夜雨聆风一篇发布于今年4月、关于评估金融 deep research agents 的专业投研能力的论文很值得一看，研究围绕制定深度金融研究基准（Deep FinResearch Bench）展开，他们建立了一个全面的评估框架，用于从多个维度系统性的评估金融投资研究中的深度研究（DR）Agents的报告产出质量。也就是搞清楚，如果让 AI agent 执行专业金融投资研究，它能不能在定性严谨性、量化预测与估值准确性、论证可信度和可验证性上，接近专业金融人士的研究水平？
AI 投研日益渐多，乱花渐欲迷人眼，买方有没有因此提升决策质量呢？见仁见智。可能在之后的时间里，越来越多人会认同信息处理效率与决策质量提升并非必然正相关。AI让信息流充足、甚至高质量信息获取也正在变便宜，但主动管理真正长期赚钱以及所谓的信息优势，从来不是靠拼掌握更多信息，而是正确判断市场预期会如何修正。AI稀释信息优势之后，真正稀缺的就变成：判断这条信息会不会改变市场预期，以及这种预期修正值不值得变成仓位。
投资者们在面对AI投研时很容易陷入的一个误区是，同样是用AI做研究，比如对一家公司发生事件做解读，信息量足够全面、准确，要点和点评兼具即是达到研究的目标。但事实上,卖方、产业、买方的投研目标函数是完全不同的，这来自于不同角色本身对信息处理的用途不同。
卖方视角处理信息更多是把逻辑讲完整，比如收益的点有哪些，所在行业赛道的景气程度，盈利预测是否有上调必要，因此卖方报告天然追求完整性、解释力和可传播性。
产业研究处理信息，天然关注机制、瓶颈和传导链条。通常更侧重把机制讲清楚，关于技术路线的演进，供需缺口的数据推算，价格弹性来自于哪里，以及产能约束维持的时间，对竞争格局造成的潜在影响。
买方出于对资金管理和净值负责，最终要回答的是该事件发生是否改变市场预期，以及资金的持仓是否应该为这次预期修正承担仓位风险。信息处理与预期修正模式下，超额收益的本质来源是对信息的处理以及对“预期修正”的博弈。只有正确预判了市场预期的修正方向，才能获得超额收益。
到这一步不难发现，AI 主要降低的是信息处理成本，而主动管理的超额收益来自对市场预期修正方向、幅度和阶段的判断。同一条信息，对卖方可能是报告素材，对产业可能是机制验证，对买方却是预期差和仓位问题。
信息处理正在变便宜，预期修正能力正在变贵。
预测市场预期会如何修正，这句话听起来很抽象，但实际交易里每天都在发生。
比如一个热门主线突发的一条新闻，其投资价值取决于它和市场原本一致预期之间的差值变化。如果市场此前完全没有预期，它可能是一条重要的新信息；而如果市场原来已经高度预期，它可能只是确认共识。如果市场已经把未来几轮乐观结果都提前定价，它甚至可能成为兑现风险。
所以买方需要处理的其实不是信息事件本身算利好还是利空这类一阶维度，如果是利好它需要比市场之前预期的还要好，也就是信息会不会以及多大程度上边际改变原本预期这一类二阶维度层面的信息。
所以，Lunartulip一直主张，随着AI越来越多融入买方流程，最重要的落点不应该只是生成更多报告。
报告当然有用，但它只是投研链条的一部分。
对买方来说，更重要的是把 AI 接进一条更完整的决策链：
假设→证据→预期→仓位→复盘。
AI 能让你更快知道发生了什么，但不会自动告诉你这件事值不值得下注，因为买方最终赚的不是信息本身带来的价值。
买方赚的是：在市场还没有充分修正预期时，提前站到正确的位置；开始过度外推时，知道自己正在承担什么风险。
预期修正能力，可能才是主观私募 AI 化之后，主动管理分水岭真正开始出现的地方。
关于Lab✨
Lunartulip Lab 现接受以下两类合作方式，详情见：Lunartulip Lab 生长手记：从投研内核到 AI 投资实验室
量化基本面投研系统 Workshop招募
LunarScout Financial Decision Engine
将买方投研流程交给Agent OS系统，打造智能决策引擎
在CC、OpenClaw等Agent框架上，围绕一项既有投研场景设计搭建决策框架，一个决策引擎更像是可沉淀复用的第二大脑和数字投研团队分身
更多介绍见主页菜单，OpenClaw演示案例见视频号更新，感兴趣可带场景需求后台滴滴（偶尔被吞/回复慢，烦请大力敲，感谢~）
知识星球介绍：当我把组合管理变成一间 AI 实验室
