AlphaVue 更新：从 AI 选股研究到投资决策系统

AlphaVue 一直擅长一件事：把一个代码转成结构化的研究报告。你输入一家公司，平台会把财务数据、估值、风险和来源拼装成你能真正读懂的内容。这个能力仍然存在，也依然重要。本次发布新增的是报告落地之后发生的一切。

研究报告只是一个快照，而快照会过时。公司不停地披露信息，价格不断变动，预测不断被修正，一份三个月前看起来合理的结论可能在没有任何单一重大事件的情况下失去合理性。股票研究的困难之处很少在于第一次阅读，而在于跟踪发生了什么变化、判断最初的推理是否仍然成立，以及理解一个新事实对你已持有的股票意味着什么。

后半部分正是本次更新的重点：将一个 AI 股票研究平台变成一个投资决策系统。AlphaVue 现在在其分析周围保留持久状态：研究的各个版本、每个版本背后的证据、它们产生的结果以及随之而来的提醒。产品围绕一个循环组织，本次发布的每一个新界面都位于该循环的某个环节：

发现 → 研究 → 跟踪 → 理解变化 → 验证 → 前向测试 → 查看投资组合影响 → 再次审阅。

下面介绍发布了什么、每个部分的作用以及如何使用。

为什么一份报告不够

大多数 AI 股票研究工具的局限不在于单个答案的质量，而在于答案随后为你做了什么。

一个典型的工作流程是这样的：你请求分析、你阅读它、你可能会保存它，然后过程就结束了。报告不会记住自己。它不会在有新的文件与其假设相矛盾时提醒你。市场重新定价该股票时，它不会重新运行。如果你三周后回到这里，你实际上是在重新开始，除非你做了笔记，否则你甚至可能都不会注意到原先的结论已经悄然变得站不住脚。

投资者实际上并不需要更多的报告。他们需要对一组较小但重复出现的问题得到答案：

• 自上次看这家公司以来发生了什么变化？

• 哪些新的主张有证据支持，这些证据在哪里？

• 这个想法在历史上是否可行，在什么条件下可行？

• 在没有事后诸葛亮的情况下，这个想法未来是否仍然有效？

• 某个变化对已持有该股票的投资组合意味着什么？

这些问题有一个共同点：它们都需要状态。你需要旧版本的分析来与新版本进行比较。你需要固定的输入来公平地重放一个决策。你需要在结果发生之前的起始日期来称得上是诚实的测试。一个只会生成报告的工具无法回答这些问题。

因此 AlphaVue 被围绕一个循环重建，而不是围绕一份文档。发现一家公司、研究它、跟踪它、理解发生了什么变化、验证假设、向前观察、检查投资组合影响，然后再次审阅整条链路。分析仍然是引擎，但产品是这个循环。

考虑一个典型错误是如何形成的。你在四月阅读了一份关于一家公司的分析。报告很扎实，估值看起来合理。两个月后，公司下调了指引，股价下跌，原先的论点悄然失效。报告不会告诉你这一点，因为一旦写成，报告就不能再告诉你任何事。你在四月需要的不是一份更好的报告。你需要一个能注意到指引变化、将其与论点关联、向你展示支持新结论的证据并解释该变化对你持有的仓位意味着什么的系统。这就是本次发布要弥补的空白。

Today: 一个告诉你发生了什么变化的决策信息流

登录后你首先看到的已不再是通用的仪表盘。它是 Today，一个由你关注的公司构建的个人信息流。

当有重大事件发生时，信息流中会出现一条条目：支持或削弱当前论点的新证据、风险变化、催化因素、观测到的结果，或研究立场本身的转变。每一次变化只产生一条更新，经过去重，而不是一堆相互重叠的通知。更新会显示发生了什么改变、为何重要、当前的论点、支持证据，以及在可用的情况下，该变化对持有该仓位的投资组合意味着什么。

该信息流建立在一个简单的契约上：如果没有变化，你就不应该看到任何内容。听起来显而易见，但大多数报警系统每天都在违背这一点，发送的是数量而不是信号。AlphaVue 将更新视为值得阅读的稀有事件，而不是营销接触点。你已经查看过的更新会自动避开视线，信息流分批加载，即便你的关注列表增长，依然保持响应性。

关注是信息流构建的方式。你可以在研究工作区关注你关心的公司，注册过程故意简化：它会保留你正在查看的股票代码和正在阅读的更新，并在注册后将你带回同一页面。这个返回路径比看起来更重要。访客一旦注册，产品应该继续他们正在进行的任务，而不是把他们扔到一个通用的欢迎界面。

