一个二级市场投研分析师的 AI Vibe Coding 实验 — AI Investment Research × Multi-Agent Market Simulation × Interactive Narrative Space
01 我的背景
我的背景来自二级市场投资研究。投资研究的本质，是在信息不完全、不对称的环境中，通过有限信息建立判断。
AI 让我开始思考：能否把投资研究流程本身，变成一个可积累、可计算、可持续进化的系统？
02 金融市场的信息不对称
而是谁拥有更强的信息处理能力。
信息渠道、投资经验、研究框架、判断能力
大量经验存在于人脑、Excel、Word、PPT，无法形成系统资产
信息爆炸时代，处理能力比信息渠道更重要
03 从线性流程到可积累系统
发现机会 → 阅读资料 → 建立模型 → 输出观点 → 投资决策 → 复盘
↓
每一次研究结束后，大量知识无法沉淀。未来的 AI 系统让研究经验成为可积累的组织资产。
04 AI 投资研究的发展 · 第一阶段
1980s–2000s · 将市场价格和结构化数据转化为数学信号，开创「金融 + 计算」的先河。数学家和物理学家第一次批量进入华尔街，交易决策从直觉走向模型。
数学家 James Simons 创立（1982）。旗舰 Medallion Fund 年化回报约 66%（费前），只雇科学家不雇金融背景分析师，被视为量化投资的天花板。
计算生物学家 David Shaw 创立（1988），最早把计算机科学系统性引入投资。以跨市场统计套利著称，也孵化了 Amazon 创始人 Jeff Bezos。
John Overdeck 与 David Siegel 创立（2001），定位「科技公司做投资」。管理规模超 600 亿美元，员工六成以上是工程师和研究员。
Cliff Asness 创立（1998），学术派量化代表。把因子投资（价值、动量、防御）从论文变成可交易产品，推动量化方法透明化、平民化。
04 AI 投资研究的发展 · 第二阶段
2000s–2010s · 人工设计因子的边际收益递减，机器开始自己从数据里找规律。数据源从价格扩展到文本、图像、卫星影像、供应链。
2007 年由两位机器学习博士创立，是最早宣称「纯机器学习驱动」的量化基金。不用人工设计因子，模型端到端从原始数据学出交易信号——把「研究员的直觉」彻底交给算法。
1987 年创立的老牌 CTA，传统量化 + 机器学习融合的代表。在趋势跟踪基础上引入 NLP 解析财报电话会议语气、用另类数据监控供应链变化，展示了老机构的 AI 化路径。
2015 年成立的众包对冲基金。把加密后的市场数据开放给全球数万名数据科学家，各自训练模型提交预测信号，基金聚合成元模型交易——机器学习投资的「开源化」实验。
04 AI 投资研究的发展 · 第三阶段
投资机构不再只是雇佣基金经理和分析师，而是构建 AI Agent 系统。
自动阅读财报、研报、新闻
自动进行尽职调查，交叉验证
持续监控市场风险，预警回撤
动态调整组合，优化风险收益
05 海外 AI 投资机构案例
VC、PE、宏观对冲——三种最依赖「人的判断」的投资形态，都已出现系统级的 AI 实践。
硅谷 AI-native VC。自建 Beacon 数据平台，持续追踪数百万家公司与工程师的数据——招聘动向、人才流动、开源活跃度、市场信号——在创始人融资之前就发现机会。
核心转变：VC 从人脉驱动 → 数据驱动
欧洲 PE 巨头 EQT 的内部 AI 系统，覆盖从 Deal sourcing、Market mapping、竞争分析到 Portfolio management 的完整投资链路，已直接促成多笔投资。
核心转变：历史投资经验 → 组织智能
全球最大对冲基金的 AI 实验室，探索机器学习参与宏观投资研究：分析利率、通胀、政策与市场状态之间的关系。目标不是预测点位，而是理解市场状态的变化。
核心转变：预测价格 → 理解状态
05 更多 AI 投资实践
尝试构建 AI-native Fund Operating System：把「基金」本身做成一套软件系统，投资流程的每一环都可被记录、复用和迭代。
AI-native Quant VC。把早期投资决策拆解成可量化的评分维度——团队、市场、产品、增长信号——决策过程从依赖个人经验变成可复现的系统。
06 AI 金融基础设施
研究平台、市场情报、金融终端、投行分析——四类基础设施都在被 AI 重写。
