. 你也会以和所有人一样的方式错 — 在投资里这是最糟的那种错.

这个课程不假装这些成本是零. 它教你怎么 mitigate — 通过 verification pattern, 刻意的 red-teaming, 和跟 agent 输出 argue 而不是接受的习惯. 但 mitigate 本身有成本, 需要你在旧模式里不用花的精力.

主张新模式的论点不是它纯粹更好. 是旧模式的核心要求 — 写 Python 才能拿到分析 — 不再是一个有用的过滤器了. 过滤器搬到了判断, 而这个课程是给那些想 deliberately 而不是 accidentally 建立判断力的人的.

2. 你不再是分析师, 你是 PM

一家中等规模对冲基金的分工:

几个 junior 分析师各覆盖一个 sector 或几家公司. 他们的工作: 读财报, 搭模型, 盯新闻流, 跑 scenario, 产出研究 memo. 他们不决定买什么. 那不是他们的角色. 他们的角色是把证据和论点摆上来.

他们上面是 portfolio manager. PM 读分析师的 memo, 问尖锐的问题, 推回弱的推理, 决定今天更信任谁的工作, 最终做配置决策. PM 很少从头到尾读一份 10-K. PM 的工作是判断: 知道哪个分析师是对的, 哪个在合理化, 哪个在漏东西.

2026 年你可以有一个版本的这种结构. 你的分析师是 agent. 它们全天候工作, 速度是人类 junior 达不到的, 成本是 API 调用. 每个 agent 可以 specialize. PM 是你. 判断是你的.

这个类比在哪里 break

这个类比有用但不完美, 在 gap 上诚实是值得的.

真实的对冲基金 PM 通常有十到二十年的经验. 他们的判断力是通过上千次投资决策建立的, 很多是错的, 有真实的钱压着. 你可能没有那个. 这个课程可以给你框架, 但框架不能替代多年积累的 pattern recognition.

真实的分析师会 push back. 一个好的 junior 分析师会告诉 PM "我觉得你这个地方判断错了, 这是我的数据." Agent 通常不会 push back, 除非你专门设计它这么做 — 即使那样, push back 也比一个有职业激励要做对的人类分析师更软更妥协. Echo chamber 风险是真实的.

真实的 PM-分析师信任是多年校准出来的. 你知道哪个分析师保守, 哪个激进, 哪个在某些 sector 有 blind spot. 用 agent, 你永远在和一支没有持续记忆的新团队合作.

这个类比作为结构性模型依然成立 — 你 delegate 研究, 保留判断 — 但类比和现实之间的 gap 正是大部分错误会发生的地方.

PM 角色需要的四个技能

这些不是天赋. 是可以学的技能. 传统投资教育不教它们, 但一旦 agent 接管了分析的 grunt work, 它们就变成关键技能.

验证纪律. Agent 给你一个估值, 接受它的本能很强 — 输出看着专业, 带数字带解释, 几秒就出来. 你需要的技能是相反的本能: 审问输出. Agent 做了什么假设? 改一个假设会怎样? 结论对 agent 自己选的默认输入有多敏感? 大多数人天生没有这个习惯. 必须通过练习建立. 第 5 章和第 8 章显式地训练它.

Thesis 纪律. 大多数投资者 — 散户和专业人士一样 — 的投资信念会偷偷 mutate 去匹配现实. 对"我为什么买这个"的记忆会随时间 drift. 你需要的技能是把 thesis 写成一个具体的、可证伪的形式, 然后定期对照实际发生的事 review. 这是防止信念漂移的方法 — 投资纪律的隐形杀手. 第 7 章覆盖结构.

Workflow 设计. "研究这家公司"太模糊, 没法有效地 delegate 给 agent fleet. 你需要的技能是把它分解成具体的子任务 — 读 10-K 找红旗, 在三个 scenario 下算估值, 用 bearish 反论点 stress-test thesis — 中间带验证节点. 这是 fleet architecture 的核心: 把判断密集型任务拆成 agent 可执行的子任务, 同时不在拆解过程中丢掉判断. 第 8 章把这个形式化成五个 pattern.

