A股有5000多家上市公司。如果让你从里面选出10只值得进一步研究的股票，你会怎么做？一只一只看财报，先看涨幅，还是直接从热门板块里找？

最近我做了一件事：我把“从5000多只A股里筛股票”这件事，交给了AI。但结果和很多人想象的不太一样。AI并不是盯着5000张K线，然后神秘地告诉我“明天买这只”。它真正做的事情，其实更像一个研究团队的初筛系统：先制定规则，再处理数据，再逐层淘汰，最后把5000多家公司缩小到一个值得继续研究的名单。

所以，AI选股的第一步，其实不是问“现在买什么”，而是先告诉AI“什么样的公司才是你想找的公司”。如果直接问“现在A股有什么好股票”，这个问题其实很难回答，因为“好”本身就没有统一标准。有人喜欢高股息，有人喜欢成长股，有人喜欢低估值，也有人更看重现金流和行业景气度。

比如，我想筛选一批“高质量成长公司”，那就可以先设定一些基本条件：ROE保持在较高水平，营收和净利润连续增长，经营现金流持续为正，负债率不能过高，同时估值不能明显脱离基本面。只有当这些标准被明确下来以后，AI才真正有事情可做。换句话说，AI不是替你发明投资逻辑，而是帮助你执行投资逻辑。

接下来就是第一轮筛选。这一步通常非常直接，因为面对5000多家公司，最重要的不是立刻找到最好的，而是先快速排除明显不符合要求的公司。比如连续亏损的先剔除，ROE长期过低的先剔除，经营现金流长期为负的先剔除，营收连续下滑或者负债率明显过高的也可以先排除。经过这一轮，5000多家公司可能就只剩下一千家左右。

这其实就是AI特别有优势的地方。对于一个人来说，逐个查看5000家公司的财务指标是一件非常耗费时间的事情，但对于程序来说，只要数据足够完整，这只是一次批量筛选。AI真正节省的，不只是分析时间，更是大量重复劳动。

但只看一个指标肯定不够。比如一家公司的ROE达到20%，看起来很好，但如果它是靠高负债把ROE做上去的，那风险可能同样很高。再比如一家公司的净利润增长了50%，也不能立刻说明它的经营质量很好，因为还需要看经营现金流是不是同步增长，应收账款是不是大幅增加。

所以到了第二轮，AI需要把多个指标组合起来看。比如同时要求ROE大于15%，最近几年营收持续增长，净利润保持增长，经营现金流连续为正，资产负债率处于合理区间。这样一来，剩下的公司可能就会从一千家进一步缩小到两三百家。

再往后，AI就不只是做机械筛选了，而是开始找“异常”。比如一家公司营收增长30%，净利润增长40%，ROE也达到18%，表面上看非常漂亮，但如果同时发现它的应收账款增长了70%，经营现金流却在下降，那就值得进一步关注。这并不代表公司一定有问题，但至少说明利润增长和现金回款之间可能存在不匹配。

类似的情况还有很多。比如净利润连续增长，但库存越来越高；收入增长很快，但毛利率持续下降；利润表现不错，但自由现金流越来越差。这些信号单独看都不能直接得出结论，但AI可以先把它们识别出来，让投资者知道哪些公司值得进一步研究。

到了这一步，还需要把公司放到行业里进行比较。因为很多财务指标脱离行业以后，其实没有太大意义。比如毛利率25%到底高不高，要看它所在行业的平均水平。如果同行平均毛利率只有15%，那25%可能很优秀；但如果同行普遍在40%左右，那25%反而偏低。

估值也是一样。20倍PE到底贵不贵，不能简单判断。对于银行、消费、软件、医药，不同行业的估值体系完全不同。所以AI还需要做横向比较，比如看看公司的ROE是否高于行业平均，营收增速是否领先同行，毛利率是否具备优势，当前估值处于行业什么位置。经过这一轮，剩下的公司可能就只有几十家了。

然后还要看估值。因为找到好公司，并不等于找到了好价格。一家公司基本面非常优秀，但如果估值已经远远透支未来增长，投资风险同样不低。所以在进一步筛选时，可以同时参考PE、PB、PEG、自由现金流收益率、历史估值分位以及同行估值水平。

这里也不能简单理解成“PE越低越好”。有些公司估值低，是因为市场对它未来增长已经没有太高预期，这就是常说的“低估值陷阱”。所以真正有效的筛选，往往是把增长速度、盈利质量、行业属性和估值水平结合起来，而不是只看一个数字。

如果再往深一步做，就不能只看财务数据了。公司公告、管理层变化、重大合同、股权激励、回购计划、行业政策、机构调研纪要、大股东减持、重大诉讼，这些信息同样会影响公司的投资价值。而这部分恰好也是大语言模型比较擅长处理的内容，因为它可以快速整理大量文本，提取真正重要的信息。

比如一家上市公司一年可能发布几十甚至上百份公告，普通投资者很难全部看完，但AI可以先帮你做第一轮归类，看看哪些是常规公告，哪些可能真正影响未来业绩，哪些涉及经营变化或者潜在风险。这样一来，研究范围又会进一步缩小。

所以整个AI选股过程，其实更像一个不断收窄的漏斗。最开始是5000多只股票，经过财务指标粗筛，可能剩下1000只；经过成长性、盈利质量和现金流筛选，可能剩下200只；再经过异常检测、行业比较和估值分析，最后可能只留下几十只，甚至二十只左右。

但有一点必须说清楚：这最后留下的20只股票，并不是“可以买的20只股票”，而是“值得进一步研究的20只股票”。这两个概念差别非常大。AI可以帮你把5000家公司压缩到20家公司，但它不能保证这20家公司未来一定上涨。

所以AI选股最大的价值，其实不是预测涨停，也不是每天给你推荐一个股票代码，而是提高研究效率。过去一个普通投资者可能只能认真跟踪几十家公司，但现在借助数据库、Python、量化工具和AI，可以先快速扫描整个市场，再把有限的时间放到真正值得研究的公司上。

当然，这里面还有一个非常重要的问题，那就是历史有效不代表未来有效。你完全可能设计出一套过去十年回测效果非常漂亮的策略，但真正投入市场以后却表现一般，因为它可能只是“完美解释了过去”，这就是量化投资里常说的过拟合。

所以真正严谨的AI选股，不应该止步于“筛出股票”，还需要进一步做历史回测、样本外测试、交易成本测试、最大回撤分析以及不同市场环境下的稳定性测试。只有经过这些验证以后，一套策略才真正具备进一步研究的价值。

如果让我总结整个过程，其实很简单：人负责制定规则，机器负责大规模执行，人再负责最终判断。AI不会让你跳过投资研究，但它可以让很多重复、耗时、低效率的工作被自动化。

过去我们研究股票，更多是在问“哪家公司值得看”。以后可能会越来越多地变成另一个问题：怎样把自己的投资逻辑，变成一套可以被AI和程序执行的系统。

这或许才是AI真正改变选股方式的地方。