用 Claude Fable 5 做投資分析：資料整理、反方推演與風險清單

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

Anthropic 發布 Claude Fable 5 和 Claude Mythos 5 後，最容易被討論的是「最強模型」「長任務能力」「程式碼遷移」和「Token 成本」。但如果把它放到投資研究裡看，真正值得關注的不是它能不能告訴你明天哪支股票會漲，而是它能不能把一套原本很耗人的研究流程變得更連續、更可複核。

Fable 5 面向一般使用者開放，Mythos 5 則繼續限制在少數受信任機構範圍內。兩者可以理解為同一代能力的不同開放層級：前者帶有更嚴格的安全約束，後者保留更完整能力。公開資料顯示，Fable 5 的重點提升集中在軟體工程、複雜知識工作、視覺理解、長上下文、記憶和科學研究等方向。

這對投資者的啟發很直接：模型越強，越不應該只拿來問一句「能買嗎」。更合理的用法，是把它放進研究鏈條，讓它做資料清洗、邏輯拆解、事實核對、假設推演和風險清單。

不要把模型當薦股工具

AI 很容易給出一個看起來完整的投資結論：產業空間、公司優勢、估值區間、風險因素，甚至還能寫出漂亮的買入理由。問題是，這些文字不等於判斷可靠。

投資決策至少包含幾層不同工作：

事實收集：財報、公告、電話會、產業資料、監管文件；
邏輯建模：收入驅動、成本結構、競爭格局、估值假設；
風險識別：政策變化、技術替代、客戶集中、資本支出、流動性；
市場定價：預期差、倉位結構、情緒、交易擁擠度；
個人約束：資金期限、回撤承受力、稅務和組合相關性。

大模型可以幫你處理前三類工作的一部分，但不能替你承擔後兩類責任。尤其是交易層面的擇時和倉位管理，本質上和個人目標、風險偏好、市場結構有關，不是靠一段模型回答就能解決。

所以，Fable 5 在投資裡的正確位置不是「神諭」，而是「研究助理」。

最適合它做的四類任務

第一，整理長文件。

財報、招股書、年報、研報、監管文件往往很長，人最容易在重複閱讀中漏掉細節。Fable 5 這類長任務模型適合先做結構化整理：公司收入拆分、毛利率變化、費用率變化、管理層口徑、重大會計項目、現金流異常點。

但這裡要加一個規則：讓模型每個結論都回指原文位置。沒有出處的總結，只能當草稿。

第二，做橫向對比。

投資研究裡很多問題不是「這家公司好不好」，而是「它和同業相比到底差在哪裡」。可以讓模型把多家公司財報拆成同一張表：收入結構、增速、毛利率、研發費用率、資本支出、庫存、應收帳款、客戶集中度，再讓它指出差異。

這類任務比直接問「哪家公司更值得買」可靠得多，因為它把模型限制在比較和歸納上，而不是讓模型跳到投資結論。

第三，生成反方清單。

人一旦看好一個標的，很容易主動尋找支持自己觀點的證據。模型的一個實用價值，是強制它扮演反方：

如果這個公司被市場高估，最可能錯在哪裡？
如果成長放緩，最先會體現在哪些經營指標上？
如果競爭對手降價，公司利潤表會怎麼受影響？
如果核心客戶減少訂單，哪些財務科目會提前給訊號？

這類問題可以幫助你發現「看起來沒問題」的敘事裡藏著哪些斷點。

第四，做情境推演。

與其讓 AI 給目標價，不如讓它列出幾組假設：樂觀、中性、悲觀。每組假設都寫清楚收入成長、利潤率、資本支出、估值倍數和觸發條件。這樣做的好處是，結論可以被更新。

當新財報出來，你不用重新問一遍「還能不能買」，而是檢查現實資料更接近哪一組情境。

一個更穩的投資研究 Loop

如果把 Fable 5 放進工作流，可以設計成一個簡單的循環：

輸入材料：年報、公告、電話會紀要、產業資料、競爭對手材料。
結構化整理：讓模型提取關鍵指標、管理層表述和風險事項。
生成初稿：輸出公司畫像、商業模式、成長驅動和風險清單。
人工抽查：隨機抽取關鍵結論，回到原文核對。
反方挑戰：要求模型列出最強反對意見和可能證偽指標。
情境更新：把新資料放進原有假設，判斷是強化、削弱還是推翻原判斷。

這個 Loop 的重點是「可追蹤」。每次研究都留下輸入材料、假設、結論和後續驗證點。這樣模型不是替你拍腦袋，而是幫你把研究過程固定下來。

成本會成為現實約束

Fable 5 這類模型越適合長任務，越容易帶來高消耗。公開報導提到，Fable 5 和 Mythos 5 的 API 定價為每百萬輸入 Token 10 美元、每百萬輸出 Token 50 美元。對於短問答，這個價格還可以接受；對於幾十份文件、多輪修正、長時間 Agent 任務，成本會很快變得明顯。