模型素养. 每一个金融模型 — DCF, multiples, scenario analysis — 都是对现实的刻意简化. 你需要的技能是知道哪些简化对你问的问题来说是可接受的, 哪些是危险的. Agent 会准确快速地算出你要的任何模型. 它不会告诉你这个模型的假设让它对你的具体情况没用. 那个判断是你的. 第 3-6 章通过第一性原理、财报分析、估值和风险来建立这种素养.

3. 入门门槛降了, 判断的门槛没有

2023 年之前, 个人投资者做认真的投资分析需要三个条件之一: 在一家有机构数据的基金上班, 自己订 Bloomberg 或 FactSet(~2.4 万美元/年/seat), 或者在 Excel 里 manually grind.

手工路径在 2020 年长这样: 你想对比一个 sector 里的三家公司. 免费工具 — Yahoo Finance, SEC EDGAR, 公司 IR 页面 — 给你原始数据, 不聚合. 没有跨公司对比. 没有异常标记. 没有 scenario 建模. 你打开 Excel, 下三份 10-K, 手工敲数字. 等你把三家公司的数据 normalize 完, 周六过去了, 还没开始分析. 一家基金的分析师在 Bloomberg 上点一下就跑完同样的对比, 然后花下午的时间想真正有意思的问题.

这个 gap 不是技能 gap. 是工具 gap, 被一个 2.4 万美元/年的 license 锁着.

技术能力强的人有一个 workaround: 自己写代码. 搭爬虫, 搭 normalization 层, 手动算比率. 这是 Stefan Papp 那本《Investing for Programmers》和本系列最初版本的前提. 2023 年这个前提是对的 — 如果你会写代码, 你能填补 Bloomberg 定价造成的 gap.

这个 workaround 在 agent 学会自己写代码之后变得不必要了. 不是免费 — API 调用和 compute 有成本, 一次深度研究 session 通常几美元 — 但成本和速度让 Bloomberg license 和 coding skill 都不再是有意义的门槛. 门槛搬到了判断, 而判断一直都是难的部分. 只是以前被工具 gap 遮住了.

当 agent 强到能自己写那段代码之后, 这个前提不再成立. 不是免费 — API 调用和 compute 有真实成本, 一次深度研究 session 通常几美元 — 但成本够低、速度够快, 以至于"会写代码"不再是那个有意义的门槛. 门槛搬到了判断, 而判断一直都是难的部分. 只是以前被工具 gap 遮住了.

"更容易进入"不等于什么

入门门槛的下降是真实的, 但容易被过度解读.

更多人拿着 agent-assisted 分析进入市场, 不意味着投资变简单了. 它提高了研究的平均质量, 意味着有真正 edge 的门槛上升了. 如果每个人都能在十分钟内产出一份 solid-looking 的分析, 分析本身就不再是 edge. Edge 搬到了: 你问了什么别人没问的问题? 你 challenge 了什么别人都接受的假设? 你在 agent 输出里发现了什么 — 别人的 agent 也产出了但别人没 catch 的?

这不是一个和机构投资者公平的竞技场. 机构还是有专属数据 feed、alternative data(卫星图像、信用卡交易数据、供应链追踪), 和几十年积累的 sector 经验. 变的是对公开数据的分析工具 gap大体被填上了. 其他 gap — 数据获取、关系、经验 — 没有.

对任何进入这个领域的人来说, 诚实的 framing 是: grunt-work 门槛没了. 一直都在那里的判断力门槛现在是唯一剩下的那个, 而它就是这个课程要教的.

4. 这个课程教什么 — 两条轨道交织

这个课程同时教两件事, 只学其中一件不够用.

Track A — 投资基本功

认真投资者几十年来用的 mental model, 框架, 决策规则. 没有一件是新的. 每一件都是 load-bearing — 没有它们你判断不了 agent 的输出.

第一性原理(第 3 章): 一只股票到底是什么. 三种回报来源. 为什么市场难打败. Edge 现实中从哪来.
把公司读成 pattern(第 4 章): 三张报表当三个镜头 — 业务结构、脆弱度、真假. 案例: Enron, Costco vs Walmart.
估值即叙事(第 5 章): Damodaran 的框架 — DCF 里每个数字都是一个故事选择. Agent 为什么默认讲 consensus. 怎么自己带叙事.
风险(第 6 章): 波动率为什么是坏 proxy. 四种真正的风险. LTCM 的具体 failure 机制. Pre-mortem 技术.
Thesis 纪律(第 7 章): 防弹 thesis 的六个 element. Agent 红队. Thesis version control.

