技术深度解析
大语言模型在选股实验中的失败并非漏洞，而是其基础架构特性的体现。像GPT-4和Claude这样的模型，其核心是基于训练语料库（一个截至某个截止日期的互联网和授权数据的静态快照）内的统计相关性来预测序列中下一个标记的自回归Transformer。这为金融分析制造了几个难以逾越的障碍。
首先是时间锚定问题。金融市场是动态系统，信息的价值迅速衰减。大语言模型的知识是冻结在时间里的，无法纳入实时财报、地缘政治变动或美联储政策的突然变化。虽然检索增强生成（RAG）可以引入近期文档，但模型的推理能力并未得到根本性更新；它仅仅是有了新的上下文来进行模式匹配。其次是缺乏结构化、定量推理能力。大语言模型可以复述贴现现金流公式，却无法执行构建稳健估值模型所需的迭代式、经过误差检查的数值计算。当任务超出简单算术时，它会以惊人的频率编造数字或混淆单位。
第三点，也是最关键的一点，是缺乏因果与反事实推理能力。理解一只股票的走势需要对因果关系进行建模：股价下跌是因为糟糕的盈利，还是更广泛的板块轮动？大语言模型可以描述这两种可能性，但无法基于对证据的原则性分析来权衡其概率。它基于文本中的表面相关性（例如，“CEO辞职”常与“股价下跌”共现）运作，而非基于公司治理和市场心理的内部模型。
相关的开源项目凸显了社区对这些差距的认识。例如，GitHub上的FinGPT存储库旨在通过金融语料库的微调和实时数据管道的集成，创建专门用于金融领域的开源大语言模型。类似地，Stock-LLM等项目试图为SEC文件和价格序列添加结构化数据处理器。然而，这些项目在很大程度上仍然是核心模型的封装器，保留了相同的基本架构限制。
| 技术局限 | 对选股的影响 | 实验中的示例 |
|---|---|---|
| 静态知识截止 | 无法纳入近期新闻或数据定价。 | 模型基于2023年强劲业绩推荐一只股票，却不知道昨天发布了灾难性的2024年第一季度财报。 |
| 标记有限的上下文 | 无法整体处理完整的10-K年报或长期价格历史。 | 分析基于零散的摘要，遗漏了关键脚注或长期趋势。 |
| 概率性而非确定性输出 | 不同的模型“温度”或随机种子会产生不同的投资组合选择。 | 相同的提示词一次运行产生科技股组合，另一次运行却产生必需消费品股组合，可靠性荡然无存。 |
| 缺乏内部世界模型 | 无法模拟市场反应或进行思维压力测试。 | 未能考虑利率上升可能对其投资组合中高杠杆公司造成的过度影响。 |
数据要点： 上表说明，模型的失败是系统性的、可预测的，源于其为核心语言任务而非金融推理优化的架构选择。不稳定性（相同提示词产生不同输出）对于任何生产部署尤其致命，因为它破坏了可审计性和一致性。
关键参与者与案例研究
该实验隐含地测试了领先AI实验室的策略。OpenAI的GPT-4可能凭借广泛、通用的知识来处理任务，但缺乏专门的金融调优。Anthropic的Claude凭借其强大的“宪法AI”导向，可能表现出更谨慎的态度，或许会避免选择波动性极高或存在伦理问题的股票。Google的Gemini凭借其原生的多模态训练，如果提供图表，可能会尝试解析，但效果不明。
在金融领域部署大语言模型的现实案例很有说服力。摩根士丹利为其财富经理部署了基于GPT-4的助手，但其角色严格限于搜索和综合该银行自身庞大的内部研究文档——这是一个复杂的检索和总结工具，而非自主分析师。彭博社开发了拥有500亿参数、专门针对金融数据训练的BloombergGPT。其成功在于针对情感分类、新闻摘要等任务的领域特异性，但该公司谨慎地不将其作为预测或投资组合构建引擎进行营销。
相反，一波金融科技初创公司则不那么谨慎。像Danelfin或Trade Ideas这样的公司积极营销“AI驱动”的股票选择。仔细审视往往会发现，这些系统通常是将传统量化信号与大语言模型生成的文本分析简单结合，其“黑箱”性质使得区分真正的阿尔法来源与数据过拟合或随机噪声变得困难。
核心结论： 当前的大语言模型架构在本质上与动态、基于证据的金融决策需求存在错配。它们的优势在于处理大规模非结构化文本，而非进行严谨的定量分析或因果推理。未来的进步可能来自混合架构，将大语言模型的模式识别能力与专门的时间序列预测模型、基于规则的系统和实时数据流相结合。然而，在实现这种融合之前，将大语言模型作为独立金融分析师进行部署，仍然是一种高风险且未经证实的尝试。金融领域需要的不是更流畅的文本生成器，而是能够理解市场“为什么”会如此反应的系统。