這意味著投資研究不能無腦把所有材料都丟給最強模型。更合理的分工是：

普通模型做初步清洗、去重和摘要；
強模型處理關鍵判斷、複雜對比和反方推演；
人負責事實抽查、假設選擇和最終決策；
重要結論必須能回到原始材料驗證。

最強模型應該用在「貴但值得」的地方，而不是替你讀每一段無關材料。

一套可直接複製的研究 Prompt

可以把 Fable 5 當成研究助理，但指令要寫清楚邊界。下面這個模板可以直接改：

你是我的投資研究助理。請只基於我提供的材料進行分析，不要補充未經驗證的資訊。

研究對象：
- 公司/產業：
- 研究目的：
- 時間範圍：
- 我已經提供的材料：

請按以下結構輸出：
1. 關鍵事實：列出收入、利潤、現金流、業務結構、管理層表述等事實，並標註來源。
2. 變化點：指出與上一期或同業相比最明顯的變化。
3. 支持觀點：列出看多該標的的主要理由。
4. 反方觀點：列出最強的反對理由和可能證偽指標。
5. 風險清單：按經營、財務、競爭、政策、估值、流動性分類。
6. 待核查問題：列出不能從材料中確認、需要人工繼續查證的問題。

要求：
- 不要給出買入、賣出或目標價建議。
- 每個重要結論都要對應原文出處或材料名稱。
- 如果材料不足，請直接說明「不足以判斷」。

這個模板的重點不是讓 AI 更會「預測」，而是把它鎖定在資料整理和邏輯檢查上。輸出越結構化，越容易人工複核。

財報分析時該輸出哪些欄位

如果讓 AI 讀財報，不要只讓它「總結一下」。更好的做法是要求它輸出固定欄位：

收入：總收入、分業務收入、分地區收入、同比和環比變化；
利潤：毛利率、營業利潤率、淨利率、一次性損益；
費用：研發、銷售、管理費用率，以及異常變化原因；
現金流：經營現金流、自由現金流、資本支出、現金餘額；
資產負債：應收帳款、庫存、合約負債、有息負債、商譽；
經營指標：用戶數、訂單量、客單價、產能利用率、留存率等產業指標；
管理層表述：成長指引、風險提示、資本支出計畫、回購或分紅；
異常項：口徑變化、會計調整、大客戶變化、監管事項。

這些欄位不一定每家公司都有，但它們能逼著模型從「寫作文」轉向「填表」。填不出來的地方，往往就是你需要繼續查證的地方。

如何要求 AI 給出引用來源

避免編造的關鍵，是讓模型把每條結論和材料綁定。可以這樣要求：

每個結論後面標註材料名稱、頁碼、段落標題或原文摘錄；
不允許使用「據公開資料」「市場認為」這類模糊來源；
對沒有出處的判斷，單獨放進「推測」或「待驗證」欄目；
引用原文時只摘關鍵短句，不要大段複製；
讓模型列出「我沒有找到證據支持的說法」。

還可以加一句硬約束：如果無法定位來源，就不要把它寫成事實。投資研究裡，少一個漂亮但沒出處的結論，通常比多一個幻覺更安全。

什麼時候該用強模型

不是所有步驟都需要 Fable 5 這種強模型。一個比較省錢的分工是：

任務	推薦模型
文件去重、粗摘要、格式清洗	便宜模型或本地模型
財報欄位提取、表格整理	中等模型
多家公司橫向對比	中等模型或強模型
反方推演、證偽指標設計	強模型
長上下文綜合判斷	強模型
最終投資決策	人

強模型最適合處理「上下文長、變數多、需要權衡」的環節。簡單摘要、格式轉換、初篩資料，則不必每次都用最貴的模型。

哪些投資問題不應該問 AI

有些問題問出來就容易把模型推向過度承諾：

「明天會漲嗎？」
「現在能不能滿倉？」
「給我一個確定能賺錢的組合。」
「這支股票目標價是多少？」
「我虧了這麼多，要不要加倉回本？」
「把所有風險都考慮進去後，告訴我最終結論。」

這些問題的問題不在於 AI 一定答不出來，而在於答案會顯得過於確定。更好的問法是把問題拆開：哪些事實支持上漲？哪些指標會證偽？市場已經定價了什麼？如果判斷錯了，最先會在哪裡體現？

需要警惕的三個誤區

第一，把流暢表達當成正確。

模型越強，越會把不確定內容寫得像定論。投資研究裡最危險的不是模型說「不知道」，而是它把不完整的資訊包裝成完整故事。

第二，把歷史解釋當成未來預測。

AI 很擅長解釋已經發生的事，但投資真正困難的是未來預期差。它能幫你拆解過去，卻不能保證未來會按同樣路徑發生。

第三，把工具能力當成投資能力。

Fable 5 能寫程式碼、讀圖表、整理文件，不代表它理解你的組合目標。工具能力提升的是研究效率，不自動提升風險承受能力和決策紀律。

結論

Claude Fable 5 對投資研究有價值，但價值不在於「問它買什麼」。更接地氣的用法，是把它當成一個能連續工作的研究助理：幫你讀材料、做表格、找矛盾、列反方、跑情境、更新假設。

真正的邊界也很清楚：它不替你承擔風險，不替你管理倉位，不替你判斷自己的錢能虧多少。AI 越強，越要把它放進有規則的流程裡，而不是放到神壇上。

參考來源：知乎專欄原文、36氪 APPSO 實測文章、量子位報導、證券時報/界面新聞報導

AI投資 on KnightLi的博客