只读 Track A, 你带走一个 solid 的概念基础 — 1995 年也够用. 你不会带走的是任何在当前环境里以有用速度应用它的方式.

Track B — Agent fleet 指挥学

2026 原生技能. 这部分没有现成教材, 因为它解决的问题在 agent 变够强之前不存在.

四个 agent 角色(第 2 章): 分析师、红队、老师、执行者. 大多数人默认用执行者模式. 四角色框架是 fleet 思维的基础.
Fleet architecture(第 8 章): 五个核心 pattern. 三种投资研究的参考 workflow. 为什么 fleet 一致同意是警告信号.
Capstone(第 9 章): 选三家公司, 跑 full fleet end-to-end, 产出三份 thesis memo, 做一个决定. 不是阅读, 是一个花好几天的 workshop.

只读 Track B, 你搭出高效的 workflow, 自信地产出关于你不理解的公司的分析. 高效的 garbage 看起来像 signal. 比没有 fleet 更糟.

十章的形状

每一章有一个具体的交付物.

第 1 章 — 写代码不再是门槛之后(本章). 你带走这个课程的框架和通过 workshop 产出的你自己框架的第一像素.

第 2 章 — 你的 Agent 有四份工作. 四个角色 — 分析师、红队、老师、执行者. 你带走通过 prompt framing 分配角色的能力. 也覆盖 agent 在任何角色里都做不到的六件事.

第 3 章 — 一只股票到底是什么. 第一性原理. 三种回报来源. 你带走一套词汇能分解任何历史回报, 并问"我的回报会从哪个来源来, 我凭什么相信?"

第 4 章 — 读一家公司: Pattern, 不是 Page. 三张报表当三个镜头. 你学的是 pattern 识别, 不是会计. 案例: Enron 的 10-K 事后回看, Costco vs Walmart. 你带走让 agent 读 10-K 并知道哪些信号该优先的能力 — 以及 agent 读错时和它 argue 的能力.

第 5 章 — 估值是一个被数字包裹的故事. Damodaran 的框架. 怎么自己带叙事, 怎么找估值偷偷依赖的那个假设, 怎么识别 agent 生成的估值常见的四种错法.

第 6 章 — 风险不是波动率. 四种真正的风险. LTCM 的具体 failure 机制. Pre-mortem 技术: 让 agent 写 2030 年的事后分析, 假设你的仓位炸了, 然后判断你对它浮现的 scenario 有没有保护.

第 7 章 — 写下来才算 Thesis. 六个 element. Agent 红队. Thesis version control. 你带走一个写 thesis 的模板, 六个月后还能和自己 argue — 以及一个 stress-test protocol, 跑到攻击落不上为止.

第 8 章 — 指挥一支 Agent 舰队: 五个核心 pattern. Delegation, verification, iteration, composition, failure detection. 三种参考 workflow. 你带走设计自己研究舰队的架构词汇, 和什么时候该不信输出的理解.

第 9 章 — 实战 Workshop: 三家公司, 一个仓位. End-to-end exercise, 用前八章的所有内容. 预期 4-8 小时, 分多次. 你带走一份真实的投资 memo — 或者一个有理由的不投资的决定.

第 10 章 — 从术到道. 结尾的反思. 二十五年会复利的是问出更好问题的能力. 最后的 workshop 是唯一一个不用 agent 做的.

5. 怎么读这个课程

这不是博客系列. 是十章的课程, 在博客上一章一章发. 每章需要一到两次坐下来认真读. 有几章的长度接近书的一章. 这是故意的 — 能被 skim 的课程教不了东西.

重读是预期中的, 尤其是第 4-6 章. 读公司、估值、风险 — 密度高. 第一遍跟上了, 一周后再读, 第二遍是框架 crystallize 的地方.

把 agent 当老师用. 这是整个课程里最重要的 meta 指令. 碰到一个你没完全理解的概念, 停下来, 打开 Claude Code, 用你自己的话把概念复述给 agent. 让 agent 找 gap. 迭代到找不到. 然后回来. 第 2 章会 formalize 这个 — 老师是四个 agent 角色之一, 是你在这个课程里用得最多的角色.

