关键词：·CFA ·AI SKILL ·智能投顾 ·受托责任

🚨 且不说2026年6月发布的Claude Fabal 5如何在复杂金融推理上再次碾压此前的“CFA通关者”，先说一个老一代AI模型“脚踩”CFA考试的旧闻。

2025年9月，纽约大学斯特恩商学院与AI财富管理平台GoodFin联合发布研究：他们测试了23个大型语言模型，结果显示——包括Claude Opus、GPT-o4-mini、Gemini 2.5 Pro在内的多个模型，已经能够在几分钟内通过CFA三级模拟考试。人类通过CFA三级通常需要1000+小时的备考，平均历时4年，全球通过率不到45%

一、AI SKILL是什么？先看一条真实的Prompt

讲到技能，我们从AI的技能(Skills)说起。AI Skills的本质上类似于“标准作业流程(SOP)”，在AI工作平台中，把执行某种任务的能力，封装成可自主执行、标准化的、可重复的工作流程。

在金融领域，AI Skills能够把一个熟练分析师的工作逻辑，封装成可以反复调用、持续优化的标准化能力。

直接看一个例子：Claude中的股票现金折现估值模型（DCF）系统提示词(Prompt)：

你是一位资深股票分析师，专注于科技行业（例如Nvidia）的自由现金流估值分析。【任务】对用户指定的上市公司进行DCF内在价值估算。          【分析步骤】          1. 通过MCP调取目标公司过去5年的自由现金流（FCF）数据          2. 基于行业平均增长率与公司历史趋势，设定3种增长情景：             · 保守：FCF年增长率 5%             · 基准：FCF年增长率 10%             · 乐观：FCF年增长率 18%          3. 折现率使用WACC，从LESG MCP拉取Beta值，无风险利率取当前10年期美债收益率  4. 终值采用Gordon增长模型，永续增长率设定为2.5%          5. 输出三种情景下的每股内在价值，并与当前股价对比，给出高估/低估百分比6. 在结论部分注明关键假设局限，特别是增长率的不确定性          【输出格式】用脚本script中的结构化表格 + 200字以内的文字分析结论 

参考：https://code.claude.com/docs/zh-TW/skills

AI Skills把金融分析师的工作逻辑封装成了可以反复调用的模块（Claude中是SKILL.md）。

你告诉大模型你的目标，项目的背景(Context)，所用的金融模型和想要的结果，大模型就可以自主规划调用所需工具(Tools)，经过MCP接入外部数据，支持基于脚本固定化输出，快速完成所有分析流程。

这个SKILL.md还可以在未来重复的任务和指令中不断自我学习和提升。你甚至都不需要会写代码就可以创建、执行和完善一个Skill。

更强的是类似蒙特卡洛模拟等复杂的量化任务执行——随着AI的进化，Skills可以同时对增长率、折现率、终值乘数进行随机采样，输出内在价值的概率分布区间，而不是一个单点数字——量化分析师花半天搭建的随机模型，封装成SKILL之后，任何人数分钟内可调用。其分析能力和效率完全超越了一个人类CFA进行资产模型估值的效率和成本。

你可以不懂背后的数学，就让Claude在5分钟之内跑出上万个蒙特卡洛模拟：https://analytica.com/blog/monte-carlo-modeling-in-personal-finance-the-whoops-factor/

二、8000战斗力变100万的底层逻辑

关于人类用上了AI Skills，一个校友的比喻传神——“就好像一个只会三脚猫功夫的一介武夫，突然拿到降龙十八掌秘籍，五秒学会，变成江湖高手”。而我想到动漫《七龙珠》的超级撒亚人——“我的CFA战斗力有8000，AI SKILL起码有100万以上”。

有了SKILL金融应用模型可以被超低成本计算，而且可以规模化应用。原来一天能覆盖5只股票，现在可以同时监控500只，基于Skeduled task实时估值和风控完全不是问题，异常情况自动上报。更厉害的是，AI Agent可以同时调用多个Skills，组合成完整的分析链：查数据→建模→同行估值对比→资产负债表健康检查→生成格式规范报告。

一条完整的分析链，从原来的半天，压缩到几分钟。

JP Morgan LLM Suite：行业案例规模化的证明

摩根大通将这套逻辑推到了机构级规模：LLM Suite平台超过23万名日活用户，450个以上AI Agent用例，覆盖研究、财富顾问、合规等业务。官方数据：初始研究收集时间压缩90%，顾问生产效率提升超50%。这是真实运作的生产环境指标，不是概念验证。

听到这里，CFA们可能开始担心了，自己苦苦修炼的，竟然在AI面前么不值一提。

这可不得不让金融专业毕业生担忧自己的价值，金融分析师将会被AI取代，且最终面临失业？

我的观点还是乐观的，那就是金融分析师不会被取代，且听我娓娓道来。

三、但是，SKILL.md是人写的

首先，AI的指令本身是人写的。背后的分析框架和模型，是人赋予的。

一个不懂现代组合理论的人，写不出一个被行业认可的合格“资产配置Agent”。就好比你要给厨师写食谱，但你自己不知道什么是鲜味。

例如，我们要写一个“股权估值Skills”，首先得决定：用DCF还是相对估值？用EV/EBITDA还是P/E？哪些行业适合哪个模型？什么情况下模型会失效？系统提示词要清楚模型的限制和使用场景。我们知道DCF的结果对于调用的参数非常敏感，必须经过反复测试和优化。这些问题，AI可以帮到你，但是一开始还是你得告诉它你的反馈。

