本公众号随时可能被删被和谐，请后台私信邮箱防失联。
每天养成打开文章，一起和我速推爆产能！
学习AI加入超级产能社群请在后台私信社群，1299/年，白褥勿扰。
搜索星球号：23835731
星球名称：AI量化研究
本号为国际平台，同时在medium/substack等皆有更新，关注读者为国际社群，现主要付费入口为substack 和会员网站入口。
请转发，点赞以及在看，你们的支持是我更新的动力。无赞者必拉黑，要API者必拉黑。
2000阅读/1000赞自动解锁下一篇内容，没阅读没赞不更新，拒绝白嫖，从我做起
前文链接：
99%的人不知道的AI读财报的技巧 01
99%的人不知道的AI读财报的技巧 03 让AI替你构建“财报分析系统”
99%的人不知道，如何用OpenClaw(小龙虾）搭建上市公司财报分析系统 01
我搭建了自己的mini 彭博：
我是如何一个人建出一个「迷你彭博终端」的（以及这一年我和服务器、矿毒、Auth系统的战争）
正文：
AI让获取信息变得越来越便宜，但真正变贵的，是判断能力。
现在大多数人已经会用AI总结一份财报：
让AI提取重点
让AI解释增长
让AI列风险
让AI翻译管理层讲话
看起来很高效。
但问题是，这种用法，本质上只是：
更快地看热闹。
真正拉开差距的那1%的人，已经在用AI建立自己的财报分析能力，把它变成研究流程的一部分，而不是聊天窗口里的玩具。
区别不在AI。
区别在：
你是把AI当工具，还是当系统（我反复强调）。
工具主义u一次性，系统可复用，可量化，可扩展，可强化。
加入付费社群，建立核心财务分析能力：
1. 能力框架：
Financial-Analysis-Core/
├── Layer_1_Read_the_Numbers
│ ├── Revenue
│ ├── Margin
│ ├── EPS
│ ├── Cash flow
│ └── Balance sheet
├── Layer_2_Explain_the_Drivers
│ ├── Why growth changed
│ ├── Why margin changed
│ ├── Why cash changed
│ ├── What management changed
│ └── What risks are rising
├── Layer_3_Judge_the_Expectation_Gap
│ ├── Versus prior quarter
│ ├── Versus peer
│ ├── Versus consensus
│ ├── Versus valuation
│ └── Versus market positioning
└── Layer_4_Translate_to_Action
├── Bull / bear / base case
├── Repricing path
├── Trade implication
├── Risk trigger
└── Invalidation condition
2. 完整工作流：
AI-Earnings-Workflow/
├── Input/
│ ├── 10-Q / 10-K / 8-K
│ ├── Earnings release
│ ├── Earnings call transcript
│ ├── Consensus estimates
│ └── Historical quarter data
├── Parse/
│ ├── Extract KPIs
│ ├── Extract segment data
│ ├── Extract guidance
│ ├── Extract management language
│ └── Extract risk mentions
├── Compare/
│ ├── Vs prior quarter
│ ├── Vs prior year
│ ├── Vs consensus
│ ├── Vs peers
│ └── Vs valuation history
├── Diagnose/
│ ├── Growth drivers
│ ├── Margin drivers
│ ├── Cash quality
│ ├── Balance sheet risk
│ └── Narrative shift
├── Decide/
