AI能做股票投资吗？一场不允许“看答案”的终极考试

导语：投资考验的不是复述，而是判断

大语言模型已经能够快速查找财报、整理行业信息并生成结构完整的研究报告。但在真实投资中，最关键的问题并不是“发生了什么”，而是“接下来会发生什么，以及是否值得下注”。如果模型可以看到未来信息，任何回测都可能把事后诸葛亮误认为预测能力。

Hugging Face Daily Papers介绍的 Investor’s Last Exam（ILE），正是为解决这一问题而设计的股票研究基准。它要求AI只能使用决策时点已经公开的信息，独立完成从证据、假设到预测和投资判断的完整过程。

核心要点

• 把时间边界落实到整个工具链。 ILE建立了一个包含343万份文档版本、约1.52TB数据和9类来源的版本化金融数据库，并配合结构化市场数据。给定一个时间戳，检索和计算系统应当只返回当时可见的内容。
• 任务贴近买方分析师工作。 基准包含86项任务，围绕专业研究交付物组织，而不是只考察金融问答、知识记忆或单次信息检索。
• 评分追踪推理依赖关系。 专家评分框架通过金融依赖图，将结论与来源、计算过程和关键假设连接起来，同时考察研究质量、预测准确度和模拟投资表现。
• 研究能力不等于预测能力。 GPT-6 Astra综合得分为68.1，Claude Opus 5.5为66.9，二者位居整体表现前列。但Astra在“研究与证据”维度得分为78.9，在“预测与模型”维度仅为52.5，显示模型能够组织已知事实，却未必能据此形成有效的未来判断。

意义与影响

ILE最重要的贡献，不只是增加一个金融排行榜，而是改变了评估单位：研究者可以分别观察模型在哪里取得优势，又在哪一步失去优势。模型可能找对了材料，计算也没有明显错误，但在把材料转化为增长假设、风险判断和投资决策时仍然失效。对于金融智能体而言，真正的瓶颈因此可能不在搜索速度，而在不确定性下的建模与取舍。

这一设计也为后续训练提供了可能。只要时间边界和历史环境能够被稳定重放，历史市场信息就有机会成为可重复采样的训练环境。不过，基准仍需要持续检验信息泄漏、重复运行波动以及专家评分一致性等问题。尤其是检索索引、缓存或模型记忆若意外带入截点之后的信息，最终分数就会混入“事后知识”。

从现有结果看，AI距离独立承担股票投资仍有明显距离。它更像一名高效的研究助理，而不是已经成熟的投资决策者。ILE的价值，正在于把这段距离具体拆解出来。

来源：Hugging Face Daily Papers