面向 PE 尽调与投行研究：上传数千页数据室文档，AI 逐页阅读、交叉比对，生成带原文引用的可验证结论和投资备忘录。核心价值：大量非结构化材料 → 可验证研究结果。
整合财报、电话会议纪要、新闻、券商研报和专家访谈网络，语义搜索 + AI 摘要让分析师几分钟完成过去几天的情报梳理，正向 AI Deep Research 方向演进。
金融终端的范式转变：从「人搜索数据」到「用户提出研究目标，多个 Agent 协同查数据、阅读资料、分析并输出研究结果」。终端从数据库变成 Agent 系统的入口。
面向投行的 AI Analyst：自动完成公司分析、估值建模、可比公司（Comps）分析和 Pitchbook 初稿，把初级分析师从深夜做表中解放出来。
07 国内 AI 投研生态
Wind、同花顺 iFinD、东方财富 Choice、Datayes — 金融终端从数据库变成 AI Agent 入口
AlphaEngine、Alpha派、进门财经、WarrenQ — 本土 AI 投研工具快速崛起
恒生 LightGPT、财跃星辰、DeepSeek 金融应用 — 垂直领域大模型加速落地
08 AI 投研系统架构
辅助投资判断，人机协同形成最终决策——研究经验沉淀为可积累的智能系统
Research Agent 阅读分析 · Risk Agent 监控风险 · Portfolio Agent 管理组合
知识图谱、投资逻辑、历史案例——把散落的研究经验结构化为可复用的知识
财报 · 新闻 · 研报 · 电话会 · 另类数据——持续流入的原始信息
数据自下而上流动，判断自上而下积累 ↑
09 传统投研 vs AI 投研
传统投研
发现机会 → 阅读 → 建模 → 输出 → 决策 → 复盘。经验存在于人脑和文档，无法沉淀复用。
AI 投研系统
数据 → 知识 → Agent → 决策。研究经验成为可计算资产，持续迭代进化。
10 从 AI 投研到市场模拟
价格来自投资者观点、信息差异、情绪、偏见和交易行为。市场本质是群体互动系统。
11 Multi-Agent Market Simulation
关注公司价值、估值、长期成长
关注新闻、社交媒体、市场情绪
关注价格趋势、动量因子、统计套利
关注利率、政策、经济周期
关注信息流、事件驱动、情绪传播
每个 Agent 拥有不同信息、不同目标、不同风险偏好。
12 前沿研究
利用 LLM 模拟股票交易环境，研究不同投资风格 Agent 如何交易
Financial Market Simulation Engine，探索金融市场世界模型
研究 LLM Agent 是否能够学习交易策略、形成行为差异、产生市场现象
13 我的项目 · Group Agent Market Simulation
传统：AI 预测价格 → 新的方向：AI 生成价格
投资者 Agent → 不同观点 → 市场互动 → 价格涌现
理解价格为什么产生，而非预测价格会到多少
14 我的项目 · 梦境档案馆
一个把梦境记录、荣格象征解析和沉浸式视觉体验结合起来的个人梦境管理系统。不是普通日记应用，而是一座会随梦境生长的私人潜意识花园。
自然语言记录梦境，AI 自动提取关键意象和叙事线索
基于荣格原型理论，解析梦境中的象征符号和潜意识讯息
将梦境转化为图像、身体感受和疗愈提示，形成完整的沉浸式体验
14 梦境档案馆 · 梦境星庭
负责记录与解析梦。每记录一个梦，树就生长一圈年轮，梦境越丰富树越繁茂。
承载入睡仪式和梦境周期。月相变化反映睡眠质量和梦境活跃度，满月代表深度梦境期。
呈现情绪与阴影线索。湖面平静度映射心理状态，水下可见被压抑的潜意识内容。
保存个人梦境档案与符号记忆。每个房间代表一类梦境主题，走廊连接不同时期的记忆。
将梦转化为图像、身体感受和疗愈提示。每朵花对应一个梦境，绽放程度反映梦的清晰度。
15 未来 AI 投资机构
自动研究公司，持续追踪行业动态和投资标的
模拟经济状态，预测宏观周期变化
自动发现创业公司，数据驱动投资决策
模拟市场参与者行为，测试投资策略
持续监控投资组合，动态调整风险暴露
16 两个项目背后的共同逻辑
金融市场
信息 → 观点 → 互动 → 价格涌现。如何把群体认知转化为可模拟的系统。
梦境
记忆 → 象征 → 情绪 → 叙事空间。如何把个体经验转化为可表达的系统。
如何把不可计算的人类认知转化为可观察、可模拟、可迭代的系统。
欢迎提问和讨论
一个二级市场投研分析师的 AI Vibe Coding 实验
过去：量化基金把价格变成数据。
未来：AI Agent 将投资者行为变成数据。
AI 不会替代投资判断。但会改变投资判断产生的方式。