我用 DeepSeek 盲测了 120 只 A 股，5 年数据证明 AI 确实能选股
不是让 AI 看 K 线画支撑位，而是像一个研究员一样读财报、算估值、做压力测试——然后和实际涨跌对账。
为什么要做这件事
做量化的人有回测——写好规则跑一遍历史数据就知道行不行。
但做基本面研究的人没有。"这只股票股息率 8%，能持续吗？""PE 5 倍是真便宜还是陷阱？""管理层靠不靠谱？"这类判断没法写成 if PE < 10 then buy 的代码，传统回测框架根本没法验证。
我想知道：如果让 AI 严格按一套投资方法论，在历史时间点做盲测分析，它的判断到底准不准？
实验设计
基本思路
传统回测: 数值规则 → 历史价格 → 损益
我的方法: 投资理念 → AI 盲测分析 → 对比实际结果
具体做法
-
量化初筛：在每个历史截面日期（每半年一次），用硬性条件筛出候选池
- PE < 15、PB > 0、市值 > 100 亿、有分红
- 每截面 50 只候选
-
AI 深度分析：取每截面评分最高的 10 只，让 DeepSeek 做六章结构化分析
- 第一章：数据可信度核查
- 第二章：基本面画像（央国企判定、负债结构、周期位置、管理层诚信）
- 第三章：现金流与盈利质量
- 第四章：估值与安全边际（PE 陷阱检测、FCF 估值、股息可持续性）
- 第五章：压力测试（收入下滑 30% 还能活吗？）
- 第六章：投资决策（买入价、卖出价、仓位建议）
-
盲测协议
- 隐藏公司名称和股票代码，只给财务数据——消除 AI 的品牌偏见
- 严格时间边界：2022 年 6 月 30 日的分析只能看到这个日期之前已公告的财报
- 每只股票分析约 8000-15000 字，不是打个分了事
-
对账：采集 AI 给出建议后 1/3/6/12 个月的实际涨跌，对比五个基准
实验规模
- 时间跨度：2020.06 - 2025.12，共 12 个半年截面
- 候选池：每截面 50 只，共 600 只（有重复出现的）
- AI 深度分析：每截面 10 只，共 120 只
- AI 引擎：DeepSeek-Chat（成本约 ¥0.4/只，总成本约 ¥48）
结果
五基准绩效对比（核心表格）
6 个月前向收益：
| 基准 | 样本 | 平均收益 | 胜率 | 比沪深300 |
|---|---|---|---|---|
| 沪深300 指数 | 12 | +0.9% | 42% | — |
| 筛选池等权 | 600 | +4.0% | 53% | +3.0pp |
| 筛选池金龟 | 56 | +4.0% | 57% | +3.0pp |
| AI 建议买入 | 43 | +8.1% | 65% | +7.1pp |
| AI 评分 Top5 | 60 | +6.7% | 65% | +5.7pp |
12 个月前向收益：
| 基准 | 平均收益 | 胜率 | 比沪深300 |
|---|---|---|---|
| 沪深300 | +1.1% | 50% | — |
| 筛选池等权 | +7.5% | 56% | +6.4pp |
| AI 建议买入 | +13.9% | 70% | +12.8pp |
累计收益曲线
橙红色是 AI 建议买入的累计收益，灰色虚线是沪深300。5 年下来 AI 买入组累计约 2.1 倍，沪深300 原地踏步。
Alpha 从哪来？三层拆解
沪深300 +0.9% ← 被动持有大盘
│ +3.0pp ← 量化筛选的 alpha（低估值+高股息有效）
筛选池等权 +4.0%
│ +4.1pp ← AI 的增量 alpha（精选有用）
AI 建议买入 +8.1%
关键发现：量化筛选本身就有 alpha（+3pp），AI 在此基础上又加了 +4pp。两层叠加创造了 +7pp 的端到端 alpha。
逐年稳定性——不是单一年份拉高的
| 年份 | 全部分析(10只/截面) | AI 买入 | AI 增量 |
|---|---|---|---|
| 2020 | +2.8% | +9.7% | +6.9pp |
| 2021 | -2.5% | -2.6% | -0.1pp |
| 2022 | -0.9% | +4.1% | +5.0pp |
| 2023 | +11.5% | +21.8% | +10.3pp |
| 2024 | +5.9% | +12.1% | +6.2pp |
| 2025 | -2.1% | -0.1% | +2.0pp |
6 年中 5 年 AI 买入跑赢全部分析组，唯一持平的 2021 年 alpha 也只有 -0.1pp。这说明 alpha 来源分散，不是被 2023 煤炭行情一波带走的。