通知遵循相同的纪律。偏好设置按公司和渠道设置：应用内提醒、电子邮件摘要、静默时段。退订就是退订，一次重大变化只会产生一次投递，指向确切的案例版本。重复或未发生变化的事件不会产生任何通知。

主页上的证据阶梯

主页现在以更简练的形式呈现相同的理念：研究、验证、观察、决策。这不是一句口号。阶梯的每一层都映射到产品中的一个面，并且其顺序是有意为之的。

研究是你形成对一家公司的观点的地方。验证是在历史中检验该观点，而不是接受叙述。观察是将存活下来的观点固定下来，让实时数据产出证据。决策是在保留你所相信的内容以及自那以后发生了什么记录的情况下采取行动。这个阶梯想表达的是，人工智能的观点只有在经历可被检验的阶段后才真正有用。

这种表述改变了产品所承诺的内容。旧版主页描述了一个 AI 平台，并让流程自我说明。新版则要求更小、更具体的承诺：检验一个论点，跟随证据，看看推理是否站得住脚。这个差别很重要，因为要求较小承诺的产品，更可能被严肃的投资者尝试。

公司研究工作区现在是一个终端

当你打开一家公司的页面时，你会得到一个带选项卡的工作区，而不是一长串滚动页面。选项卡将曾经混在一起的任务分离出来：

• 概览 — 当前结论、数据健康检查，以及二者背后的历史。

• AI 研究 — 深度、多视角的研究流程，作为核心分析层保留。

• 数据与估值 — 数字、财务趋势与估值视角。

• 事件与证据 — 披露、催化因素与原始来源。

• 验证 — 规则、回测、AI 重放及前瞻性观测。

概览选项卡现在遵循一个有意的阅读顺序：先是当前结论，然后是数据健康检查，接着是历史回顾。以前的布局把几个“我们认为是什么”模块堆叠在一起，每个模块都从略微不同的角度回答大致相同的问题。新的布局先把答案做得不含糊，然后再展示达成结论的过程。

决策更新模块位于概览顶部。它阐明当前观点、自上次版本以来发生的变化，以及支持该变化的证据。在其下方，数据健康检查会告诉你哪些部分已完成、哪些是部分完成、哪些仍在准备中，这样你就永远不会猜测空白区域是“无数据”还是“尚未收集”。下面的历史回顾将当前观点与案例时间线连接起来，让你看到论点如何演变，而不是把每次访问都当作全新开始。

还有一个公司新闻选项卡。头条被置于语境中而不是被简单堆砌：工作区区分了公司报告的事实与第三方的解读，并在来源允许时把重要新闻链接回基础公告或披露文件。头条不应自动成为论点，但它应指向值得核实的文档。

过去依赖模糊点位和简陋小图的四维健康检查现在变得明确。每个指标都会显示其数值、方向、周期和数据维度。财务趋势图允许你选择指标、单位和时间范围，显示最新数值并解释变化原因。如果某个维度没有可靠数据，它会保持隐藏，而不是用中性占位符填充。把缺失呈现为证据曾是一个不显眼但造成混淆的来源；删除这种做法是本次发布中较为诚实的改进之一。

公司一页摘要仍然是快速路径：市场背景、报告事实、财务历史、备案文件和即将发生的事件都以结构化视图呈现。当你需要三十秒的方向判断时，这是正确的起点。分标签工作区则是在问题变得具体时要进入的地方。

新鲜度被视为内容的一部分，而非琐碎细节。研究快照会显示生成时间以及其是否为最新、已过期或部分更新，因此你无需猜测眼前的视图是否反映了最新的备案文件。案例时间线保存每个版本的论点，并以结构化视图展示它们之间的变化：先前结论、新结论以及推动差异的证据。

证据抽屉位于主张之后。每条重要陈述都带有其来源和采集状态，打开某条主张会显示原始材料，而不是要求你信任摘要。这一层把“AI 这么说”变为“AI 这么说，而且这里有它所依据的备案文件。”

策略实验室：在信任之前先测试规则

大多数股票想法实际上是伪装成交易规则。“这家公司被低估”变为“当市场错误定价时买入”。“行业正在转向”变为“买领先者，避开落后者”。策略实验室的存在就是为了测试第二层，也就是你实际可以衡量的那部分。

