用 Claude Fable 5 做投资分析：资料整理、反方推演与风险清单

Wed, 10 Jun 2026 21:30:39 +0800

Anthropic 发布 Claude Fable 5 和 Claude Mythos 5 后，最容易被讨论的是“最强模型”“长任务能力”“代码迁移”和“Token 成本”。但如果把它放到投资研究里看，真正值得关注的不是它能不能告诉你明天哪只股票会涨，而是它能不能把一套原本很耗人的研究流程变得更连续、更可复核。

Fable 5 面向普通用户开放，Mythos 5 则继续限制在少数受信任机构范围内。两者可以理解为同一代能力的不同开放层级：前者带有更严格的安全约束，后者保留更完整能力。公开资料显示，Fable 5 的重点提升集中在软件工程、复杂知识工作、视觉理解、长上下文、记忆和科学研究等方向。

这对投资者的启发很直接：模型越强，越不应该只拿来问一句“能买吗”。更合理的用法，是把它放进研究链条，让它做资料清洗、逻辑拆解、事实核对、假设推演和风险清单。

不要把模型当荐股工具

AI 很容易给出一个看起来完整的投资结论：行业空间、公司优势、估值区间、风险因素，甚至还能写出漂亮的买入理由。问题是，这些文字不等于判断可靠。

投资决策至少包含几层不同工作：

事实收集：财报、公告、电话会、行业数据、监管文件；
逻辑建模：收入驱动、成本结构、竞争格局、估值假设；
风险识别：政策变化、技术替代、客户集中、资本开支、流动性；
市场定价：预期差、仓位结构、情绪、交易拥挤度；
个人约束：资金期限、回撤承受力、税务和组合相关性。

大模型可以帮你处理前三类工作的一部分，但不能替你承担后两类责任。尤其是交易层面的择时和仓位管理，本质上和个人目标、风险偏好、市场结构有关，不是靠一段模型回答就能解决。

所以，Fable 5 在投资里的正确位置不是“神谕”，而是“研究助理”。

最适合它做的四类任务

第一，整理长文档。

财报、招股书、年报、研报、监管文件往往很长，人最容易在重复阅读中漏掉细节。Fable 5 这类长任务模型适合先做结构化整理：公司收入拆分、毛利率变化、费用率变化、管理层口径、重大会计项目、现金流异常点。

但这里要加一个规则：让模型每个结论都回指原文位置。没有出处的总结，只能当草稿。

第二，做横向对比。

投资研究里很多问题不是“这家公司好不好”，而是“它和同行相比到底差在哪里”。可以让模型把多家公司财报拆成同一张表：收入结构、增速、毛利率、研发费用率、资本开支、库存、应收账款、客户集中度，再让它指出差异。

这类任务比直接问“哪个公司更值得买”靠谱得多，因为它把模型限制在比较和归纳上，而不是让模型跳到投资结论。

第三，生成反方清单。

人一旦看好一个标的，很容易主动寻找支持自己观点的证据。模型的一个实用价值，是强制它扮演反方：

如果这个公司被市场高估，最可能错在哪里？
如果增长放缓，最先会体现在哪些经营指标上？
如果竞争对手降价，公司利润表会怎么受影响？
如果核心客户减少订单，哪些财务科目会提前给信号？

这类问题可以帮助你发现“看起来没问题”的叙事里藏着哪些断点。

第四，做情景推演。

与其让 AI 给目标价，不如让它列出几组假设：乐观、中性、悲观。每组假设都写清楚收入增长、利润率、资本开支、估值倍数和触发条件。这样做的好处是，结论可以被更新。

当新财报出来，你不用重新问一遍“还能不能买”，而是检查现实数据更接近哪一组情景。

一个更稳的投资研究 Loop

如果把 Fable 5 放进工作流，可以设计成一个简单的循环：

输入材料：年报、公告、电话会纪要、行业数据、竞争对手材料。
结构化整理：让模型提取关键指标、管理层表述和风险事项。
生成初稿：输出公司画像、商业模式、增长驱动和风险清单。
人工抽查：随机抽取关键结论，回到原文核对。
反方挑战：要求模型列出最强反对意见和可能证伪指标。
情景更新：把新数据放进原有假设，判断是强化、削弱还是推翻原判断。

这个 Loop 的重点是“可追踪”。每次研究都留下输入材料、假设、结论和后续验证点。这样模型不是替你拍脑袋，而是帮你把研究过程固定下来。

成本会成为现实约束

Fable 5 这类模型越适合长任务，越容易带来高消耗。公开报道提到，Fable 5 和 Mythos 5 的 API 定价为每百万输入 Token 10 美元、每百万输出 Token 50 美元。对于短问答，这个价格还可以接受；对于几十份文件、多轮修正、长时间 Agent 任务，成本会很快变得明显。