AI 做对了什么
1. 评分区分度非常清晰
| 评分区间 | 样本 | 6m 均收益 | 胜率 |
|---|---|---|---|
| 85-100 强买 | 6 | +7.1% | 50% |
| 70-84 买入 | 37 | +8.2% | 68% |
| 50-69 观望 | 38 | +1.8% | 55% |
| 30-49 偏回避 | 30 | -2.3% | 40% |
| 0-29 回避 | 8 | -9.2% | 12% |
从 0 分到 80 分，收益率单调递增。70-84 分是最甜蜜的区间（+8.2%，68% 胜率），而不是最高分——85+ 分样本太少且 AI 可能过度乐观。
2. 回避信号非常准
AI 建议"回避"的 26 只股票中，73% 后续确实下跌。命中的大跌案例：
- 600340（某地产公司）2020-12-31 评 25 分回避 → 6 个月后 -58.8%
- 000002（万科）2023-12-31 评 35 分回避 → 6 个月后 -33.7%
- 601666（某煤炭公司）2024-12-31 评 35 分回避 → 6 个月后 -25.8%
AI 的防守能力比进攻更强。 它最大的价值不是告诉你买什么，而是告诉你不要买什么。
3. "纯收息 + 价值发现"混合型表现最好
AI 会给每只股票判定投资流派。不同流派的表现差异很大：
| 流派 | 样本 | 6m 均收益 | 胜率 |
|---|---|---|---|
| 收息 + 价值混合 | 13 | +11.2% | 85% |
| 纯收息 | 32 | +2.0% | 56% |
| 价值发现 | 63 | +0.2% | 41% |
高股息保底 + 估值修复空间的"双保险"逻辑最有效。纯靠价值发现（低估但无息）反而表现最弱。
AI 做错了什么
最大漏洞：全国性地产股
AI 买入了 3 只全国性地产股，全部大亏（平均 -30.5%）。虽然它也成功回避了 5 只地产股，但对部分地产公司的判断出了问题——可能是低 PE + 高分红的表面数据误导了它。
其他弱点
- 周期底部反转看不准：AI 倾向于看到"业绩下滑"就给低分，但有时候恰恰是最好的买入时机
- 牛市里偏保守：在市场整体上涨时，AI 的回避信号会错过涨幅
这些弱点和 AI 的分析方法论一致——它看的是财务基本面，不是市场情绪和预期差。
技术实现
整套工具开源，三步就能跑一轮回测：
# Step 1: 量化筛选（秒级）
python -m src.engine.launcher strategies/v6_value/strategy.yaml backtest-screen
# Step 2: AI 并发分析（小时级，支持中断续跑）
python -m src.engine.launcher strategies/v6_value/strategy.yaml backtest-agent
# Step 3: 绩效评估 + 收益曲线（分钟级）
python -m src.engine.launcher strategies/v6_value/strategy.yaml backtest-eval
成本：DeepSeek API，120 只约 ¥48。
关键设计：
- 盲测：隐藏公司名称，防止 AI 调用训练记忆
- 时间边界：三层防护（数据层按公告日过滤 + Prompt 注入 + 工具沙盒）
- 策略即配置：投资理念写成 YAML 文件，引擎负责回测，不需要写代码
- 五基准对比：沪深300 / 筛选池 / 金龟 / AI 买入 / AI Top5
结论
- AI 确实能做定性投资分析，+7.1pp alpha 跨 5 年 12 个截面稳定存在
- AI 最大的价值是排除风险，回避信号 73% 命中率比买入信号更可靠
- 量化筛选 + AI 深度分析是互补的，单独用都不如叠加效果好
- 成本极低，120 只股票的完整分析不到 50 块钱
- 弱点明确：周期反转和市场情绪不在它的能力圈内
下一步：公开模拟盘，从 2026 年 H1 开始每半年发布一期持仓和 AI 分析报告，用实盘数据验证。
GitHub: github.com/turtlequant…
120 份 AI 分析报告全文、12 个截面筛选数据、五基准绩效报告全部开源。
欢迎 Star、Fork，或者带上你自己的投资理念来回测。
免责声明：本文仅用于投资方法论研究与验证，不构成投资建议。历史回测结果不代表未来表现。投资有风险，决策需谨慎。
作者：turtlequant 日期：2026-03-16