你可以在不写代码的情况下，用技术规则运行股票回测。选择一条规则或规则组合，选择投资范围和日期区间，设置基准和成本，平台会异步运行任务并返回以明白语言下结论的结果。统计数据会呈现，但它们在答案之后，而不是代替答案。

在结论下方，你会得到假设、样本、与基准的比较、回撤、稳健性度量和费用。前瞻滚动窗口和参数敏感性显示结果是否能在输入变化下存活，还是只是偶然奏效。这个区别很重要：只有在某个特定回溯期才有效的规则是运气的描述，而不是策略。

一个具体例子有助于理解。假设你想测试一个简单的趋势规则：当 50 日均线上穿 200 日均线时买入，回穿时卖出。策略实验室让你设置该规则、选择投资范围和日期区间，并以 SPY 为基准运行。结果不仅告诉你收益率，还会告诉你该规则实际执行了多少笔交易、权益曲线在回撤期间的表现、结果对这两个回溯窗口的敏感性，以及费用会如何影响它。你可能会认为该规则可行，也可能认为优势被费用吞噬。无论哪种情况，你都知道答案，而且是在承担任何风险之前就知道。

无代码策略构建器附带合理的默认设置。日期已预填，已有一个进场规则，并且分阶段进度条清晰显示长运行的进度。当回测没有产生信号或出现全部持有的结果时，工作区会解释原因，而不是显示空白图表。基准被锁定为 SPY，这消除了一个常见的隐性偏差来源：你无法悄悄选择一个有利于策略的基准。

验证不限于一次运行。工作区会报告覆盖率，因此你可以分辨某个结果是基于少数几笔交易还是数百笔交易，并且它会标注样本质量而不是将其隐藏。事件研究能隔离策略在特定市场事件前后如何表现。报告可以导出，已保存的运行可以并排比较，这会把一次性测试变成一个小型研究库。

产品中有一条明示的界限：回测不是预测。它只是对一条规则在历史数据上如何表现的描述，而费用、幸存者偏差和市场状态变化都可能扭曲这一图景。Strategy Lab 试图让这些扭曲可见。评断线、样本说明和费用明细正是为此而存在。

AI 历史重放：在某一时间点重新运行研究

回测检验规则。AI 历史重放检验的是研究本身。

思路很直白：取一次 AI 研究运行，并在较早的时间点重新执行，只使用当时存在的证据和数据快照。重放显示系统在结果已知之前会得出什么结论：它使用了哪个模型版本、哪个提示（prompt）、哪个数据版本和来源，以及它标记的关键风险。这对于审计过去的决策很有用。当时的研究是否提出了正确的问题，还是只是事后看起来很有说服力？

重放刻意与确定性回测分开。回测重演的是一条固定的规则；重放则是重新运行一个开放式的研究过程。它们回答不同的问题，并在产品中有不同的标注，以免将研究重放误认为统计检验。

当一项已发布的决策没有附带冻结的研究包时，平台会回退到最新的私有分析而不是报错，并且会如实说明重放了哪个版本。结果总是显示所用的模型、提示和数据版本，因为一个无法重现的重放并不是真正的审计。重放以信用为基础，并在标的范围与费用上设限，这样可以保持该功能可用，而不会变成无底的计算账单。

前向测试：唯一无法作弊的测试

用一句话描述回测与前向测试的区别：回测问的是这个想法过去是否会奏效；前向测试问的是它从现在起是否奏效。

后见之明偏差是回测中最难去除的偏差。你知道发生了什么，所以你也知道应当选择哪些参数、突出哪些市场状态、以及把哪个时期称为“正常”。无论多么严格的滚动前向做法，都无法完全消除这种优势。前向测试通过设计本身消除了这种问题：策略在结果出现之前被冻结，结果无法被回填。

当你启动前向测试时，AlphaVue 会冻结策略版本、其参数、数据合约、起始资金、基准和开始时间。从那一刻起，平台在真实市场日历上运行一个纸面账本——订单、成交、净资产值、检查点——。你可以暂停、恢复或停止测试，且每一项事件都是不可变的。没有重写历史的机制，因为根本没有历史：记录从创建时开始，只会向前增长。

前瞻性测试能产出回溯测试无法给出的东西：在结果发生前所做的观察。经过足够的检查点后，一项重要的前瞻性结果可以在决策推送中触发更新，闭合验证与日常监控之间的循环。产品最直接兑现发布承诺的正是这一部分：让你知道发生了什么变化，以及该论点是否经受住了检验。

