構建金融AI代理評估的經驗教訓

本文字作者在離開對沖基金三年後，投入了大量時間於大型語言模型（LLM）提示、AI代理測試和股票研究評估。從早期為GPT-3.5提供提示，到如今與先進代理和工具合作，這段經歷迫使作者深入理解金融與AI，並形成了對何為“優秀”股權研究的看法。

當前大多數公開可用的“金融AI”基準存在關鍵缺陷：無法捕捉細微差別。而在投資領域，細微差別至關重要。為此，作者構建了內部評估體系，以下是核心經驗總結。

絕對評分在質量閾值後失效

當代理基本勝任（即方法論正確、計算無誤、提出財務上合理的論點）後，絕對分數便難以區分優劣。兩份報告可能都滿足所有評分標準，但質量仍存在差異。例如，對於同一公司的分析，一位分析師可能將利潤率壓力視為暫時性投資過度，而另一位則視為結構性競爭證據，兩者在財務上均合理。

評判者需要競爭

真正重要的是研究是否改善了投資者對可能結果的認知圖譜——揭示大多數分析遺漏的情景、賦予合理的概率權重，並識別可能改變勝率的因素。當一個智能體變得足夠優秀，持續超越基線時，增量性能難以通過絕對評分觀察。

相對評分有效的原因

將輸出並排呈現，讓評判者同時查看所有輸出，要求其排序、評分並解釋差異。這正是投資者評估研究的方式：比較多個分析師的論點，注意一個分析師看到的而另一個遺漏的關鍵問題。例如，在對Robinhood的預測評估中，兩個代理模型和預測筆記的絕對得分相同，但相對評判者更偏好一個使用替代數據（如X/Twitter）驗證近期趨勢的輸出。

使用最強的評判者

對於嚴肅的研究工作流程，應使用最強的前沿模型作為評判者。它需要能夠識別微弱的分析弱點，區分洞察力與冗長，並判斷結論在財務上合理但實際無用的情形。

給評判者數據訪問權限

如果代理使用了源文檔、市場數據、X、Polymarket或替代數據，評判者需要能夠驗證其主張。數據訪問使評判者能提問：“這是否正確？它是否忽略了重要信息？它是否誇大了結論？” 這類似於基金經理閲讀研究的方式：驗證聲稱的關鍵點。

方差適用於代理和評判者

LLM是隨機的，一次運行不足為信。每個代理配置至少應運行三次，並關注跨運行、跨評判者、跨公司和跨數據集的一致性分離信號。

結果與路徑同樣重要

評估不僅要看最終輸出質量，還要分析代理的推理路徑和邏輯過程，因為路徑揭示了代理的思考方式和潛在假設。

下一步：實時財報電話會議覆蓋

作者計劃將評估擴展至實時財報電話會議覆蓋，這是邁向真正自主研究的開始。

總之，構建有效的金融AI代理評估需要超越傳統基準，採用相對評分、強評判者、數據訪問和統計穩健性，以捕捉投資研究中的細微差別。