每一章都有 workshop. Workshop 是强制的. 没做 workshop 就过掉一章, 等于读了编程书没敲 example. 每个 workshop 30 分钟到 2 小时, 第 9 章的 capstone 除外 — 那个花好几天.

诚实的时间估计. 阅读: 15-25 小时. Workshop: 15-35 小时. Capstone 单独 4-8 小时. 总计: 30-60 小时. 做不到这个 commitment, 别开始.

你最后拿到的不是 stock pick, 不是模型, 不是系统. 是一个你能 defend 的框架, 加上在那个框架上运行一支研究舰队的能力.

下一章预告

第 2 章讲 agent 能扮演的四个角色: 分析师(默认的 — 产出研究), 红队(在市场替你攻击之前先攻击你的 thesis), 老师(教你概念, 让你能评估其他角色的输出), 执行者(在你知道要做什么之后在 scale 上跑稳定 workflow). 大多数人一开始只用执行者模式, 结果失望, 要么放弃要么 shift 到分析师模式. 完整的技能是四个角色的 fluency.

不是投资建议

这个课程是教育目的的. 任何章节里的内容都不是买、卖、或持有任何证券的建议. 提到的公司都是案例, 不是 pick. 过去表现不预测未来结果. 你的投资决定和后果是你的.

这不是走形式. 这个课程存在的理由是, 投资的有用未来不是"跟着这些 pick 走", 是"建你自己的框架并 defend 它". 告诉你买什么会拆掉这个课程想教的东西.

Workshop · 你框架的第一像素

时间: 30-45 分钟. 工具: 你已有的任何 AI agent (Claude Code, Codex, Cursor). 交付物: 一份保存的文档, 一到两页.

操作步骤

第一步 — 选一只股票. 你现在持有的, 或者你在过去一年里认真考虑过买的. 不能是"新闻里热的"或"Twitter 上某人提到的". 你需要对这家公司的对或错有个人利益. 如果什么都想不起来, 用一家你自己在用、真正关心的产品的公司.

第二步 — 让 agent 给你写两样东西. 一个三段的 bull case(为什么它会成) 和一个三段的 bear case(为什么它会败). 不要指定更多格式.

第三步 — 两份都读, 不记笔记. 注意你在哪里点头, 在哪里想 argue.

第四步 — 标记两份 case. 三种标记:

✓ 标在你同意的 claim 旁边
✗ 标在你不同意的 claim 旁边
? 标在你两边都判断不了的 claim 旁边

只用你已经知道或相信的. 不做任何 research.

第五步 — 在文档底部写一句话:

"我最强烈不同意的 claim 是 __________, 我这么相信是因为 __________."

要具体. "bull case 太乐观了"不算. "bull case 假设他们数据中心业务会继续以 40% 年率增长, 而我不相信, 因为他们最大的客户正在自建内部替代方案"算.

第六步 — 保存文档, 文件名包含公司 ticker 和日期. 你会在第 7 章重新打开它.

为什么这个 workshop 重要

最后那句话里的"因为"从句, 是你框架的第一像素. 后面九章把剩下的填上 — 让你能把"我因为 X 不同意"变成"我因为 X 不同意, 而且这里有三个必须为真我的不同意才成立的条件, 以及我在盯的几个具体信号, 发生了我会改变想法."

你现在还不在试图做对. 你在试图把你已经相信的东西以一种够具体、以后能和它 argue 的形式浮出来.

别跳过. 后面的课程需要东西 graft 上去.

门槛换了之后

旧门槛 — Bloomberg 终端、写代码的能力、在 spreadsheet 里 grind 的耐力 — 没了. 留下的是一直在它们下面的东西: 判断的能力.

听到 agent 一个自信的回答, 能问出那个揭露它没有 question 的假设的 follow-up. 在 drawdown 里抱住一个 thesis, 因为你六个月前写下了为什么, 而那些理由还站得住. 知道什么时候 override fleet, 什么时候信任它.

最稀缺的投资技能从来不是找到答案. 是知道该问什么. 这个技能可以学. 这个课程是学习路径.

第 2 章讲你的 agent fleet 能扮演的四个角色: 分析师、红队、老师、执行者. 做完上面的 workshop 再往下走. 你在末尾写的那句话, 会在第 7 章再次出现.