投资组合影响：变动对持仓意味着什么

如果决策更新忽略了你已经持有该股票，哪怕结论正确也可能毫无用处。投资组合影响是研究与实际头寸之间的桥梁。

你可以手工创建投资组合，或从 CSV 导入，包括持仓、成本基础和现金。AlphaVue 会确定性地计算敞口、集中度、行业分布、相关性和风险贡献。目的不是为了卖弄复杂性，而是回答一个具体问题：如果这个论点失效，我的投资组合有多大比例会受到影响，具体会通过哪些头寸体现？

每一次影响持仓的决策更新都可以通过三种情景来查看：当前情形、论点失效时的情形，以及头寸发生变化时的情形。投资组合影响历史会随时间记录这些视图，这样你就能看到风险特征如何随着研究变化，而不必依赖记忆。

举个例子更容易理解。你持有一家公司的头寸，而对该公司的研究立场刚刚转向更为谨慎。投资组合视图会显示该头寸相对于总额的大小、同一行业在组合中所占比例，以及若论点失效时情景计算的含义。这些都是你可以衡量的事实。它们不是卖出指令，产品也从不假装那是指令。

产品在此划下明确界限。它解释变动对投资组合的含义，但绝不会发布个性化的交易指令。情景计算描述在既定假设下会发生什么；它不会告诉你该怎么做。这个界限是设计的一部分，而非注释，因为“这是影响”和“你应该卖出”之间的区别，正是研究工具要么提供帮助、要么越界进入其并无许可提供的建议的分水岭。

研究库、已保存案例与分享

找不到的研究等于未曾做过的研究。已保存工作区汇集了你想回看的内容：你正在研究的公司、带有历史记录的投资案例、验证运行、前瞻性测试和导出内容。决策收件箱保存你尚未审阅的更新，这样信息流就能专注于新内容，而不是重复推送旧条目。

本次发布中，共享获得了隐私许可。您可以共享一份研究收据：一份只读快照，显示研究结论，同时隐去私有字段并附上公开证据。接收者可以看到结论、证据和归属信息，但不会看到您的投资组合、笔记或身份，除非您另有选择。过去共享结论常常意味着粘贴截图或导出包含过多上下文的文档。收据为您提供了一种在不暴露工作区其他内容的情况下，向他人指明推理过程的方法。

值得复制的工作流程

这些新界面单独使用也很有用，但它们被设计为按顺序使用。一个有纪律的循环操作大致如下：

1. 发现。 使用发现功能找到值得投入时间的公司。不是每只股票都值得做完整的研究，而研究一个与你无关的公司是浪费上午时间的最快方式。

2. 研究。 打开公司的工作区，从概览开始。在形成自己的结论之前先阅读当前结论，然后检查哪些数据部分是完整的。

3. 验证。 打开“事件与证据”选项卡，查看影响判断的重要声明的原始来源。摘要只是起点，不能替代正式文件。

4. 验证（Validate）。 在信任一个观点之前，将其放入 Strategy Lab 中检验。测试规则本身，而不仅仅是叙述。在让结果改变你的想法之前，检查覆盖范围、基准和费用假设。

5. 观察。 若该想法通过验证，将其冻结为一个前瞻性测试，让纸面账目积累真实的观测记录。记录起初很短——那正是目的所在。

6. 复盘。 当出现重大更新时，先检查对投资组合的影响，然后回顾案例历史，查看论点是被证实还是受到质疑。

该清单并不保证更高的收益。它是让流程可重复的方式，而这在长期内比任何单次判断都更重要。可重复的流程也是从错误中学习的唯一办法，因为它能记录你曾相信什么、何时相信以及随后发生了什么。

保持不变的部分

并非所有内容都被重建，仍然保留的部分值得指出。

AI Research 仍然是分析核心。它是产生决策层背后深度、多视角分析的过程，并没有为了新界面而被削弱。来源引用仍贯穿产品：每一项重要的断言都可追溯到其来源材料。该平台仍支持多种语言，包括英语、中文和日语，未来还会增加其他地区语言。响应式设计仍可在手机到宽屏桌面显示器上工作，本次发布的无障碍改进覆盖了新的工作区，而不仅仅是营销页面。