这意味着投资研究不能无脑把所有材料都丢给最强模型。更合理的分工是：

普通模型做初步清洗、去重和摘要；
强模型处理关键判断、复杂对比和反方推演；
人负责事实抽查、假设选择和最终决策；
重要结论必须能回到原始材料验证。

最强模型应该用在“贵但值得”的地方，而不是替你读每一段无关材料。

一套可直接复制的研究 Prompt

可以把 Fable 5 当成研究助理，但指令要写清楚边界。下面这个模板可以直接改：

你是我的投资研究助理。请只基于我提供的材料进行分析，不要补充未经验证的信息。

研究对象：
- 公司/行业：
- 研究目的：
- 时间范围：
- 我已经提供的材料：

请按以下结构输出：
1. 关键事实：列出收入、利润、现金流、业务结构、管理层表述等事实，并标注来源。
2. 变化点：指出与上一期或同行相比最明显的变化。
3. 支持观点：列出看多该标的的主要理由。
4. 反方观点：列出最强的反对理由和可能证伪指标。
5. 风险清单：按经营、财务、竞争、政策、估值、流动性分类。
6. 待核查问题：列出不能从材料中确认、需要人工继续查证的问题。

要求：
- 不要给出买入、卖出或目标价建议。
- 每个重要结论都要对应原文出处或材料名称。
- 如果材料不足，请直接说明“不足以判断”。

这个模板的重点不是让 AI 更会“预测”，而是把它锁定在资料整理和逻辑检查上。输出越结构化，越容易人工复核。

财报分析时该输出哪些字段

如果让 AI 读财报，不要只让它“总结一下”。更好的做法是要求它输出固定字段：

收入：总收入、分业务收入、分地区收入、同比和环比变化；
利润：毛利率、营业利润率、净利率、一次性损益；
费用：研发、销售、管理费用率，以及异常变化原因；
现金流：经营现金流、自由现金流、资本开支、现金余额；
资产负债：应收账款、库存、合同负债、有息负债、商誉；
经营指标：用户数、订单量、客单价、产能利用率、留存率等行业指标；
管理层表述：增长指引、风险提示、资本开支计划、回购或分红；
异常项：口径变化、会计调整、大客户变化、监管事项。

这些字段不一定每家公司都有，但它们能逼着模型从“写作文”转向“填表”。填不出来的地方，往往就是你需要继续查证的地方。

如何要求 AI 给出引用来源

避免编造的关键，是让模型把每条结论和材料绑定。可以这样要求：

每个结论后面标注材料名称、页码、段落标题或原文摘录；
不允许使用“据公开资料”“市场认为”这类模糊来源；
对没有出处的判断，单独放进“推测”或“待验证”栏目；
引用原文时只摘关键短句，不要大段复制；
让模型列出“我没有找到证据支持的说法”。

还可以加一句硬约束：如果无法定位来源，就不要把它写成事实。投资研究里，少一个漂亮但没出处的结论，通常比多一个幻觉更安全。

什么时候该用强模型

不是所有步骤都需要 Fable 5 这种强模型。一个比较省钱的分工是：

任务	推荐模型
文档去重、粗摘要、格式清洗	便宜模型或本地模型
财报字段提取、表格整理	中等模型
多家公司横向对比	中等模型或强模型
反方推演、证伪指标设计	强模型
长上下文综合判断	强模型
最终投资决策	人

强模型最适合处理“上下文长、变量多、需要权衡”的环节。简单摘要、格式转换、初筛资料，则不必每次都用最贵的模型。

哪些投资问题不应该问 AI

有些问题问出来就容易把模型推向过度承诺：

“明天会涨吗？”
“现在能不能满仓？”
“给我一个确定能赚钱的组合。”
“这只股票目标价是多少？”
“我亏了这么多，要不要加仓回本？”
“把所有风险都考虑进去后，告诉我最终结论。”

这些问题的问题不在于 AI 一定答不出来，而在于答案会显得过于确定。更好的问法是把问题拆开：哪些事实支持上涨？哪些指标会证伪？市场已经定价了什么？如果判断错了，最先会在哪里体现？

需要警惕的三个误区

第一，把流畅表达当成正确。

模型越强，越会把不确定内容写得像定论。投资研究里最危险的不是模型说“不知道”，而是它把不完整的信息包装成完整故事。

第二，把历史解释当成未来预测。

AI 很擅长解释已经发生的事，但投资真正困难的是未来预期差。它能帮你拆解过去，却不能保证未来会按同样路径发生。

第三，把工具能力当成投资能力。

Fable 5 能写代码、读图表、整理文件，不代表它理解你的组合目标。工具能力提升的是研究效率，不自动提升风险承受能力和决策纪律。

结论

Claude Fable 5 对投资研究有价值，但价值不在于“问它买什么”。更接地气的用法，是把它当成一个能连续工作的研究助手：帮你读材料、做表格、找矛盾、列反方、跑情景、更新假设。

真正的边界也很清楚：它不替你承担风险，不替你管理仓位，不替你判断自己的钱能亏多少。AI 越强，越要把它放进有规则的流程里，而不是放到神坛上。

参考来源：知乎专栏原文、36氪 APPSO 实测文章、量子位报道、证券时报/界面新闻报道

AI投资 on KnightLi的博客