另一个角度来看，CFA背后建立起来的金融理论体系——MPT、价值分析框架、资产配置模型——是AI Agent进行分析的知识底座。

Blackrock AlphaAgents：认知偏差的系统性对冲

贝莱德在2025年发布了AlphaAgents研究，构建了一支多代理团队：不同代理分别扮演多头、空头、宏观分析师角色，通过辩论产生共识投资结论。这个设计的核心逻辑，来自行为金融学——人类分析师存在确认偏误和过度自信，多代理辩论是对这些偏差的系统性对冲。没有CFA背后行为金融学的知识，不会想到要这样设计AI架构。

很重要的是，AI Skill的演进需要根据市场的不确定性不断调整。金融分析面对的是市场的不确定性，因此所有分析的背景(Context)都是动态的。同样是分析苹果公司的股票，2020年3月的结论和2024年11月的结论可以截然相反。要判断"这个估值结论在当下是否可信"，需要的是Market Color、宏观判断，以及对市场结构性变化的理解。

核心洞察：AI通过了CFA三级——但考试考的是显性知识的标准化应用。它依然在遗产规划等需要细致情境判断的题目上出错。GoodFin创始人Anna Joo Fee说得精准："Context和Intent，是机器难以评估的。那正是人类闪光的地方。" 

四、社会属性和任务复杂度决定人机边界

其次，不要忘记回到金融的本质。金融是社会学科，投资具备社会属性。监管者一定会明确——决策和负责的，始终是人。

金融从来不是一个纯技术系统，它首先是一套建立在信任、责任与法律边界之上的人类契约。无论Claude Fabal 5的推理能力多么强大，无论Space X的上市模型多么精确，当一笔交易出现亏损、一个组合遭遇爆仓、一个产品误导了投资者——最终站在监管听证会、法庭被告席、客户追责面前的，永远是人，不是AI。监管机构不会接受“是模型建议我这么做的”作为免责理由。受托责任（Fiduciary Duty）无法被算法继承，职业操守无法被代码托管。

对于组合管理这类复杂任务，需要同时处理战略资产配置比例、建仓时序、择时交易、动态再平衡——AI给出的是"数学最优解"，但在特定市场环境下，数学最优不等于投资最优。识别并处理这些非最优解的时刻，是人类的工作。

五、显性知识 vs. 隐性知识：真正的护城河

那么，金融分析师的护城河在哪里？

AI通过CFA三级，本质上是在显性知识上赢了。CFA教材里写得清楚的东西——DCF公式、夏普比率、信用评级框架——AI学得比任何人都快，而且不会忘。坦白说，在显性知识这个维度，CFA的优势已经不是壁垒了。

但CFA真正积累的，不只是教材上的内容。那些隐性知识，才是10年市场经验真正换来的东西：

·  为什么同样的估值倍数，在2021年牛市里是合理的，在2022年加息周期里就是危险信号

· 为什么同一个客户说"我能承受风险"，但看到账户浮亏15%就开始打电话

·  为什么某家公司的财报数字好看，但管理层的措辞让你总觉得哪里不对劲

·  在市场出现异常波动时，判断这是短期噪音还是结构性转变，然后决定是否需要调整组合策略的底层假设

这些判断，无法被完整写进任何Prompt，无法被封装成SKILL，更无法被AI通过考试获得。它们是在真实市场里经历过痛苦、犯过错误、守过仓位才积累下来的东西。

新的分工正在成形：AI负责执行显性知识——调数据、跑模型、生成报告。人类负责运用隐性知识——判断时机、感知市场情绪、理解投资者的真实恐惧、在不确定中做决策。显性知识越来越廉价，隐性知识依然值钱。

六、智能投顾与AI向善

由于显性知识的门槛降低，AI正在把原本属于机构的分析能力，向普通投资者开放。

智能投顾1.0提供的是基于ETF的被动配置方案，本质是低成本规则引擎。Agentic AI让智能投顾进入2.0时代：用户可以用自然语言描述偏好：“我想投AI相关的股票，但不想碰争议性公司”——Agent理解意图，调取相关数据，生成符合偏好的配置建议。

这里有一个我想到的不应被忽视的维度：AI向善(AI for Good)。投资者才可以主动设定ESG偏好，包括排除特定行业的负面清单、倾向绿色溢价资产、根据ESG评级调整持仓权重等。AI工具可以精准执行这些复杂的价值观约束，但这些约束本身，必须由人来定义和校验。

投资目标的多元性——不只是追求最高回报，而是追求“符合我价值观的回报”——需要人为干预智能投顾的决策流程。这个诉求，不会被AI替代。

七、金融从业者的未来在哪里？

行业的方向是清晰的——不使用AI的分析师，就像还在用算盘的银行家。但仅仅使用AI、没有金融判断力的操作员，不会成为下一个时代的分析师。

你既懂CFA的金融理论，又能把这些理论转化为AI可以执行的Skills与Agent架构，搭上火箭的速度。更重要的是，你通过无数次投资试错，建构起属于自己的判断力——知道什么时候相信AI，什么时候质疑AI。这正是2026年及以后，金融行业最稀缺、最昂贵的复合能力。没有之一。

参考来源：NYU Stern / GoodFin CFA Level III AI研究（2025年9月）、CFA Institute官方博客（2025年10月）、CFA Institute 2025年毕业生展望调查、Kaplan Schweser 2024年CFA从业者调查、JPMorgan Chase 2025年投资者日（LLM Suite生产指标）、BlackRock AlphaAgents研究论文（2025年8月）、InvestmentNews、CNBC报道（2025年9月）。笔者为CFA持证人，不构成投资建议。