指出这些的原因在于，当能明确哪些没有改变时，功能更新更容易让人信任。决策层是在已有分析引擎之上增加的。

AlphaVue 仍然不能做的事

明确界限是值得的，因为这也是产品诚实的一部分。

AlphaVue 不承诺超越市场的回报，也不将模型置信度表述为统计上的胜率。它不发布个性化的交易指令，研究内容也不构成买入或卖出任何证券的建议。情景输出描述在所述假设下会发生的情况；它们未考虑您的目标、税务状况或风险承受能力。

数据覆盖因公司、来源和披露惯例而异。某些数据集按需收集，因此某个部分可能是部分的或仍在准备中，工作区会显示该状态，而不会假装数据是完整的。估计事件日期标注为估计，应通过投资者关系材料予以核实。AI 输出可能包含错误或遗漏相关背景，市场数据可能延迟或受上游问题影响。正确的使用方式是将本产品作为一个输入，配合原始文件和您自己的判断共同使用。

常见问题解答

什么是 AlphaVue？

AlphaVue 是面向自主决策的美股投资者的 AI 股票研究平台。它生成带引用来源的结构化公司研究，现在又增加了决策层：个人化的重大变动推送、策略验证、AI 历史重放、前瞻性测试以及组合影响分析。

AlphaVue 决策推送是什么？

该推送是针对您关注公司的重大更新的个人化信息流。当证据、风险、催化因素、结果或研究立场发生变化时，便会出现更新。每条更新都链接到支撑证据并显示当前论点，因此该推送回答了一个问题：自您上次查看以来发生了什么变化。

我可以在不写代码的情况下回测股票策略吗？

可以。Strategy Lab 支持无代码回测，提供可视化策略构建器和技术规则。您选择规则、标的范围、日期区间和基准；平台会异步运行测试，并以通俗语言解释结果，包括回撤、稳健性、费用和局限性。

回测与前瞻性测试有何不同？

回测是将规则在历史数据上进行测试，始终面临事后偏差。前瞻性测试在策略创建时将其固定，并只在纸面账上记录随后发生的情况。前瞻性测试结果不能被事后填补，因此不具备事后优势。

什么是 AI 历史重放？

AI 历史重放是在较早的“截至”日期重新运行 AI 研究流程，仅使用当时可用的证据和数据快照。它更像是一种研究审计，而非确定性的回测，并会显示所用的模型、提示和数据版本，以便重现结果。

组合影响分析如何运作？

您可手动创建组合或从 CSV 导入。AlphaVue 会计算敞口、集中度、行业分布、相关性和风险贡献，然后展示在不同情景下某项决策更新对组合的影响，包括论点失败的情况。

AlphaVue 是投资建议吗？

不是。AlphaVue 提供研究信息和工具。它不考虑您的个人目标、财务状况、税务状况或风险承受能力，也不发出个性化的交易建议。

AlphaVue 是否保证回报？

不。该平台并不承诺超越市场的回报，验证和前瞻性测试结果描述的是在所述假设下的行为，而不是对未来表现的预测。

AlphaVue 覆盖哪些公司？

研究覆盖集中在美国上市公司，具体取决于数据可用性。数据集正在收集时，覆盖可能是部分的，工作区会显示每个模块的收集状态，这样你就不会无从猜测。

AlphaVue 的费用是多少？

AlphaVue 提供免费层和 Pro 专业计划。免费层提供有限的分析和受限的验证运行；Pro 增加更高的配额、更深入的证据、更多的关注、投资组合影响分析以及更长的前瞻性测试历史。有关当前详情，请参阅定价页面。

AlphaVue 如何避免前瞻性偏差？

验证运行使用版本化的数据快照和冻结的输入，因此分析仅反映截至该日期已知的信息。前瞻性测试更进一步：策略在创建时被冻结，结果不能回填，从构造上消除事后偏见。AI 历史重放显示所使用的模型、提示和数据版本，因此可以复现该过程。

我的投资组合和研究数据是私密的吗？

投资组合持仓、笔记和已保存的个案对你的账户私有。共享的研究记录为只读，私有字段会被屏蔽，只展示你选择共享的结论和公开证据。

从变化开始，而不是从报告开始

要了解此更新的含义，最简单的方法是打开你已关注的一家公司，从概览开始。阅读当前结论。检查发生了什么变化。查看证据。如果这个想法对你很重要，就用验证运行检验它；如果通过，就将其冻结为前瞻性测试，这样下一次审查时就有真实的内容可供查看。

AlphaVue 仍然是一个 AI 股票研究平台。只是现在在得出答案之后不再是死胡同。

在 AlphaVue 中打开一家公司并从新的概览开始。