│ ├── What changed
│ ├── What matters
│ ├── Is this repeatable
│ ├── What is mispriced
│ └── Trade / research implication
└── Output/
├── 1-page earnings sheet
├── Full memo
├── Risk map
├── Watchlist update
└── Trade note
技术栈和代码落地加入社群后解锁。
一、99%的人在用AI“看财报”
大多数人用AI做的事情，其实只有四类：
总结
翻译
提取
解释
例如：
帮我总结这家公司财报
帮我列出重点
帮我解释收入增长原因
帮我写风险点
这些事情有没有价值？
当然有。
但这些事情属于：
信息消费。
而不是：
分析能力。
为什么？
因为你只是把：
阅读 → 交给AI
但你没有把：
判断结构 → 建立起来
你的判断水平并没有提高
换句话说：
你只是看得更快了，然后AI看，有时候还会产生幻觉。
但没有变得更懂。
这就是大多数人用了AI半年，却感觉能力没有明显提升的原因。
因为：
AI不会自动给你分析能力。
它只会放大你已有的认知结构。
如果你没有结构，它只会帮你更快浏览。
二、1%的人在用AI“分析财报”
真正拉开差距的人，做的不是：
总结财报。
而是：
拆财报。
拆变量。
他们会让AI做的事情完全不同：
不是：
这家公司怎么样？
而是：
收入结构是什么
增长来自哪里
利润变化来自哪里
成本变化来自哪里
管理层在改什么策略
市场预期在哪里
这已经不是信息提取，而是：
分析流程。
举个简单例子：
普通用法：
帮我总结财报。
进阶用法：
拆 revenue driver
拆 segment growth
拆 margin变化
拆 capital allocation
拆 guidance变化
拆市场预期差
你会发现：
AI没变。
问题也没变。
变的是：
提问方式背后的思考结构。
高手不是因为AI更强。
而是因为：
他们知道该问什么。
三、财报真正值钱的，不是信息，是定价判断
很多人看财报的逻辑是：
公司好不好。
但市场不是按“好不好”定价的。
市场按：
预期差
定价。
真正的分析逻辑是：
财报数据
→ 和预期比
→ 看 surprise
→ 看 guidance
→ 看市场会不会重新定价
也就是说：
财报不是用来看“公司”。
而是用来看：
市场可能怎么动。
例如：
收入增长很好
但低于市场预期
股价可能跌。
利润一般
但高于预期
股价可能涨。
这就是为什么：
总结财报的人，只看到信息。
分析财报的人，在找：
交易含义。
这才是金融能力。
四、真正的升级，不是AI工具，而是研究流程
AI最大的价值，不是回答问题。
而是：
帮你建立流程。
例如你可以把财报阅读变成一个固定结构：
第一步
拆收入结构
第二步
拆利润结构
第三步
看成本变化
第四步
看管理层指引
第五步
看风险因素
第六步
对比历史季度
第七步
对比同行
第八步
判断预期差
这就是：
研究流程。
而AI的真正价值，是让普通人第一次可以：
低成本建立这种流程。
以前：
这种工作流属于：
研究员
分析师
基金
现在：
个人也能做。
这才是AI真正改变的东西。
不是答案。
是：
研究能力的门槛。
五、AI不会自动让你变强，它只会放大你的结构
这是一个很多人不愿意承认的事实：
AI不会让每个人变强。
AI只会：
让有结构的人更强。
让没结构的人更快乱做事。
如果你没有：
判断框架
研究流程
分析结构
AI只会让你：
更快搜索
更快总结
更快看完
但不会让你：
更会判断。
所以真正的分化不是：
会不会用AI。
而是：
有没有自己的系统。
AI只是：
放大器。
不是：
替代品。
六、真正的差距，其实在这里
未来金融能力的差距，很可能不在：
谁更努力
谁看更多新闻
而在：
谁有自己的研究系统。
例如：
有人每天看新闻。
有人每天总结数据。
有人建立：
财报研究模块
宏观研究模块
波动率模块
风险监控模块
这三种人未来差距会非常大。
不是因为智商。
而是因为：
有没有系统。
而AI第一次让普通人有机会：
低成本建立这种系统。
这才是机会。
结尾
AI真正改变的，不是信息获取。
而是：
普通人第一次有机会建立自己的研究能力。
问题从来不是：
AI能不能帮你看财报。
问题是：
你是想更快看完财报，
还是：
建立自己的分析能力。