AI 生成的股票分析怎么看？同一个问题，它可能给你三个数字

很多人担心 AI 会凭空捏造数字。捏造确实有，但更常见、也更难防的是另一种错误：数字本身是真的，但它被用错了地方。

同一个「市盈率」，滚动口径（PE-TTM）和前瞻口径（Forward PE）能差出 20%；同一个「涨幅」，年内、近一年、自 2025 年初是三个完全不同的窗口；同一个「汇率」，用中间价、在岸价、离岸价算出来的换汇金额各不相同。这些数字单看都没错，混在一起就全错了。

西班牙证券监管机构 CNMV 在 2026 年 3 月的一份工作论文里，对 ChatGPT、Gemini、DeepSeek、Perplexity 四个模型做了长达 10 个月（2025 年 4 月至 2026 年 1 月）的实盘股票推荐评测，股票池是西班牙 IBEX-35 指数的全部成分股。研究把模型的推理失败分成四类，其中一类叫「元推理失败」——模型对「自己刚刚做了什么」产生混乱，包括在同一段回答里前后矛盾，以及一类专门的现象：carryover error（结转错误），指重复使用前一轮已经被否决的中间结果。

这里要说清一个差别：carryover error 与「混口径」并不是同一件事。更接近混口径的，是论文列的第一类失败——实时数据检索失败：模型频繁交回过时数据、虚构数字，或者把不同公司的财报混在同一张表里，甚至把上一季度的数据贴回当前查询。作者发现，这些错误往往来自模型对网页表格的「幻觉式解读」——它没有真的解析表格结构，而是基于上下文猜了一个看起来合理的数字。

两类错误的共同点在于：数字表面都成立，光看输出看不出来。一类是把不同来源的数字搅在一起，一类是把上一轮的数字带进这一轮。

这是理解「AI 能不能信」的关键分界线。

Patronus AI 在 2023 年做的 FinanceBench 测试，数据集包含超过一万道基于 SEC 文件（美国证监会公开披露文件）的题目，其中抽了 150 道考 GPT-4。结果分成两种情况：把完整原始文件放进上下文，准确率 79%；不给数据源、纯靠模型记忆，准确率掉到 9%。差了 8 倍多。这说明差距不在模型聪明不聪明，而在它有没有接入真实数据。

2026 年 8 月到 9 月的一份生产环境数据也印证了这点：接入验证过的数据库之后，Claude 在 6,852 次查询里的错误率是 3.8%，ChatGPT 在 2,470 次查询里是 7.9%；而剩下的错误，主要出在「查询构造」上（比如日期筛选写错、表连接错了），不在数据本身。换句话说，幻觉没有消失，它只是从数据层被挪到了查询层——挪到了一个代价小得多的位置。

反过来看另一组数字就更清楚了：一项发表在 Scientific Reports 的同行评审研究，用 42 个主题、636 条参考文献，测试 ChatGPT 生成的引用是否真实存在。ChatGPT-3.5 的引用里有 55% 是编造的，ChatGPT-4 降到 18%；而即便是真实存在的那部分引用，也分别有 43% 和 24% 含有实质性错误。引用都能编，「真实」也不等于「正确」。

所以第一个判据很简单：看它有没有接入可核验的数据源。有，数据检索类的问题基本可信；没有，任何数字都要打问号。

AI 的错误有个特点——它不会在出错时变得吞吞吐吐。语言模型的底层机制是生成「看起来正确的文本」，而不是「验证过的事实」。在金融这种精度要求高的领域，「通常接近真相」恰恰就是失效模式。

把「准确」拆成三层，会清楚很多。

第一层，事实准确。它引用的市盈率、营收、每股收益，是不是当下的真实数字？这一层可以测，前面那些研究测的就是这一层。

第二层，方法合理。它比较的同行对不对？用的股数对不对？有没有读懂财报？这一层正在被纳入评测。

第三层，预测准确。这只股票接下来会涨还是会跌？这一层没有任何工具能做到，人和 AI 都做不到。

绝大多数关于「AI 准不准」的争论，其实是把这三层混在一起谈。而需要警惕的是：AI 在第三层上的表现，和它在第一层上的可靠性，完全不是一回事。

两个读数可以说明第三层现在的位置。Vals AI 有一个金融智能体评测，题目基于真实上市公司文件、模拟入门级金融分析师的工作：2026 年 7 月的榜单上，即便按宽松的部分给分口径，也没有模型超过 58%；按严格口径（每道子题都要答对），所有模型都在 46% 以下。这不是冷门知识的考核，是初级分析师的日常工作。

