可溯源研究底稿 —— 每个数字带出处的初稿,不是成品研报

通用大模型写研报很快 · 财通用它写的研报被监管点名的速度也很快

一这件事现在是什么样

研究与信息岗 · 真实业务触发

中报季,研究员要在两天内出华晟智造的中报点评底稿。署名的分析师要求:每个数字带出处、盈利预测写清假设、与上期预测的差异必须解释——因为这张底稿三个月后要被历史观点回顾验证 拿去对照实际值验证,也是合规质控(研究报告发布前质控底稿)审查的对象。上一版底稿的海外营收预测是 +15%~20%,中报实际 −12.6%,这 27.6 个百分点的偏差怎么向投决会解释,是最难写的一段。

二痛点 · 每条都有来源

不是流程描述,是调研出来的真痛点 —— 每条可点开核对出处

1
通用大模型在证券专业问题上幻觉率超 25%,财通证券用 通用大模型 写的研报被质疑「无法得知引用数据来源及可靠性」,同年即因研报内控被责令改正——AI 直接写成品研报已被监管案例负验证依据 · 财通证券 2023 年 2 月用 通用大模型 写医美研报被质疑数据来源不可靠,同年 8 月即因「研报业务制度不健全、内控有效性不足」被浙江证监局责令改正
3
「结论缺少数据支撑、数据来源未核实、引用信息与原文不一致」是 2023 年 35 份研报罚单的三类高频事由——底稿质量直接等于罚单风险依据 · 2023 年 5-6 月 10 地证监局对券商研报业务开出 35 份罚单(机构 10 + 个人 25),被罚多为中小券商;事由:无资质署名、数据来源未核实、底稿缺失、内控流于形式
4
浙商证券坦言互联网语料混杂不严谨信源,AI 回答可用度可信度低——私有研报库与权威信源之外的内容,机构根本不敢用依据 · 浙商证券:互联网语料混杂不严谨信源、缺乏金融语料,AI 回答可用度可信度低;私有化算力有限需借助云端,但很难准确界定私域与公开信息边界
5
研究员一人覆盖多行业是中小机构常态,盈利预测模型全靠手工拼 Excel,「导出后的手工加工环节极易出错」是监管罚单里「数据计算有误」的主要来源依据 · 全国 95 家券商研究所中真正有分仓收入的只有约 30 家,一半以上长期不能自负盈亏;中小券商研究主力是入行三五年的年轻人,一人跨多行业是常态

三换个做法之后

变化不在「快」,在「参与的角色」和「覆盖的范围」

✕ 现在的做法

  • 通用大模型在证券专业问题上幻觉率超 25%,财通证券用 通用大模型 写的研报被质疑「无法得知引用数据来源及可靠性」,同年即因研报内控被责令改正——AI 直接写成品研报已被监管案例负验证
  • 双随机检查点名「数据信息未标明出处、引自非权威渠道」是处罚重点,而这恰是通用大模型生成内容的最弱一环
  • 「结论缺少数据支撑、数据来源未核实、引用信息与原文不一致」是 2023 年 35 份研报罚单的三类高频事由——底稿质量直接等于罚单风险
  • 浙商证券坦言互联网语料混杂不严谨信源,AI 回答可用度可信度低——私有研报库与权威信源之外的内容,机构根本不敢用

✓ 交给 Agent 之后

  • 多来源文件一次读入,先做口径与完整性校验,再开始算
  • 每条结论绑定来源文件、字段或条号,可以被审
  • 产出是企业真会流转的正式件(带签批栏),不是一张展示用的表
  • 该拦的地方给出「现在还不能提交」,并给不用干等的替代方案

四场景闭环

6 步 · 每一步的产出都是下一步的输入

第 1 步
信源校验 · 先判断材料能不能用内部库、公告、终端导出三类信源分开登记;非白名单来源一律拒收并标注
第 2 步
数据提取与出处绑定中报关键财务数据逐项提取,每项绑定「文件名+页码」出处
第 3 步
口径归一 · 统一可比基准本期与上期预测的口径对齐(海外营收的统计范围、确认时点),换算规则写明
第 4 步
预测差异分析 · 直面上期偏差上期 +15%~20% vs 实际 −12.6%,逐条拆解假设哪里错了、错多少
第 5 步
底稿组装 · 观点与证据分离事实/推断/假设三栏分开写,每个数字带出处编号
第 6 步
留证签批 · 生成分析师用初稿底稿含出处索引与假设留档,署名栏、评级栏、推荐意见栏全部留空

要准备什么

内部研究底稿库(历史观点、预测值与假设——含上期华晟智造底稿)
「我们当时怎么看」的唯一合法来源——星标素材,通用工具没有
标的公告与财报 PDF(中报正文、经营数据公告)
权威信源,引用自动标页码
Wind/Choice 导出的财务与行情 Excel
终端数据可信,但手工加工易错——需逐格核对
调研纪要(调研纪要结构化入库 入库版)
已过敏感筛查的内部纪要,作为定性判断的内部依据

为什么这个场景值得做

痛感 5 × AI 适配 4 ÷ 落地难度 3 = 7.3

最大差异点 · 通用大模型写研报是「生成后无法溯源」;本场景反着做——只引用内部底稿库与白名单信源,每个数字生成时就绑定出处(文件名+页码/条目),产出的不是成品而是「可溯源底稿」:分析师署名前的初稿、质控审查(研究报告发布前质控底稿)的输入、历史验证(历史观点回顾验证)的留档,一份底稿三处复用。

评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨部门取数、错了能不能当场看出来」; 落地难度是分母 —— 需要客户先做数据治理的场景,分数会被压得很低。

五会产出什么

判断标准只有一个:这份东西能不能直接进企业的流程

正式件本体
研究底稿_初稿.docx
分析师署名前初稿 · 事实/推断/假设三栏分离 · 出处索引齐全
可派发清单
预测差异对照表.xlsx
可派投决会 · 上期假设/预测/实际/偏差逐条 · 含证据等级
可派发清单
出处索引清单.xlsx
质控用 · 每个数字→文件名+页码的完整映射

这套东西不承诺什么

不生成成品研报(署名、评级、发布由持牌分析师决定)、不引用内部库与白名单信源之外的任何数据(宁可标注「数据缺出处」)、不替分析师决定评级调整。预测值与假设逐条留档,供日后验证场景调用。推荐意见与评级栏留空。

想看具体怎么跑?

Live Demo 里有一个完整案例的每一步,包括 Agent 在哪一步拦住了