还有一项测试值得单独说：Which? 在多个 AI 助手里植入了一个错误前提——问「如何投资 25,000 英镑的 ISA 额度」（英国当年的真实额度是 20,000 英镑）。测试发现，有助手没有识别出这个前提是错的，直接照着答了，给出了一套看起来完整的方案。一个错误的输入，得到了一份完整的计划。

上面都是别人的研究。下面这四个，是我们自己的真实经历——比研究数据更能说明问题，因为它们就发生在这半个月里。

案例一：一个差了 1.6 的数字。有份材料说标普 500 的席勒市盈率（CAPE）「已升至约 42.2，逼近 1999 年峰值」。核实之后，Shiller 官方数据集 2026 年 9 月的读数是 40.6，历史峰值确实还是 1999 年 12 月的 44.2。方向没错，数值偏了 1.6。这类偏差不致命，但如果写进文章，读者拿计算器一算就能发现问题。

案例二：方向写反的汇率。在写一篇关于汇率的稿子时，初稿写了「人民币对美元从 6.9890 升至 6.70 附近」。问题在于：USD/CNY 数值下降，意味着人民币升值；用「升」字去描述数值的下降，方向和语义是拧着的。改正之后补了一个换算例子——同样 1 万美元，年初能换约 6.99 万人民币，现在只能换约 6.70 万——读者一眼就能看懂谁受损。

案例三：两个来源的市盈率。同一只指数（纳斯达克 100），一个来源给出的滚动市盈率是 28.38 倍、处于近一年 3.7% 分位（意思是比过去 96% 的时间都便宜）；另一个来源给出的是 33 倍、处于近十年 53% 分位（意思是中规中矩）。两个数字只差约 16%，但结论一个「很便宜」、一个「中规中矩」，而且分位用的是不同窗口——近一年和近十年本来就不可直接比较。最后处理方式是取区间并注明口径差异，而不是选一个看起来更顺眼的数字。

案例四：一个被「默认值」掩盖的税。有份材料写「非美国居民投资美股，股息收入默认预扣 30%」。这句话本身没错，但对中国内地投资者是误导——凭 W-8BEN 表格主张中美税收协定，股息预扣税率可以降到 10%。30% 是没申报时的默认值，10% 才是大多数内地投资者的实际税率。这个差别直接影响到手收益：同样是 1.8% 的股息贡献，按 10% 扣税到手约 1.62%，按 30% 扣只剩约 1.26%。

四个案例有个共同点：错都不在「编造」，而在「没有核对口径、方向和适用范围」。

不需要专业工具，三步就够。

第一步：定性——这句话是事实、预测，还是推断？

很多错误就出在把第二类写成了第一类。比如「人民币将升至 6.50」是机构预测，不是事实；如果不标，读者会以为是已经发生的事。

第二步：找源——能不能找到一手来源？来源的优先级，大致是这样一条链。

CNMV 那份论文还有一个结论值得记住：把股票建议「接地」到官方监管文件，能提高预测准确性。换句话说，越靠近原始披露，可靠性越高——这不是经验之谈，是有研究支持的。

第三步：对表——数字之间能不能自洽？把稿子里的关键数字重算一遍：占比的分母是什么、倍数用哪两个数相除、涨幅对应哪个时间窗口、总额和明细能不能对上。这一层的错误，逐字读是查不出来的，只有重算才能发现。我们那四个案例里，CAPE 和汇率方向两处，都是靠重算和交叉验证才暴露的。

可以直接用的（前提是它接入了可核验数据源）：

• 数据检索：股价、市盈率、营收、每股收益、市值
• 筛选和比较：按条件选股、同比环比、多年趋势
• 结构化文件信息：财报发布日期、文件类型、内部人交易
• 技术指标读数（如果是从数据表读的，不是模型自己算的）

不能直接用的：

• 任何预测——涨跌、目标价、明年增速
• 没有数据源支撑的任何数字
• 定性判断和主观评价
• 数据库覆盖范围之外的信息（比如很新的公司、很小众的市场）

必须回源头核验的（这四类是重灾区）：

• 要写进标题或结论的关键数字。错了代价最大。
• 方向性表述。加息还是降息、升值还是贬值、上行还是下行。
• 带口径的数字。市盈率、CAPE、涨幅、占比，先问「哪个口径、哪个窗口」。
• 机构观点。先确认它是预测还是已发生，再决定怎么写。